微服务的微

微服务已经流行了好几年了,现在已经是行业普遍的认识,技术方向的组件化也已经很成熟,dubbo,eurake,springboot,springcloud等等。大家也都张嘴就来服务注册发现,API网关,服务熔断,好像不了解微服务,不说上几句就是技术不到位,就不能通过技术面试。
大家都在说,都集中在技术组件化的应用实现,但真正要落地微服务只靠技术组件堆积就能完美完成,那真是太好了!微服务真正落地,应该是始于业务规划,业务拆分,业务重组,然后再利用开源or自研的技术组件将业务服务化、微粒化,从而达到微服务落地的目的。
要做微服务首先需要站在规划角度知道为什么要进行微服务,是否有必要微服务,它带来的是利大于弊还是弊大于利。就拿我们微服务的例子来说,由于我们业务需求多来自内部,频繁而零碎且开发周期要求极短,造成了大量的上线发布情况的发生,每次上线都需要中断整个业务系统。且第一版系统没有任何规划完全是站在为了满足业务方的需求而堆积起来的,所以很多功能越往后扩展越南,所以微服务对我们来说明显的利大于弊。
要做微服务就一定要做业务拆分,站在总体现状和未来规划的基础上,以业务架构的视角确定各业务边界,还有微服务并不是一簇而就的,也是一个演变过程。这两年火遍大江南北的中台建设细想想其实也是微服务的一种方式,只不过用了另一套概念来解释和界定这个场景而已。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值