RabbitMQ 教程译文(六) + 学习

原文

Remote procedure call (RPC)

在第二篇教程中,我们学会了怎么把耗时的消息通过工作队列发送给多个消费者。

但是,如果我们请求一个远端服务,需要等待返回结果,那我们要怎么做。这就是完全不同的两种情况,后者被称为RPC。

在我们这次教程中,我们通过RabbitMQ创建一个RPC系统:一个客户端以及一个可扩展的服务端。因为我们没有什么任务需要分发,所以我们会创建一个简单的RPC服务,只发送斐波那契数列。

客户端接口

为了描述RPC服务如何运行,我们会创建一个简单的客户端,然后暴露一个叫做call的方法,用于向服务端发起请求,并阻塞等待结果。

FibonacciRpcClient fibonacciRpc = new FibonacciRpcClient();
String result = fibonacciRpc.call("4");
System.out.println( "fib(4) is " + result);

Callback Queue

通常情况下,使用RabbitMQ实现RPC是非常简单的。客户端发送信息,服务端响应信息。为了接收响应,我们需要在请求中加入回调队列地址。我们可以使用默认的队列,代码如下

callbackQueueName = channel.queueDeclare().getQueue();

BasicProperties props = new BasicProperties
                            .Builder()
                            .replyTo(callbackQueueName)
                            .build();

channel.basicPublish("", "rpc_queue", props, message.getBytes());

// ... then code to read a response message from the callback_queue ...

Correlation Id

在上面的代码中,我们建议每个请求创建一个回调队列,但是这样会非常没有效率,幸运的是我们有一个更好的办法处理,为每个客户端创建一个回调队列。

这种方式会带来另一个问题,当我们从队列中获取到一个响应时,我们并不知道这个响应到底是哪个请求的响应。这时候就要用到Correlation Id,我们会在每个请求中设置唯一的Correlation Id,然后我们从队列中获取响应,根据响应中的Correlation Id的值,我们就知道它对应的请求是什么了。如果我们接收到一个我们不认识的响应,我们就可以放心的丢弃它,毕竟它不属于我们的任何请求。

你可能会问,为什么我们要忽略不认识的响应,而不是抛出一个异常?这是因为在服务端可能会出现这样一种情况,虽然概率比较低:服务端可能在发送ack给请求队列之前,发送响应给回调队列之后挂掉,这种情况发生后,服务端重启会继续处理请求,所以客户端会收到重复的响应,所以客户端在处理不识别的响应时需要宽松点,而且服务端需要保证理论上的幂等性

总结

在这里插入图片描述

RPC工作步骤
1、对于请求,客户端会发送信息包含一个唯一并且匿名的响应队列地址replyTo,还有个一个唯一标示Correlation Id
2、发送请求到rpc_queue
3、服务端会等待rpc_queue中的消息,接收到信息后马上处理,并将结果返回到回调队列中
4、客户端等待回调队列中的消息,一旦接收到信息就会检查Correlation Id,如果匹配就会把响应返回给应用。

源码
RPCServer.java
RPCClient.java

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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