2024-5-6-从0到1手写配置中心Config之实现配置中心客户端

  1. 配置加载原理

在Spring中PropertySource类实现了所有属性的实例化。

启动赋值:

  • 定义自定义属性配置源,从config-server获取全局属性;
  • Spring启动时,插入自定义属性配置源;
  • 绑定属性会优先使用,给自定义属性配置源赋值。

动态更新:

  • client端和server端保持心跳检测,当有配置变动时获取新配置;
  • 对于@Value的字段需要反射赋值;
  • 对于@ConfigurationProperties配置类可以发送刷新事件。

优先级:

  • 自定义配资源;
  • 来自系统属性;
  • 来自application.yaml;
  • 来自application.properties;
  • 来自spring内置属性。
  1. 自定义客户端注解

使用该注解就能加载客户端程序

图片

  1. 自定义ConfigService

接口: 获取所有配置名称;根据名称获取配置

图片

实现类:使用Map保存所有配置信息

图片

  1. 自定义配置源

继承了EnumerablePropertySource,从ConfigService中获取属性信息。

图片

  1. 自定义配置源处理器
  • 实现BeanFactoryPostProcessor接口重新bean的后置处理逻辑;
  • 实现 EnvironmentAware接口获取环境变量;
  • 实现 PriorityOrdered接口定义优先级。

图片

在postProcessBeanFactory()方法中

  • 通过http请求到 config-server 获取配置;
  • 创建自定义配置源;
  • 创建组合配置源,可以加载多个自定义的配置源;
  • 放到属性源环境变量的最前面。

程序启动时,debug可以看到,配置中心的值加载到env的最前面了。

图片

  1. 手动注册bean

配置中心的客户端只是一个jar包,不是web项目,不能自动扫描注解包,需要手动注册bean。

通过实现ImportBeanDefinitionRegistrarle完成手动注册。一开始先判断是否存在,避免重复加载,然后再注册。

图片

  1. 测试

新建一个web工程,在启动类中使用注解@EnableMidnightConfig启动配置中心客户端。

在demo工程中,使用了@Value的方式和@ConfigurationProperties配置的方式。

图片

图片

工程中默认的配置值midnight.a=a100。

图片

配置中心默认的是midnight.a=dev500。

图片

启动工程,查看日志,两种配置方式都是dev500,说明配置中心起作用了。

图片

源代码: https://github.com/midnight2104/midnight-config

  • 5
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
以下是在 Mac M1 上使用 Keras 框架实现 LeNet-5 模型识别数字的代码: ```python import numpy as np import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 加载 MNIST 数据集 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() # 将输入数据转换为浮点数并缩放到 [0, 1] 范围内 x_train = x_train.astype("float32") / 255.0 x_test = x_test.astype("float32") / 255.0 # 将标签转换成 one-hot 编码 y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10) # 将输入数据转换为 4D 张量 [样本数, 高度, 宽度, 通道数(灰度图为1)] x_train = np.expand_dims(x_train, -1) x_test = np.expand_dims(x_test, -1) # 定义 LeNet-5 模型 model = keras.Sequential( [ layers.Conv2D(6, kernel_size=(5, 5), activation="relu", input_shape=(28, 28, 1)), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(16, kernel_size=(5, 5), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dense(120, activation="relu"), layers.Dense(84, activation="relu"), layers.Dense(10, activation="softmax"), ] ) # 编译模型 model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"]) # 训练模型 model.fit(x_train, y_train, batch_size=128, epochs=10, validation_split=0.1) # 在测试集上评估模型 test_loss, test_acc = model.evaluate(x_test, y_test) print("Test accuracy:", test_acc) ``` 运行代码后,你应该可以看到模型在测试集上的准确率。注意,这个代码并没有使用 ChitGPT 或者 ChatGPT 进行对话,它只是一个实现 LeNet-5 模型的示例。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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