有关RocketMQ实现分布式事务的理论知识，下篇也会示例 通过SpringCloud来实例RocketMQ实现分布式事务的项目。

一、举个分布式事务场景

列子：假设 A 给 B 转 100块钱，同时它们不是同一个服务商。

目标：就是

前言

大家好，我是小郭，今天主要来和大家聊一聊RocketMQ中的线程池是如何创建的，如何设置线程池数量，同时也可以从中去学习到一些线程池的实践和需要注意的一些细节。

RocketMQ在哪些地方使用到了线程池？

在RocketMQ中存在了大量的对线程池的使用，从消息的生产到投递Broker中，到最后的消息消费每一个环节中都大量使用到线程池的地方，下面我们拿出几个不同类型的线程池来看一看。

为什么在RocketMQ和kafka中选型

在单机同步发送的场景下，Kafka>RocketMQ，Kafka的吞吐量高达17.3w/s，RocketMQ吞吐量在11.6w/s。

kafka高性能原因

生产者

今年双十一大促中，消息中间件 RocketMQ 发生了以下几个方面的变化：

• 云原生化实践。完成运维层面的云原生化改造，实现 Kubernetes 化。
• 性能优化。消息过滤优化交易集群性能提升 30%。
• 全新的消费模型。对于延迟敏感业务提供新的消费模式，降低因发布、重启等场景下导致的消费延迟。

SpringCloud Alibaba之RocketMQ实战篇

一、前言

RocketMQ是阿里开发的基于消息队列的通用消息中间件产品，能集成分布式事务，也继承了RabbitMQ的优点。

本文主要内容如下：

一、安装rocketmq

1.下载rocketmq镜像

这里引用：
https://hub.docker.com/r/leixuewen/rocketmq

环境：springboot2.3.9 + RocketMQ4.8.0

RocketMQ机构及概念

• 1 消息模型（Message Model）

RocketMQ主要由 Producer、Broker、Consumer 三部分组成，其中Producer 负责生产消息，Consumer 负责消费消息，Broker 负责存储消息。Broker 在实际部署过程中对应一台服务器，每个 Broker 可以存储多个Topic的消息，每个Topic的消息也可以分片存储于不同的 Broker。Message Queue 用于存储消息的物理地址，每个Topic中的消息地址存储于多个 Message Queue 中。ConsumerGroup 由多个Consumer 实例构成。

安装rocketmq

1. 配置docker-compose配置文件

version: '3.9'

services:
  namesrv:
    image: test.aiet.top:29021/hrkj/rocketmq:5.3.2
    container_name: rmqnamesrv
    ports:
      - "9876:9876"
    networks:
      - rocketmq
    volumes:
      - /aiet/rocketmq/data/namesrv/logs:/root/logs
      - /aiet/rocketmq/data/namesrv/store:/root/store
    command: sh mqnamesrv
    healthcheck:
      test: ["CMD", "sh", "-c", "nc -z localhost 9876"]
      interval: 30s
      timeout: 5s
      retries: 3
      start_period: 30s
    ulimits:
      nofile:
        soft: 65535
        hard: 65535
    deploy:
      resources:
        limits:
          cpus: '2.0'
          memory: 2G
        reservations:
          memory: 1G
    restart: unless-stopped

  broker:
    image: test.aiet.top:29021/hrkj/rocketmq:5.3.2
    container_name: rmqbroker
    ports:
      - "10909:10909"
      - "10911:10911"
      - "10912:10912"
    environment:
      - NAMESRV_ADDR=rmqnamesrv:9876
      - JAVA_OPTS=-server -Xms4g -Xmx4g -Xmn2g -XX:MetaspaceSize=128m -XX:MaxMetaspaceSize=320m
    depends_on:
      - namesrv
    networks:
      - rocketmq
    volumes:
      - /aiet/rocketmq/data/broker/logs:/root/logs
      - /aiet/rocketmq/data/broker/store:/root/store
      - /aiet/rocketmq/conf/broker.conf:/opt/rocketmq/conf/broker.conf
    command: sh mqbroker -c /opt/rocketmq/conf/broker.conf
    healthcheck:
      test: ["CMD", "sh", "-c", "nc -z localhost 10911 || exit 1"]
      interval: 30s
      timeout: 5s
      retries: 3
      start_period: 60s
    ulimits:
      nofile:
        soft: 65535
        hard: 65535
      nproc:
        soft: 32000
        hard: 32000
    deploy:
      resources:
        limits:
          cpus: '4.0'
          memory: 6G
        reservations:
          memory: 4G
    restart: unless-stopped

  proxy:
    image: test.aiet.top:29021/hrkj/rocketmq:5.3.2
    container_name: rmqproxy
    networks:
      - rocketmq
    depends_on:
      - broker
      - namesrv
    ports:
      - "8080:8080"
      - "8081:8081"
    restart: unless-stopped
    environment:
      - NAMESRV_ADDR=rmqnamesrv:9876
      - JAVA_OPTS=-server -Xms1g -Xmx1g -Xmn512m -XX:MetaspaceSize=128m -XX:MaxMetaspaceSize=256m
    command: sh mqproxy
    healthcheck:
      test: ["CMD", "sh", "-c", "nc -z localhost 8080 || exit 1"]
      interval: 30s
      timeout: 5s
      retries: 3
      start_period: 30s
    ulimits:
      nofile:
        soft: 65535
        hard: 65535
    deploy:
      resources:
        limits:
          cpus: '1.0'
          memory: 1G
        reservations:
          memory: 512M

networks:
  rocketmq:
    driver: bridge
    ipam:
      config:
        - subnet: 172.28.0.0/16

volumes:
  namesrv-data:
  broker-data:
  proxy-data:

scikit-learn是Python中最好的机器学习库，而PyTorch又为我们构建模型提供了方便的操作，能否将它们的优点整合起来呢？在本文中，我们将介绍如何使用 scikit-learn中的网格搜索功能来调整 PyTorch 深度学习模型的超参数:

• 如何包装 PyTorch 模型以用于 scikit-learn 以及如何使用网格搜索
• 如何网格搜索常见的神经网络参数，如学习率、Dropout、epochs、神经元数