real = torch.FloatTensor(batch_size, *patch).fill_(1.0).requires_grad_(False).to(device)

时间: 2024-04-26 07:20:12 浏览: 11
这段代码使用了PyTorch库来创建一个张量（tensor），张量的形状（shape）是(batch_size, *patch)，其中*patch表示patch是一个可变长度的参数，这个张量的所有元素被初始化为1.0，不需要计算梯度（requires_grad_）并且将其存储在指定的设备（device）上。这个张量通常用于计算损失函数或评估模型的性能。
相关问题

real = torch.FloatTensor(batch_size, *patch).fill_(1.0).requires_grad_(False).to(device) # (1.0 - lambda)

这段代码是一个 PyTorch 实现中的生成对抗网络（GAN）中的标签定义部分。其中，`batch_size` 表示每批次的数据量，`*patch` 表示数据的形状。`torch.FloatTensor()` 函数创建一个浮点型的张量，并使用 `fill_()` 函数将所有元素初始化为 1.0，表示真实数据的标签。`requires_grad_(False)` 表示这些张量不需要梯度，`to(device)` 函数将它们移动到指定的设备上进行计算。这个标签的目的是在训练GAN时，将真实数据的标签设置为1.0，让判别器尽可能地将真实数据与生成数据区分开来。

fake = torch.FloatTensor(batch_size, *patch).fill_(0.0).requires_grad_(False).to(device)

这段代码也是一个 PyTorch 实现中的生成对抗网络（GAN）中的标签定义部分。与上面的代码类似，这里的 `fake` 是表示生成数据的标签，取值为 0.0。同样，`batch_size` 表示每批次的数据量，`*patch` 表示数据的形状。`torch.FloatTensor()` 函数创建一个浮点型的张量，并使用 `fill_()` 函数将所有元素初始化为 0.0，表示生成数据的标签。`requires_grad_(False)` 表示这些张量不需要梯度，`to(device)` 函数将它们移动到指定的设备上进行计算。这个标签的目的是在训练GAN时，将生成数据的标签设置为0.0，让判别器尽可能地将真实数据与生成数据区分开来。

相关推荐

pdf

torch.cuda.is_available（）返回False解决方案

进程序去看.cuda()或者.todevice之类代码，看程序确实放在GPU上了，故排除 但是在查看代码是看到这里是一个and，参数args.no_cuda是设置的Flase，所以问题因为在torch.cuda.is_available()，没有获得cuda加速。 ...
md

torch.cuda.is_available()返回False的问题解决

torch.cuda.is_available()返回False的问题解决
zip

lbcnn.torch-master.zip_..累lbcnn;x3_LBCNN_lbp_lbp 神经网络_torch

LBCNN 的MATLAB 代码，将LBP引入到神经网络中

class K_a(nn.Module): def __init__(self,in_dim, **kwargs): super(K_a, self).__init__(**kwargs) self.r_sigma = torch.nn.Parameter(torch.tensor(1.0), requires_grad=True) self.alpha = torch.nn.Parameter(torch.tensor(1.0), requires_grad=True) self.sigmoid = nn.Sigmoid() def forward(self, x): b, c, h, w = x.size() y = x.view(b*c,h,w) m = torch.unsqueeze(y, axis=1) n = torch.unsqueeze(y, axis=2) diff = m -n dist = torch.norm(diff, p=2, dim=1) k = torch.exp(-dist ** 2 * self.r_sigma) k = k.view(b, c, h, w) k = self.sigmoid(k) k = k * x return k 这段代码是要实现什么功能？并且每句代码的含义

4. self.r_sigma = torch.nn.Parameter(torch.tensor(1.0), requires_grad=True)：定义可学习参数r_sigma，并将其初始化为1.0。 5. self.alpha = torch.nn.Parameter(torch.tensor(1.0), requires_grad=True)：...

以下代码多次计算损失的值始终不变? class QABasedOnAttentionModel(nn.Module): def __init__(self, vocab_size, embed_size, hidden_size, topk): super(QABasedOnAttentionModel, self).__init__() self.topk = topk self.embedding = nn.Embedding(vocab_size, embed_size) self.encoder = nn.GRU(embed_size, hidden_size, batch_first=True) self.attention = nn.Linear(hidden_size, 1) self.decoder = nn.Linear(hidden_size, vocab_size) def forward(self, input_question, input_answer): question_embed = self.embedding(input_question) answer_embed = self.embedding(input_answer) _, question_hidden = self.encoder(question_embed) answer_outputs, _ = self.encoder(answer_embed, question_hidden) attention_weights = self.attention(answer_outputs).squeeze(dim=-1) attention_weights = torch.softmax(attention_weights, dim=1) context_vector = torch.bmm(attention_weights.unsqueeze(dim=1), answer_outputs).squeeze(dim=1) logits = self.decoder(context_vector) top_100_values, _ = torch.topk(logits, self.topk, dim=1) mask = torch.zeros_like(logits, requires_grad=True) # 设置 requires_grad=True score = [] for i in range(logits.size(0)): top_100_indices = torch.argsort(logits[i])[-self.topk:] mask_i = mask[i].clone() # 创建副本 mask_i[top_100_indices] = 1.0 score.append(mask_i.clone()) # 创建副本并赋值回 mask score = torch.stack(score) return score

model = QABasedOnAttentionModel(vocab_size, embed_size, hidden_size, topk) criterion = nn.CrossEntropyLoss() # 定义优化器 optimizer = optim.SGD(model.parameters(), lr=0.01) # 训练循环 for epoch in ...

class QABasedOnAttentionModel(nn.Module): def __init__(self, vocab_size, embed_size, hidden_size, topk): super(QABasedOnAttentionModel, self).__init__() self.topk = topk self.embedding = nn.Embedding(vocab_size, embed_size) self.encoder = nn.GRU(embed_size, hidden_size, batch_first=True) self.attention = nn.Linear(hidden_size, 1) self.decoder = nn.Linear(hidden_size, vocab_size) def forward(self, input_question, input_answer): question_embed = torch.nn.Parameter(self.embedding(input_question), requires_grad=True) answer_embed = torch.nn.Parameter(self.embedding(input_answer), requires_grad=True) _, question_hidden = self.encoder(question_embed) answer_outputs, _ = self.encoder(answer_embed, question_hidden) attention_weights = self.attention(answer_outputs).squeeze(dim=-1) attention_weights = torch.softmax(attention_weights, dim=1) context_vector = torch.bmm(attention_weights.unsqueeze(dim=1), answer_outputs).squeeze(dim=1) logits = self.decoder(context_vector) top_values, top_indices = torch.topk(logits.view(-1, vocab_size), k=self.topk, dim=1) return top_indices

vocab_size是词汇表的大小，embed_size是嵌入层的维度，hidden_size是GRU隐藏状态的维度，topk是解码时保留的前k个最高概率的标记。 在前向传播过程中，首先将输入的问题和答案序列通过嵌入层进行词嵌入，...

gan_loss = criterion_adv(discriminator(gen_parts), real)；real = torch.FloatTensor(batch_size, *patch).fill_(1.0).requires_grad_(False).to(device)；# 判别器 class Discriminator(nn.Module): def __init__(self, channels=3): super(Discriminator, self).__init__() # def discriminator_block(in_filters, out_filters, stride, normalize, dropout, spectral): # 谱范数正则化，提高泛化能力 """Returns layers of each discriminator block""" # if spectral: layers = [nn.utils.spectral_norm(nn.Conv2d(in_filters, out_filters, 3, stride, 1), n_power_iterations=2)] else: layers = [nn.Conv2d(in_filters, out_filters, 3, stride, 1)] if normalize: layers.append(nn.InstanceNorm2d(out_filters)) layers.append(nn.LeakyReLU(0.2, inplace=True)) if dropout: layers.append(nn.Dropout(p=0.5)) return layers layers = [] in_filters = channels # 总共有四次卷积操作，因为没有设置dropout(随机设置一些值为0避免过拟合)和spectral所以此处并没有进行 for out_filters, stride, normalize, dropout, spectral in [(64, 2, False, 0, 0), (128, 2, True, 0, 0), (256, 2, True, 0, 0), (512, 1, True, 0, 0)]: layers.extend(discriminator_block(in_filters, out_filters, stride, normalize, dropout, spectral)) in_filters = out_filters layers.append(nn.Conv2d(out_filters, 1, 3, 1, 1)) self.model = nn.Sequential(*layers) def forward(self, img): return self.model(img)

real = torch.FloatTensor(batch_size, *patch).fill_(1.0).requires_grad_(False).to(device) real表示真实的图像，它是一个batch_size大小的张量，*patch表示图像尺寸，这里是通过*patch解包得到的。fill_(1.0)...

RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn class CustomLoss(nn.Module): def __init__(self): super(CustomLoss, self).__init__() def forward(self, predicted_tokens, target_tokens): # 设置predicted_tokens为需要梯度计算的张量 scores = torch.zeros_like(target_tokens, dtype=torch.float32) for i in range(target_tokens.size(1)): target_token = target_tokens[:, i] max_score = torch.max(torch.eq(predicted_tokens, target_token.unsqueeze(dim=1)).float(), dim=1)[0] scores[:, i] = max_score loss = 1 - torch.mean(scores) return loss class QABasedOnAttentionModel(nn.Module): def __init__(self, vocab_size, embed_size, hidden_size, topk): super(QABasedOnAttentionModel, self).__init__() self.topk = topk self.embedding = nn.Embedding(vocab_size, embed_size) self.encoder = nn.GRU(embed_size, hidden_size, batch_first=True) self.attention = nn.Linear(hidden_size, 1) self.decoder = nn.Linear(hidden_size, topk) def forward(self, input_question, input_answer): question_embed = self.embedding(input_question) answer_embed = self.embedding(input_answer) _, question_hidden = self.encoder(question_embed) answer_outputs, _ = self.encoder(answer_embed, question_hidden) attention_weights = self.attention(answer_outputs).squeeze(dim=-1) attention_weights = torch.softmax(attention_weights, dim=1) context_vector = torch.bmm(attention_weights.unsqueeze(dim=1), answer_outputs).squeeze(dim=1) logits = self.decoder(context_vector) return logits

predicted_tokens.requires_grad_() ... 这样可以确保predicted_tokens是需要梯度计算的张量。 如果以上方法仍然没有解决问题，那么可能是其他部分的代码引起了错误。请提供更多的上下文或详细的错误信息...

def compute_gradient_penalty(D, real_samples, fake_samples): alpha = torch.from_numpy(np.random.random((real_samples.size()[0], 1, 1, 1))).float().cuda() interpolates = (alpha * real_samples + ((1 - alpha) * fake_samples)).requires_grad_(True) d_interpolates, _ = D(interpolates) fake = autograd.Variable(torch.ones(real_samples.size()[0]), requires_grad=False).cuda() gradients = autograd.grad( outputs=d_interpolates, inputs=interpolates, grad_outputs=fake, create_graph=True, retain_graph=True, only_inputs=True, )[0] gradients = gradients.view(gradients.size(0), -1) gradient_penalty = ((gradients.norm(2, dim=1) - 1) ** 2).mean() return gradient_penalty解释函数

- 随机生成一个(0,1)之间的随机数alpha，其形状为(batch_size, 1, 1, 1)。 - 根据随机数alpha和真实图像样本、生成图像样本，生成一组插值样本(interpolates)，其形状与真实图像样本一致。 - 将插值样本...

解释此代码import torch import random def data_iter(batch_size,features,labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) for i in range(0,num_examples,batch_size): batch_indices = torch.tensor(indices[i:min(i+batch_size,num_examples)]) yield features[batch_indices],labels[batch_indices] w = torch.normal(0,0.01,size=(p,1),requires_grad=True) b = torch.zeros(1,requires_grad=True) for epoch in range(num_epochs): for X,y in data_iter(batch_size,features,labels): y_hat = X @ w + b loss = ((y_hat-y)**2/2).mean() loss.backward() for param in [w,b]: param -= learning_rate * param.grad param.grad.zero_()

requires_grad=True表示需要计算梯度。 4. 训练过程：使用两个嵌套的循环进行训练。外层循环控制迭代次数，由变量num_epochs决定。内层循环通过调用data_iter函数来获取一个批次的特征X和标签y。 5. 前向传播：...

self.model.eval() with torch.enable_grad():

inputs.requires_grad = True optimizer.zero_grad() outputs = self.model(inputs) loss = criterion(outputs, labels) loss.backward() perturbed_inputs = inputs + epsilon * inputs.grad.sign() #...

input_type = torch.randn(1, 3, 224, 224, requires_grad=True).cuda()

The requires_grad=True argument tells PyTorch to track the gradient of this tensor during backpropagation, which is necessary for training neural networks using gradient-based optimization ...

下面代码转化为paddle2.2.2代码 ：log_dir = './logs/pretrain' if not os.path.isdir(log_dir): os.makedirs(log_dir) writer = SummaryWriter(log_dir) learning_rate = 1e-4 isp = torch.load('isp/ISP_CNN.pth').cuda() for k,v in isp.named_parameters(): v.requires_grad=False predenoiser = torch.load('./predenoising/PreDenoising.pth') for k,v in predenoiser.named_parameters(): v.requires_grad=False denoiser = RViDeNet(predenoiser=predenoiser).cuda() initial_epoch = findLastCheckpoint(save_dir=save_dir) if initial_epoch > 0: print('resuming by loading epoch %03d' % initial_epoch) denoiser = torch.load(os.path.join(save_dir, 'model_epoch%d.pth' % initial_epoch)) initial_epoch += 1 opt = optim.Adam(denoiser.parameters(), lr = learning_rate) # Raw data takes long time to load. Keep them in memory after loaded. gt_raws = [None] * len(gt_paths) iso_list = [1600,3200,6400,12800,25600] a_list = [3.513262,6.955588,13.486051,26.585953,52.032536] g_noise_var_list = [11.917691,38.117816,130.818508,484.539790,1819.818657] if initial_epoch==0: step=0 else: step = (initial_epoch-1)*int(len(gt_paths)/batch_size) temporal_frames_num = 3

import os import paddle from paddle import nn from paddle.nn import functional as F from paddle.io import ... step = (initial_epoch - 1) * int(len(gt_paths) / batch_size) temporal_frames_num = 3

解释代码：input_type = torch.randn(1, 3, 224, 224, requires_grad=True).cuda()

这行代码定义了一个四维张量（tensor）input_type，其形状为（1, 3, 224, 224），其中1表示batch size，3表示通道数（RGB），224表示图像的高和宽。requires_grad=True表示该张量需要计算梯度。 .cuda()表示将这个...

train_set = TrainDatasetFromFolder('/root/autodl-tmp/srpad_project/data/HR', NAME, crop_size=CROP_SIZE, upscale_factor=UPSCALE_FACTOR) val_set = ValDatasetFromFolder('/root/autodl-tmp/srpad_project/data/HR', NAME, crop_size=CROP_SIZE, upscale_factor=UPSCALE_FACTOR)#47-50加载训练集和验证集的图像 train_loader = DataLoader(dataset=train_set, num_workers=4, batch_size=16, shuffle=True) val_loader = DataLoader(dataset=val_set, num_workers=4, batch_size=1, shuffle=False) net = Net().cuda()#初始化网络 criterion = torch.nn.MSELoss().cuda()#设置损失函数 optimizer = torch.optim.Adam([paras for paras in net.parameters() if paras.requires_grad == True], lr=0.001)#设置优化器 t = 5 T = NUM_EPOCHS n_t = 0.5 lambda1 = lambda epoch: (0.9 * epoch / t + 0.1) if epoch < t else 0.1 if n_t * ( 1 + math.cos(math.pi * (epoch - t) / (T - t))) < 0.1 else n_t * ( 1 + math.cos(math.pi * (epoch - t) / (T - t))) scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda1)#56-64损失函数学习率的一个变化策略。这里面我们学习选择了先上升后下降的一个学习力策略 results = {'loss': [], 'psnr': [], 'ssim': [], 'bic_psnr': [], 'bic_ssim': [], 'val_loss': []} for epoch in range(1, NUM_EPOCHS + 1):#迭代开始 train_bar = tqdm(train_loader) running_results = {'batch_sizes': 0, 'loss': 0} net.train()#加载网络，进入for循环 for data, target in train_bar: batch_size = data.size(0) running_results['batch_sizes'] += batch_size inputs = Variable(data).cuda()#加载variable形式，把它放在cuda（GPU）上 gt = Variable(target).cuda() output = net(inputs)#网络输出

这段代码是用训练集和验证集的图像来训练神经网络模型。首先，使用 TrainDatasetFromFolder 和 ValDatasetFromFolder 从文件夹中加载训练集和验证集的图像，并设置裁剪大小和超分辨率倍数等参数。...

class HorBlock(nn.Module):# HorBlock模块 r""" HorNet block yoloair """ def __init__(self, dim, drop_path=0., layer_scale_init_value=1e-6, gnconv=gnconv): super().__init__() self.norm1 = HorLayerNorm(dim, eps=1e-6, data_format='channels_first') self.gnconv = gnconv(dim) self.norm2 = HorLayerNorm(dim, eps=1e-6) self.pwconv1 = nn.Linear(dim, 4 * dim) self.act = nn.GELU() self.pwconv2 = nn.Linear(4 * dim, dim) self.gamma1 = nn.Parameter(layer_scale_init_value * torch.ones(dim), requires_grad=True) if layer_scale_init_value > 0 else None self.gamma2 = nn.Parameter(layer_scale_init_value * torch.ones((dim)), requires_grad=True) if layer_scale_init_value > 0 else None self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity() def forward(self, x): B, C, H, W = x.shape # [512] if self.gamma1 is not None:# dummy gamma1 = self.gamma1.view(C, 1, 1) else: gamma1 = 1 x = x + self.drop_path(gamma1 * self.gnconv(self.norm1(x))) input = x x = x.permute(0, 2, 3, 1) # (N, C, H, W) -> (N, H, W, C) x = self.norm2(x) x = self.pwconv1(x) x = self.act(x) x = self.pwconv2(x) if self.gamma2 is not None: x = self.gamma2 * x x = x.permute(0, 3, 1, 2) # (N, H, W, C) -> (N, C, H, W) x = input + self.drop_path(x) return x

这个 HorBlock 模块的 forward 方法接受一个输入 x，其中 x 是一个四维张量，表示一个 mini-batch 中的一组数据，其形状为 [B, C, H, W]，其中 B 表示 batch size，C 表示 channel 数量，H 和 W 分别表示输入数据的...

将冒号后面的代码改写成一个nn.module类：data1 = pd.read_csv("终极1.csv", usecols=[17], encoding='gb18030') df = data1.fillna(method='ffill') data = df.values.reshape(-1, 1) scaler = MinMaxScaler(feature_range=(0, 1)) data = scaler.fit_transform(data) train_size = int(len(data) * 0.8) test_size = len(data) - train_size train, test = data[0:train_size, :], data[train_size:len(data), :] def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back-1): a = dataset[i:(i+look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back, 0]) return np.array(dataX), np.array(dataY) look_back = 30 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back) trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1])) testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1])) model = Sequential() model.add(LSTM(50, input_shape=(1, look_back), return_sequences=True)) model.add(LSTM(50)) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') model.fit(trainX, trainY, epochs=6, batch_size=1, verbose=2) trainPredict = model.predict(trainX) testPredict = model.predict(testX) trainPredict = scaler.inverse_transform(trainPredict) trainY = scaler.inverse_transform([trainY]) testPredict = scaler.inverse_transform(testPredict) testY = scaler.inverse_transform([testY])

h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_dim).requires_grad_() c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_dim).requires_grad_() out, (hn, cn) = self.lstm(x, (h0.detach...

最新推荐

recommend-type

六首页数字藏品NFT交易网React NextJS网站模板 六首页数字藏品nft交易网反应NextJS网站模板

六首页数字藏品NFT交易网React NextJS网站模板 六首页数字藏品nft交易网反应NextJS网站模板
recommend-type

wireshark安装教程入门

wireshark安装教程入门
recommend-type

基于C++负数据库的隐私保护在线医疗诊断系统

【作品名称】：基于C++负数据库的隐私保护在线医疗诊断系统 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： 基于负数据库的隐私保护在线医疗诊断系统 NDBMedicalSystem 客户端及服务器端 本项目是在保护用户隐私的前提下，完成了对新冠肺炎、乳腺癌、眼疾等多种疾病的智能诊断。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构：Kafka与Hive集成

![实现实时数据湖架构：Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构，它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同，实时数据湖不依赖于预先定义的模式，而是采用灵活的架构，可以处理各种数据类型和格式。这种架构为企业提供了以下优势： - **实时洞察：**实时数据湖允许企业访问最新的数据，从而做出更明智的决策。 - **数据民主化：**实时数据湖使各种利益相关者都可
recommend-type

2． 通过python绘制y=e-xsin(2πx)图像

可以使用matplotlib库来绘制这个函数的图像。以下是一段示例代码： ```python import numpy as np import matplotlib.pyplot as plt def func(x): return np.exp(-x) * np.sin(2 * np.pi * x) x = np.linspace(0, 5, 500) y = func(x) plt.plot(x, y) plt.xlabel('x') plt.ylabel('y') plt.title('y = e^{-x} sin(2πx)') plt.show() ``` 运行这段
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

实现实时监控告警系统：Kafka与Grafana整合

![实现实时监控告警系统：Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成，这