Redis的安装与配置

RabbitsInTheGrass RabbitsInTheGrass 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 9.5k累计阅读 9.5k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄7年
关注
原创 最新推荐文章于 2026-03-13 13:24:20 发布 9.5k 阅读 AI 写同款· GEO 优化 ›
02、Redis的安装与配置 redis，linux，centos7配置，redis安装，redis配置，linux相关工具 阅读详情

Redis的安装与配置

一、Redis简介

Redis 是完全开源免费的，遵守BSD协议，是一个高性能的key-value数据库。

Redis 与其他 key - value 缓存产品有以下三个特点：

  • Redis支持数据的持久化，可以将内存中的数据保存在磁盘中，重启的时候可以再次加载进行使用。
  • Redis不仅仅支持简单的key-value类型的数据，同时还提供list，set，zset，hash等数据结构的存储。
  • Redis支持数据的备份，即master-slave模式的数据备份。

Redis的优势：

  • 性能极高 – Redis能读的速度是110000次/s,写的速度是81000次/s 。
  • 丰富的数据类型 – Redis支持二进制案例的 Strings, Lists, Hashes, Sets 及 Ordered Sets 数据类型操作。
  • 原子 – Redis的所有操作都是原子性的，意思就是要么成功执行要么失败完全不执行。单个操作是原子性的。多个操作也支持事务，即原子性，通过MULTI和EXEC指令包起来。
  • 丰富的特性 – Redis还支持 publish/subscribe, 通知, key 过期等等特性。

Redis与其他key-value存储有什么不同？

  • Redis有着更为复杂的数据结构并且提供对他们的原子性操作，这是一个不同于其他数据库的进化路径。Redis的数据类型都是基于基本数据结构的同时对程序员透明，无需进行额外的抽象。
  • Redis运行在内存中但是可以持久化到磁盘，所以在对不同数据集进行高速读写时需要权衡内存，因为数据量不能大于硬件内存。在内存数据库方面的另一个优点是，相比在磁盘上相同的复杂的数据结构，在内存中操作起来非常简单，这样Redis可以做很多内部复杂性很强的事情。同时，在磁盘格式方面他们是紧凑的以追加的方式产生的，因为他们并不需要进行随机访问。

二、下载Redis

从官网直接下载对应安装压缩包。
在这里插入图片描述

三、Windows环境安装

3.1 Windows安装redis

  1. 根据本地Windows环境选择32或者64位，从https://github.com/microsoftarchive/redis/releases 上下载对应Redis-x64-xxx.zip压缩包，解压到本地。
  2. 运行中输入cmd，进入到解压后的redis目录，执行
    redis-server redis.windows.conf

3.2 Windows设置Redis服务

上述3.1 中一旦关闭黑窗口，redis服务就停了。所以我们把它做成一个服务。

执行命令

redis-server –service-install redis.windows-service.conf –loglevel verbose

输入命令之后没有报错，表示成功了，刷新服务，会看到多了一个redis服务。
在这里插入图片描述
卸载服务：redis-server –service-uninstall
开启服务：redis-server –service-start
停止服务：redis-server –service-stop

四、Linux环境安装

4.1 上传解压缩方式

将下载好的redis压缩包上传到Linux服务器，参考4.2的步骤

4.2 联网下载安装方式

  1. 进入官网找到下载地址 https://redis.io/download，右键Download按钮，选择复制链接。

  2. 执行如下命令远程联网下载

    wget http://download.redis.io/releases/redis-6.0.6.tar.gz

  3. 解压缩

    tar -zvxf redis-6.0.6.tar.gz

  4. 一般我们都会将redis安装目录放置到 /usr/local/redis目录，

    mv ../redis-6.0.6 /usr/local/redis

  5. cd到/usr/local/redis目录，输入命令make执行编译命令

    make

    如果出现报错问题，参考4.3 安装报错问题
    编译成功后如下图所示：
    在这里插入图片描述

  6. 编译成功后，进入src文件夹，执行make install进行安装。

    make install

    执行成功如下图：
    在这里插入图片描述

  7. 启动。进入src目录下,执行

    ./redis-server

4.3 redis安装报错问题汇总

4.3.1 编译失败——gcc版本问题

如果在执行make命令编译的时候出现如下所示错误：

  1. cc1: error: unrecognized command line option "-std=c11"
  2. server.c:xxxx:xx: error: ‘xxxxxxxx’ has no member named ‘xxxxx’（比如：server.c:5188:19: error: ‘struct redisServer’ has no member named ‘sofd’）

这一般都是 gcc的版本 不够引起的问题。
最新的redis6.0版本貌似需要gcc版本是5.3以上的。
采用如下方式升级gcc版本，或者自行下载指定版本安装（gcc官网地址）

yum -y install centos-release-scl

yum -y install devtoolset-9-gcc devtoolset-9-gcc-c++ devtoolset-9-binutils

scl enable devtoolset-9 bash

注意：
scl命令启用只是临时的，推出xshell或者重启就会恢复到原来的gcc版本。
如果要长期生效的话，执行如下：

echo "source /opt/rh/devtoolset-9/enable" >>/etc/profile

这时候你可以再看一下gcc的版本号
在这里插入图片描述

五、配置文件简单说明

5.1 redis.conf配置文件

Windows环境中名为 redis.windows.conf

可以直接使用cat、vim、less等Linux内置的读取命令读取该文件，或者也可以通过redis-cli命令进入redis控制台后通过CONFIG GET * 的方式读取所有配置项。

这里列举一些比较重要的配置项

配置项名称配置项值范围说明
daemonizeyes、noRedis 默认不是以守护进程的方式运行，可以通过该配置项修改，使用 yes 启用守护进程（Windows 不支持守护线程的配置为 no ）
port6379指定 Redis 监听端口，默认端口为 6379
bind绑定的主机地址,如果需要设置远程访问则直接将这个属性备注下或者改为bind * 即可,这个属性和下面的protected-mode控制了是否可以远程访问 。
protected-modeyes 、no保护模式，该模式控制外部网是否可以连接redis服务，默认是yes,所以默认我们外网是无法访问的，如需外网连接rendis服务则需要将此属性改为no。
timeout300当客户端闲置多长时间后关闭连接，如果指定为 0，表示关闭该功能
logleveldebug、verbose、notice、warning日志级别，默认为 notice
databases16设置数据库的数量，默认的数据库是0。整个通过客户端工具可以看得到
rdbcompressionyes、no指定存储至本地数据库时是否压缩数据，默认为 yes，Redis 采用 LZF 压缩，如果为了节省 CPU 时间，可以关闭该选项，但会导致数据库文件变的巨大。
dbfilenamedump.rdb指定本地数据库文件名，默认值为 dump.rdb
dir指定本地数据库存放目录
requirepass设置 Redis 连接密码，如果配置了连接密码，客户端在连接 Redis 时需要通过 AUTH < password> 命令提供密码，默认关闭
maxclients0设置同一时间最大客户端连接数，默认无限制，Redis 可以同时打开的客户端连接数为 Redis 进程可以打开的最大文件描述符数，如果设置 maxclients 0，表示不作限制。当客户端连接数到达限制时，Redis 会关闭新的连接并向客户端返回 max number of clients reached 错误信息。
maxmemoryXXX < bytes>指定 Redis 最大内存限制，Redis 在启动时会把数据加载到内存中，达到最大内存后，Redis 会先尝试清除已到期或即将到期的 Key，当此方法处理 后，仍然到达最大内存设置，将无法再进行写入操作，但仍然可以进行读取操作。Redis 新的 vm 机制，会把 Key 存放内存，Value 会存放在 swap 区。配置项值范围列里XXX为数值。

更多配置可以参考 https://www.runoob.com/redis/redis-conf.html

六、Redis 命令

6.1 redis服务查看相关命令

6.1.1 查看Redis是否正在运行

  1. 采取查看进程方式

    ps -aux | grep redis

    在这里插入图片描述

  2. 采取端口监听查看方式

    netstat -lanp | grep 6379

    在这里插入图片描述

6.2 redis操作命令

此处暂时先不写了，后边专门写一篇相关命令。

七、Redis桌面可视化工具安装

7.1 redis desktop manager

Redis Desktop Manager官网地址

在这里插入图片描述
目前这个工具是收费的了。

7.2 Redis Client

项目地址：　https://github.com/caoxinyu/RedisClient

7.3 Redis Studio

项目地址： https://github.com/cinience/RedisStudio

收录于
Redis

当前文章被收录于：

Redis
1 篇文章 0 人学习

Redis

订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【Redis】Mac安装Redis,及redis.conf常用配置详解 Redis 配置文件常用的配置详解，包括持久化RDB、AOF配置，内容优化配置 阅读详情

相关推荐

【Redis入门：从零开始安装配置Redis环境】

Redis跨平台安装与配置指南 本文详细介绍Redis在Windows（推荐WSL）、macOS（Homebrew）和Linux（APT）三大系统的安装方法，涵盖服务启动、基本测试和安全配置。关键步骤包括：连接Redis客户端redis-cli进行数据操作测试，修改redis.conf设置密码和绑定IP等安全措施，以及服务重启验证。文中还提供了常见问题解答，如连接错误处理、卸载方法和局域网访问配置。通过本指南，开发者可快速搭建安全的Redis学习环境，为后续深入使用奠定基础。

weixin_64178283的博客 1197

Windows环境下安装了Redis，但找不到Redis服务的解决办法

第一步：找到Redis的安装目录，在地址栏输入cmd打开，然后输入redis-server --service-install redis.windows.conf。第二步：键盘win+R，输入services.msc，打开就可以找到Redis服务了。遇到这种情况只需要两步就可以解决哦。

weixin_51272231的博客 5161

【Redis】安装配置Redis超详细教程 / Linux版

实验环境：Linux环境版本：127~20.04.1-Ubuntu

sweethhheart的博客 2524

【redis篇】超详细的redis安装教程，学不会你找我

Linux安装redis最详细教程，实现守护线程方式启动redis、redis开机自启动、gcc升级

BinvinCode技术分享 8385

Redis安装、配置

Windows系统下安装Redis，直接从官网或github下载releases安装包，然后注册服务以及配置Windows环境变量，最后可以通过【redis-server --service-start】命令开启服务，【redis-server --service-stop】命令停止服务。

Java 技术专栏，从入门到精通，熟悉企业级开发 7711

硬件之光实战篇--Boost

当开关管处于关闭状态时，由于电感中的电流在短时间内不能瞬间消失，因此它会产生一个电感电动势，在电容器上加上一个高电压，从而使输出电压变高。--------------------------------------------------------分割线----------------------------------------------------------------在应用中，升压芯片需要根据负载电路的需求，选择合适的电感和电容等元器件，以达到所需要的升压倍数和输出电压。

m0_58664890的博客 2101

Redis安装教程（超详细）

Redis 一、Redis安装 1、windows下安装 默认端口：6379 下载连接 https://github.com/tporadowski/redis/releases 解压 双击redis-server.exe启动服务端 双击redis-cli.exe启动客户端连接服务端 在客户端输入 “ping”，出现“PONG”，即证明连接成功 2、Linux下安装 2.1、下载linux压缩包 【redis-5.0.5.tar.gz】 2.2、通过FlashFXP把压缩包

X_lsod的博客 18万+

USB PD快充功率监测仪：高精度嵌入式USB电压电流测量终端

USB供电已从数据接口演进为关键电源总线，尤其在PD快充场景下，工程师亟需对5V–20V宽压范围内的实时电压、电流及瞬时功率进行精准捕获。其底层原理依赖高共模抑制比的高边电流检测与分压采样+ADC数字化处理，结合LDO低噪声供电保障模拟链路精度。该类设备的技术价值在于以低成本实现协议无关的‘电气层可视化’，规避商用ASIC测试仪的黑盒局限，支撑PD充电验证、电源设计调试与教学实验等工程实践。本文介绍的开源USB表即基于N32G430 MCU与INA199电流检测芯片，覆盖USB-C输入/输出双通道监测，具备

weixin_42174098的博客 207

Redis的详细安装步骤

一、Redis简介一、Redis简介Redis是一个开源（BSD许可），内存存储的数据结构服务器，可用作数据库，高速缓存和消息队列代理。它支持字符串（string）、哈希表（hash）、列表（list）、集合（set）、有序集合（zset / sort zset），位图，hyperloglogs等数据类型。内置复制、Lua脚本、LRU收回、事务以及不同级别磁盘持久化功能，同时通过Redis Sentinel提供高可用，通过Redis Cluster提供自动分区。

m0_67094505的博客 8717

FFmpeg + OBS 低延迟直播串流实战：从H264裸流到RTP组播的完整配置

本文详细介绍了如何利用FFmpeg将H264裸流转码为RTP协议，并通过组播技术实现与OBS客户端的超低延迟直播串流。文章深入剖析了FFmpeg关键参数调优、SDP文件生成与配置，以及OBS客户端的无缝拉流方法，为需要毫秒级实时交互的场景提供了一套去中心化、高效稳定的完整解决方案。

fanta的博客 830

深入解析USB3.0一致性测试的关键技术与实践指南

本文深入解析了USB3.0一致性测试的核心技术与实践指南。文章阐述了测试如何确保设备在5Gbps高速传输下的信号完整性、电源管理合规性及协议兼容性，并提供了从测试系统搭建到完整流程执行的实战经验，帮助工程师有效应对高速信号、电源与兼容性三大核心挑战。

weixin_29164091的博客 282

cc1: error: unrecognized command line option "-std=c11"

这个问题主要是由于gcc版本问题， root# gcc --version gcc (GCC) 4.4.7 20120313 (Red Hat 4.4.7-23) Copyright (C) 2010 Free Software Foundation, Inc. This is free software; see the source for copying conditions. There is NO warranty; not even for MERCHANTABILITY or FITNESS

LeoHan 1万+

芯片设计中的复位艺术——从异步复位同步释放到复位树构建

本文深入探讨了芯片设计中复位策略的核心技术与工程实践。重点解析了异步复位同步释放这一黄金方案的原理与优势，它通过复位同步器解决了异步复位释放时的时序风险。文章进一步阐述了如何构建稳健的复位树以应对大规模SoC设计，并分析了多时钟域与低功耗场景下的复位设计挑战，为提升芯片可靠性提供了系统性的方法论。

neovim7hacker的博客 486

Redis学习笔记（二）--Redis的安装与配置

本文介绍了Redis的安装和基础配置流程，为作者在学习Redis时的笔记，特此比记录，以便后续学习中能够查漏补缺。

Scr1Pt的博客 4487

[QMT量化交易小白入门]-三十七、QMT中如何使用类似于通达信中的VBA函数（量化python代码解析）

这段代码主要围绕着在QMT环境中实现类似通达信VBA函数的功能展开，核心功能是基于RSI指标来判断股票的买卖时机，并根据持仓情况进行相应的交易操作。class G():passg = G()这里定义了一个空类G，并创建了该类的实例g。这个实例g将作为全局变量来存储一些在整个程序运行过程中需要共享的数据，例如除复权类型、股票代码、目标数量等。1、使用VBA开发策略时，参数固化的问题会带来一些限制，比如无法修改MA函数的周期参数，只能使用固定周期。

木头大左的博客 1698

PyMuPDF为PDF文件添加注释

我将介绍如何使用PyMuPDF库来为PDF文件添加注释，包括文本注释、高亮注释、下划线注释等15种注释的使用方法。

布啦啦 2244

Redis—安装与配置

安装与配置

roydon 9435

【Basis】Lumerical licence center 无法连接的问题

端口，我们需要确认该端口是否被其他程序占用。这里我们将介绍如何处理这一问题。后，今天电脑更新后我无法打开。终结占用该端口的程序后再次打开。

u011699626的博客 314

Redis的安装及配置

Redis的部署和配置详解

chenhuyu7的博客 1461

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Redis安装配置

文章讲解了redis的安装配置相关操作！

2403_85375987的博客 1100

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

redis的安装及lnmp+redis配置

关系型数据库（RDBMS）： 非关系型数据库（NoSQL）： 一、Redis 1、安装redis及初始化配置 [root@host50 ~]# ls redis-4.0.8.tar.gz [root@host50 ~]# yum -y install gcc [root@host50 ~]# tar -zxvf redis-4.0.8.tar.gz [root@host50 ~]# cd...

liuxe1990的博客 1392

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

【Redis】Redis 的安装与配置（Redis 的安装、启动和停止、相关配置、客户端、配置文件配置项详解）

Redis 的安装与配置（Redis 的安装、启动和停止、相关配置、客户端、配置文件配置项详解）

emmmm..... 6507

REDIS安装与配置

redis安装与配置

AiTTTTTT的博客 2891

【Redis】Linux下安装配置及通过C++访问Redis

【Redis】Linux下安装配置及通过C++访问Redis

m0_62714628的博客 1361

Redis 在 Linux 系统下的安装与配置详细教程

Linux。

2301_82266863的博客 1321
上一篇： Gradle的安装和IDEA集成、项目导入
下一篇： Spring框架学习系列（一）：Spring简介
点赞 94
评论 2
书签 书签 95
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

RabbitsInTheGrass

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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