nginx.org的beginner's guide页面翻译

Matlab实现使用遗传算法的混合能源系统优化.rar 立即下载

本指南给出的Nginx基本介绍和描述了一些简单的可以用它来完成的任务。假定nginx已经安装在了读者的机器上。如果没有,查看 安装 页面。本指南介绍了如何启动和停止nginx和加载其配置,解释了配置文件的结构,并描述如何设置nginx,服务静态内容,如何配置Nginx作为代理服务器,以及如何同FastCGI应用程序连接。


Nginx有一个主进程和多个工作进程。主程序的主要目的是读取和评估配置,调度工作进程。工作进程来处理真实的请求。Nginx采用基于事件的模型和操作系统依赖性机制有效分配请求到各个工作进程。工作进程的个数在配置文件中定义,可以固定为一个给定的值或自动调整到可用的CPU内核的数量(参照 worker_processes 配置)。


nginx以及它的模块的工作方式由配置文件决定。默认情况下,配置文件名为nginx.conf,位于/usr/local/nginx/conf,/etc/nginx或/usr/local/etc/nginx。


开启,停止,重载配置

启动nginx,运行可执行文件。一旦nginx启动,可传递 -s 选项,调用可执行文件来控制nginx。使用如下的语法:

nginx -s signal

signal参数,可以是下面其中的一个:

  • stop - 快速停止
  • quit - 友好的停止
  • reload - 重载配置文件
  • reopen - 重新打开日志文件

例如:等待所有的工作进程结束当前的请求链接,再停止nginx进程,可执行:

nginx -s quit(这个命令应该是:之前启动nginx的用户调用)

修改的配置并不会生效,只有当重载了配置文件或者重新启动nginx,重载配置,可执行:

nginx -s reload

一旦主进程接收到了重新加载配置的信号,它会检查新的配置文件的语法有效性,并尝试应用在它提供的配置。新的配置应用成功,主进程启动新的工作进程,并发送消息给旧的工作进程,要求他们关闭。否则,主进程回滚更改的配置,并将继续使用旧的配置工作。旧的工作进程,接收到关闭的命令,停止接受新的连接,并继续服务当前的请求链接,直到所有这些请求被处理完毕,然后旧进程关闭。

使用Unix的工具,例如:kill命令。也可以向nginx进程发送signal。在这种情况下,一个signal直接发送给一个给定了进程ID的进程。默认,nginx的主进程的进程ID写在 “nginx.pid” 文件,位于 “/usr/local/nginx/logs” 或者 “/var/run”。例如:主进程ID是1628,发送 “QUIT” signal,令nginx友好的关闭,执行:

kill -s QUIT 1628

获取所有正在运行的nginx的进程列表,使用 “ps” 命令,例如:

ps -ax | grep nginx

查看更多发送signals给nginx的信息,查看 “Controlling nginx”。

配置文件结构

Nginx由模块组成,模块由配置文件中指定的指令控制。指令被划分为简单指令和指令块。

简单指令,由指令名和参数组成,使用空格分隔,并以一个分号(;)结尾。

指令块,有和简单指令相同的结构,不同的是,不是以分号结尾,而是以大括号(“{}”)包围的一组附加的指示替代。如果指令块的大括号中,包含其他指令,它被称作 “上下文”(context),例如:events,http,server和location指令。

配置文件中,在任意的上下文(context)之外的指令,被认为在 “主上下文”(main context)。events&http指令在 “主上下文”,server指令在 “http上下文”,location指令在 “server上下文”。

每行中,在“#”后面的其余部分,作为注释

提供静态内容

web服务器的一个重要任务是提供文件(例如:图片或静态HTML页面)。你要实现的一个例子是:根据请求,从本地不同的目录提供文件:/data/www(可能包含HTML文件)&/data/images(包含图片)。这需要编辑配置文件,配置一个 “server” 指令块,在 “http” 指令块中。“server”中包含两个 “location” 指令块。

首先,创建/data/www目录,并创建一个index.html文件(任意内容)& 创建/data/images目录,放几张图片。

接着,打开配置文件。默认的配置文件,已经包含几个“server”指令块的实例,大部分是注释的。现在,注释掉所有这些“server”指令块,并创建一个新的“server”指令块:

http {
    server {
    }
}

通常,配置文件可能包含几个“server”块,它们的区别在于:监听的端口号和服务器名称(server_names)。一旦nginx决定哪个“server”块处理请求,它会尝试“请求header的详细URI”,与“server”块中的 “location”指令进行匹配。

添加下面的”location“指令块到”server“指令块中:

location / {
    root /data/www;
}

”location“块指定的”/“前缀与请求URI进行比较。为了匹配请求,URI将被添加到”root“指令指定的path(/data/www),组成本地文件系统的请求文件路径。如果匹配到好几个”location“块,nginx选择一个最大前缀匹配。上面我们的示例”location“块,提供了一个最短的前缀,只有当所有其他的”location“块匹配失败,才会使用这个最短的”location“块。

接下来,添加第二个”location“块:

location /images/ {
    root /data;
}

它将匹配已”/image“开头的请求(”location /“也匹配到了这些请求,但是它更短,前面说了nginx会选择最长的匹配)

最后,”server“块的配置结果如下(合并了之前的几步):

server {
    location / {
        root /data/www;
    }

    location /images/ {
        root /data;
    }
}
这已经是一个监听标准80端口的”server“块的工作配置,在本地机器上,可使用”http://localhost“来访问。为了响应以”/images“开头的URI请求,服务器将从”/data/images“目录下发送文件。例如:请求”http://localhost/images/example.png“,nginx将发送”/data/images/example.png“文件。如果该文件不存在,nginx将发送一个”404错误“响应。没有以”/images/“开头的请求,将会被定位到”/data/www“目录。例如:请求“http://localhost/some/example.html”,nginx将发送“/data/www/some/example.html”文件。

为了应用新的配置,nginx未启动,则启动nginx;nginx已启动,则发送“reload”signal给nginx的主进程,执行:

nginx -s reload

某些情况下,并未像我们希望的那样工作,你可以尝试在“/usr/local/nginx/logs”或“/var/log/nginx”目录中的“access.log”&“error.log”文件,找到原因。

配置一个简单的代理服务器

nginx的一个频繁的使用方式是:配置成一个代理服务器。代理服务器是,接收客户端请求,再发送这些请求到目标服务器,目标服务器将响应发送给代理服务器,代理服务器接收到响应后,再发送响应给客户端。

我们配置一个基础的代理服务器,图片请求,仍从本地目录获取,非图片请求转发给一个被代理的服务器(目标服务器)。在这个例子中,2个服务器将被定义在一个nginx实例上。

首先,添加一个另外的“server”块,到nginx的配置文件,定义“被代理的服务器”(目标服务器),如下内容:

server {
    listen 8080;
    root /data/up1;

    location / {
    }
}
这是一个监听在8080端口的简单服务器,映射所有请求到本地文件系统的”/data/up1“目录。创建该目录,并生成一个index.html文件。注意:”server“指令块中,包含了”root“指令。当请求匹配到的”location“块中,没有”root“指令时,使用外层的”server“定义的root指令。

下一步,使用上一小节的”server“配置,修改它作为代理服务器配置。在第一个”location“块,写入“proxy pass”指令,包含:协议,主机名,端口号。

server {
    location / {
        proxy_pass http://localhost:8080;
    }

    location /images/ {
        root /data;
    }
}
修改第二个“location”块,使其匹配典型文件后缀的图片请求。(目前映射的是以”/images/“为前缀的请求,到”/data/images“目录。)

location ~ \.(gif|jpg|png)$ {
    root /data/images;
}
这个参数是一个正则表达式,匹配所有以 ”.git|.jpg|.png“结尾的URI。匹配到的请求,将会映射到“/data/images”目录。

当nginx选择了一个“location”块,响应一个请求。首先会检查“locatoin”指令指定的前缀,记住最大前缀的“location”块,然后检查正则。如果有一个正则匹配,nginx使用正则匹配的“location”,否则,nginx使用先前记住的“最大前缀”的location块。

最终的代理服务器的配置结果如下:

server {
    location / {
        proxy_pass http://localhost:8080/;
    }

    location ~ \.(gif|jpg|png)$ {
        root /data/images;
    }
}
这个服务器,将过滤以”.gif|.jpg|.png“结尾的请求,映射到”/data/images/”,传递所有其他的请求给上面的代理服务器配置。

应用新的配置,发送“reload”signal给nginx:nginx -s reload

有很多其他的指令,用于进一步配置代理服务器,查看:代理服务器模块。

配置一个FastCGI代理

nginx可被用来,路由请求给FastCGI服务器,该类服务器运行各种框架和编程语言构建的应用,例如:PHP

FastCGI服务器,可工作的最基本的nginx配置,包含:使用“fastcgi_pass”指令代替“proxy_pass”指令,同时,“fastcgi_params”指令,用来设置“FastCGI服务器“的参数。假设FastCGI服务器在”location:9000“上是可访问的。又在之前的代理服务器的”server“块,进行修改配置。在PHP里,”SCRIPT_FILENAME“参数用于确定脚本的名字,”QUERY_STRING“参数传递请求的参数。最终的配置如下:

server {
    location / {
        fastcgi_pass  localhost:9000;
        fastcgi_param SCRIPT_FILENAME $document_root$fastcgi_script_name;
        fastcgi_param QUERY_STRING    $query_string;
    }

    location ~ \.(gif|jpg|png)$ {
        root /data/images;
    }
}
配置的服务器,将路由所有的非静态图片请求到一个监听在”localhost:9000“的代理服务器上,通过”FastCGI协议“






基于斜坡补偿的Buck电路峰值电流+电压电流双闭环控制【附说明文档】(Simulink仿真实现)优快云首页发布文章优快云同步助手LLC谐振变换器开环+闭环软启动仿真设计(Simulink 内容概要:本文围绕三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开仿真研究,提出了一种基于上下电容电压差值补偿的中点电位平衡策略。该策略在传统电压电流双闭环PI控制的基础上,引入电容电压差值作为反馈信号,通过SVPWM调制中冗余小矢量的时间分配实现中点电荷的定向调节,从而在不改变主控制结构的前提下有效抑制中点电位偏差。仿真结果表明,该方法不仅确保直流母线电压稳定跟踪800V给定值,还能显著提升上下电容电压的均衡度,同时保持输入电流低谐波水平,验证了控制策略的可行性和有效性。; 适合人群:电力电子、电气自动化及相关专业的研究生、科研人员及工程技术人员,具备一定的MATLAB/Simulink仿真基础和电力电子拓扑知识背景者更佳。; 使用场景及目标:①掌握三电平VIENNA整流器的工作原理与中点电位波动的成因;②理解电压电流双闭环PI控制的设计要点与参数整定原则;③学习基于差值补偿的中点电位平衡控制策略及其与SVPWM的协同机制;④应用于充电桩、航空电源、通信电源等中大功率单向整流场合的控制系统设计与优化。; 阅读建议:建议结合文中提供的仿真模型与参数设置进行动手实践,重点关注中点电位平衡投入前后电容电压波形的变化,对比分析不同工况下的系统动态响应,深入理解控制策略的作用机理。同时可进一步探索在电网不平衡、轻载等复杂工况下的控制性能,以拓展应用场景。 立即下载

相关推荐

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文针对“自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标”开展研究,提出一种基于Matlab的仿真方法,实现多机器人在动态环境中对移动目标的协同包围与持续跟踪。该方法综合考虑了机器人的运动学约束与传感器的视线(visibility)限制,设计了分布式控制策略与自适应编队算法,能够在复杂环境下有效维持编队结构的稳定性和任务执行的鲁棒性。研究详细阐述了系统建模过程、控制律设计原理、编队形成与保持机制,并通过Matlab代码实现了完整的仿真验证,展示了算法在不同动态场景下的适应能力与性能优势; 适合人群:具备机器人学、自动控制理论、多智能体系统等相关基础知识,熟悉Matlab编程语言,从事智能系统、协同控制、路径规划与自主导航等方向的研究生、科研人员及工程技术人员; 使用场景及目标:①应用于安防监控、环境探测、灾害救援等场景中的多机器人目标围捕与跟踪任务;②为多智能体协同控制、分布式编队保持、避障与可见性维护等关键技术提供可复现的算法框架与仿真平台;③辅助高校与科研机构在相关领域的教学演示与科研创新,深化对自适应控制与分布式协同机制的理解; 阅读建议:建议读者结合提供的Matlab代码逐模块分析其实现逻辑,重点关注控制律设计、约束处理与自适应机制部分,可通过调整机器人数量、目标轨迹、传感器参数等进行扩展性实验,以深入掌握多机器人协同系统的动态行为与优化方法。

Nginx配置文件翻译简解

#定义Nginx运行的用户和用户组 user www www;   #nginx进程数,建议设置为等于CPU总核心数。 worker_processes 8;   #全局错误日志定义类型,[ debug | info | notice | warn | error | crit ] error_log ar/loginx/error.log info;   #进程文件 pid

Perfectao的博客 713

patch_1.23.0.2584_game_No6.android.pak

patch_1.23.0.2584_game_No6.android.pak

nginx 301 将不带www域名,重定向到www域名

对运维这边不了解,一般网站访问,为了简单,使用不带 www 访问,例如: www.baidu.com 直接通过 baidu.com 进行访问 所以,自己的网站也这样访问。偶然发现,不带www 和 带www,完全登录了2个不同的账号,才觉得异常,搜索下,才了解到区别。 一般处理这个,需要将 '不带www' 301重定向到 '带www': apache: RewriteCond %{...

beyond__devil的博客 1万+

数据库存储分层架构搭建:热数据 SSD 存储、冷数据归档的配置操作及性能对比分析

本文探讨了数据库存储分层架构的优化策略。随着数据量激增,传统单一存储模式面临成本与性能的平衡难题。文章提出通过热数据SSD加速和冷数据归档降本的分层方案,系统分析了热数据SSD配置、冷数据归档操作及性能对比。分层架构基于数据活跃度匹配存储介质,使热数据保持高性能访问,冷数据低成本存储,实现总体成本降低60%-80%的同时确保核心查询性能。文中详细介绍了硬件选型、数据库配置、数据迁移等技术细节,并强调了动态调整分层策略的重要性,为构建高效经济的数据库存储体系提供了完整解决方案。

jingjing45678的博客 1294

机器学习项目(四)疫情期间网民情绪识别 (一)

疫情期间网民情绪识别 赛题背景 2019新型冠状病毒(2019-nCoV)感染的肺炎疫情发生对人们生活生产的方方面面产生了重要影响,并引发国内舆论的广泛关注,众多网民参与疫情相关话题的讨论。为了帮助政府掌握真实社会舆论情况,科学高效地做好防控宣传和舆情引导工作,本赛题针对疫情相关话题开展网民情绪识别的任务。 数据介绍 训练集 10万条 无标记样本90万条 测试集1万条 数据集依据与“新冠肺炎”相关...

qq_33357094的博客 8972

Certbot 生成 ssl 证书

certbot 是用来申请 Let's Encrypt 免费 SSL 证书 一般的免费 SSL 证书,好像都是使用 Let's Encrypt 颁发的证书。官网地址: https://letsencrypt.org/ Let's Encrypt 使用 ACME 协议来认证我们域名,并颁发证书。要获取 Let's Encrypt 证书,我们需要选择一个 ACME 客户端软件。官方推荐的是 C...

beyond__devil的博客 8026

基于DE2-115红外解码实验

基于DE2-115红外解码实验   一、   功能描述 在同一个遥控电路中通常要使用实现不同的遥控功能或区分不同的机器类型, 这样就要求信号按一定的编码传送,编码则会由编码芯片或电路完成。对应于编码芯片通常会有相配对的解码芯片或包含解码模块的应用芯片。在实际的产品设计或业余电子制作中,编码芯片并一定能完成我们要求的功能,这时我们就需要了解所使用的编码芯片到底是如何编码的。只有知道编码方式,我...

乘风的博客 2517

canvas跨域完美解决,微信头像解决跨域

现在前端技术发展的越来越快,很多图片合成这种耗费服务器性能的,都可以移动到前端进行了合成了。而且合成很方便,我们利用 canvas 可以实现好多东西。 自动打算利用前端来合成图片,在网上就找到了 html2canvas,大家可以试试,很简单。 前端 canvas 经常会遇到 『图片跨域』 的问题。 项目中,最典型的例子是: 将微信头像,通过 canvas 来合成图片 之前的做法一直是,...

beyond__devil的博客 6076

过程挖掘(Process Mining)1——始于颜值

下周开始每周1-2篇的过程挖掘分享 过程挖掘是什么? 过程挖掘与过程管理的关系? 过程挖掘与数据挖掘的关系? 管理学还是计算机科学?

hyhy12580的博客 6236

【python】import pandas as pd用法

是 Python 里最常用的数据分析库之一。 的意思是:导入 pandas 库,并给它起个别名 。这样用起来更简洁: 下面总结 pandas 的常见用法(配例子)。目录🔹 1. 数据结构(1) Series(一维数据,类似于数组 + 标签)(2) DataFrame(二维数据表,类似于 Excel 表格)🔹 2. 数据读写🔹 3. 数据查看🔹 4. 数据选择与索引🔹 5. 数据清洗🔹 6. 数据运算🔹 7. 数据筛选(布尔索引)🔹 8. 分组与聚合🔹 9. 排序 Pandas 常用方

2401_86285609的博客 1535

OpenSSL 生成 ssl 证书

openssl 可以生成证书,但只是 "自制证书",我们自己来使用。 因为我们生成的证书,不被各种浏览器认可,所以一般用于本机来测试。 openssl 的介绍: https://segmentfault.com/a/1190000014963014 openssl 生成证书参考文章: https://blog.csdn.net/joyous/article/details/806599...

beyond__devil的博客 4127

Python 爬虫实战:华尔街见闻精选文章爬取(反反爬 + 投资情绪分析)

Python 爬虫实战:华尔街见闻精选文章爬取(反反爬 + 投资情绪分析)

yansideyucsdn的博客 970

PHPExcel导入15M的Excel表到数据库,出现nginx:504 gateway timeout

PHPExcel导入15M的Excel表到数据库,出现nginx:504 gateway timeout! PHPExcel导入数据,太尼玛耗内存了! 看了下官方文档,5M的数据,就得占5G的内存,这不是开玩笑么。。所以,参照官方的文档,使用chunk块上传,内存减少了,但是会消耗更长的时间。 测试了下,3万的数据,每次读去3000行,花费了204s,内存大约130M。 之前出现了:ngi

beyond__devil的博客 4086

数控系统(CNC)系列:Hurco VMX42SR_(3).控制系统硬件组成部分

控制箱是CNC系统的核心部分,负责处理所有的控制指令和数据。它通常包含主控板、电源模块、接口板等关键组件。伺服驱动器是CNC系统中的关键组件,负责将主控板发出的控制信号转换为电机所需的驱动电流。它通过闭环控制确保电机的精确运动。电机是CNC系统中的执行机构,负责实现主控板发出的运动指令。常见的电机类型包括步进电机和伺服电机。传感器是CNC系统中的重要组件,用于检测和反馈机床的运行状态。常见的传感器类型包括位置传感器、速度传感器、温度传感器等。电源供应系统为CNC系统的所有组件提供电力。主电源。

2401_87715305的博客 1281

uniapp | vue2 | vue3 - 解决调用天地图功能服务时 http 网络请求报错 net::ERR ABORTED 503(Service Temporarily Unavailabl)

vue,uni-app,天地图,请求报错,503,请求失败,map.tianditu,天地图503,天地图请求503,接口503错误怎么办,vue天地图,uniAPP天地图,获取定位接口服务器报错503,获取当前定位,定位功能,IP属地定位,天地图服务器报错,如何解决报错,net::ERRABORTED503(ServiceTemporarilyUnavailabl),GET,POST,服务暂时不可用,react天地图,一直等待吗,报错怎么办,定位报错,轨迹,经纬度,天地图服务器503,在vue2

🏆 前端领域优质创作者 4440

nginx.org的Configuring HTTPS servers页面翻译

国庆期间,抽时间翻译。英文水平太差,翻译太费劲了。。。 英文文档对应页面:Configuring HTTPS servers 配置https服务 为了配置https服务,必须开启 "server"块的 "listen" 指令的 "ssl" 参数,并且需要指定 "server_certificate" 和 "private_key" 文件位置: server { listen

beyond__devil的博客 1400

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

nginx.org的Logging to syslog页面翻译

英文文档对应页面:Logging to syslog “error_log” 和 “access_log” 指令,支持日志记录到 “系统日志”(syslog)。下面是配置参数: server=address 定义了 “系统日志服务器”(syslog server)地址。地址可以被指定为以下几种方式: 域名或IP,以及一个可选的端口号 UNIX的socket路径,以“unix:

beyond__devil的博客 1085

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

nginx.org的How nginx processes a TCP/UDP session页面翻译

英文文档对应页面:How nginx processes a TCP/UDP session nginx如何处理一个TCP/UDP session 一个来自客户端的TCP/UDP session,依次经过下列处理阶段: post-accept     第一个阶段在nginx接收客户端请求后。在这个阶段,调用 "ngx_stream_realip_module" 模块。

beyond__devil的博客 954

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

nginx.org的about页面翻译

nginx(engine X),是一个HTTP服务器,反向代理服务器,邮件代理服务器,以及一般的TCP/UDP代理服务器。作者是:Igor Sysoev。很长一段时间,它被运行在俄国的一些大型网站上。网络调查发现:截止2016年9月,27.6%的商业网站使用nginx服务或代理。 基本HTTP服务特性(基本配置项,很多不做翻译了) 提供静态和索引文件(index配置),打开的文件描述符

beyond__devil的博客 801

nginx的Setting up hashes页面翻译

为了快速处理静态数据设置,例如:服务器名称,”map“指令的值,MIME类型,请求头字符串的名称,nginx使用了hash表。在启动和每次重新配置阶段,nginx选择尽可能小尺寸的hash表,存储同一hash值的键的bucket size 不能超过配置参数设定的值(hash bucket size)。hash表的尺寸是由”buckkets“表示的。尺寸会一直调整,知道表的尺寸超过了hash的最大参

beyond__devil的博客 724

nginx的controlling nginx页面翻译

nginx可以通过signals控制。默认,nginx主进程的进程ID写入“/usr/local/nginx/logs/nginx.pid”文件中。在配置阶段,这个名字可以被修改,或者在“nginx.conf”配置文件中,使用“pid”指令。 主进程支持下面的signals: TERM, INT - 快速关闭QUIT - 友好的关闭HUP - 修改配置,保持一个时区的改变(仅FreeB

beyond__devil的博客 661

nginx.org的Server names页面翻译

英文文档对应页面:Server names 主机名 服务器名称被定义用于 “server_name” 指令,决定了请求将使用哪一个 “server”块。可以使用 “准确的名称”,“通配符名称”,“正则表达式名称” 来定义服务器名称: server {     listen       80;     server_name  example.org  www.example.or

beyond__devil的博客 625

nginx的Connection processing methods页面翻译

nginx支持各种连接处理方法。一个方法是否可用,依赖于使用的平台。在支持几个方法的平台上,nginx通常会自动选择效率最高的方法。然而,如果需要的话,可以使用”use“指令,明确选择一个连接处理方法。 下面是支持的连接处理方法: select - 标准方法。在缺少更有效的方法的平台上,select模块会自动创建。”--with-select_module&--without--sel

beyond__devil的博客 577

nginx.org的A debugging log页面翻译

英文文档对应页面:A debugging log 启用调试日志(debugging log),在安装时,nginx需要配置,以支持调试: ./configure --with-debug 之后,在 “error_log” 指令中,应该设置 “debug级别”(debug level) error_log /path/to/log debug; 验证nginx是否已经配置了,支

beyond__devil的博客 541
上一篇: nginx.org的about页面翻译
下一篇: nginx的controlling nginx页面翻译
beyond__devil
博客等级 码龄14年 147粉丝 314原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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
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