Centos7下安装php-redis扩展及简单使用

centOS下安装php7及扩展 先介绍一下我使用的环境,是centOS7.4 之前的安装PHP我都是下载PHP安装包文件,解压编译安装,扩展也是编译安装,再把生成的.so文件保存在PHP的扩展文件夹下才能使用,这次我发现了一种能超级简便好用的安装方式。 大家都知道使用yum install命令安装,如果直接yum install php,安装的PHP版本是5.6,要安装高版本的PHP,其实也可以用yum install命令直... 阅读详情

前言:

在本篇博客中,我将给大家介绍如何在Centos7上安装PHP-Redis扩展以及一些简单的实用,关于如何在Centos上安装redis的,可以参考我的上一篇博客Redis在Centos7上的安装部署

想要在php中操作redis,那就必须安装php-redis扩展,就比如MySQL一样,php想要操作mysql数据库的话,就必须安装mysql扩展,只是在php安装中就默认安装了mysql扩展了。

步骤一:下载解压

下载:https://github.com/nicolasff/phpredis/archive/2.2.4.tar.gz 
我们把源码包放在一个具体的目录下是一个好习惯,现在我把该源码包放在 /usr/local/src 里边

[lsgozj@localhost ~]# cd /usr/local/src
[lsgozj@localhost src]# wget https://github.com/nicolasff/phpredis/archive/2.2.4.tar.gz
 
  • 1
  • 2
  • 1
  • 2

下载完毕之后,解压:

[lsgozj@localhost src]# tar -zxvf 2.2.4.tar.gz
//进入解压后的目录
[lsgozj@localhost src]# cd phpredis-2.2.4

 
  • 1
  • 2
  • 3
  • 4
  • 1
  • 2
  • 3
  • 4

步骤二:编译安装

1、到了这一步,我们要使用安装php时生成的phpize来生成configure配置文件

[lsgozj@localhost phpredis-2.2.4]# /usr/local/php/bin/phpize (或 /usr/bin/phpize) 
//具体用哪个要取决于你的phpize文件所在的目录,这时你应该用 whereis phpize 来查看路径 
 
  • 1
  • 2
  • 1
  • 2

执行完上一步,我们就有了 configure 配置文件了。

2、配置

[lsgozj@localhost phpredis-2.2.4]# ./configure --with-php-config=/usr/local/php/bin/php-config  #配置
 
  • 1
  • 1

其中 php-config 和 phpize 所在的目录是相同的,比如上面我用 /usr/bin/phpize,则在这一步我用 ./configure --with-php-config=/usr/bin/php-config (其实如果你的php是默认安装路径的话,直接 ./configure 就可以了,个人而言吧)

3、编译安装

[lsgozj@localhost phpredis-2.2.4]# make            #编译
[lsgozj@localhost phpredis-2.2.4]# make install #安装
 
  • 1
  • 2
  • 1
  • 2

步骤三:配置php支持

配置php的配置文件php.ini(具体放在那里可以用 whereis php.ini 来查看),我的配置文件php.ini在/etc/下

[lsgozj@localhost phpredis-2.2.4]# vim /etc/php.ini
//编辑php.ini,在最后一行(或者搜索extension_dir所在行的下一行,这样把扩展配置放在一起是个好习惯嘛)添加一下内容
extension="redis.so"
 
  • 1
  • 2
  • 3
  • 1
  • 2
  • 3

保存退出

步骤四:重启apache服务器,使配置生效

[lsgozj@localhost phpredis-2.2.4]# systemctl restart httpd.service
 
  • 1
  • 1

[lsgozj@localhost phpredis-2.2.4]# systemctl restart nginx

重启完之后,检查是否安装完成php-redis扩展

[lsgozj@localhost phpredis-2.2.4]# echo "<?php echo phpinfo() ?>">>/home/www/index.php(这里web目录如果没改的话是在 /var/www/html/)
 
  • 1
  • 1

在浏览器地址栏输入 127.0.0.1,查看php扩展,如果有以下图片所示,则表示安装成功: 
这里写图片描述

步骤五:redis在php中的简单使用

其实redis和mysql是没什么两样,同是数据库,(redis是非关系数据库,mysql是关系数据库),因此使用也是差不多的,同样具有命令行使用和php操作使用,关于redis的命令行形式大家可以自行百度。

<?php

    $redis = new Redis();//实例化redis类
    $redis->connect('127.0.0.1',6379);//redis连接,这里127.0.0.1是本地服务器,因为该php文件和所连的redis数据库同在一台主机上,6379是redis的默认端口,可以省略
    $redis->set('name','lsgogroup');//设置缓存值
    echo $redis->get('name');//获取缓存值
    $reids->setex('name',3600,'lsgogroup');//设置缓存值得有效时间为1小时
    $redis->del('name');//手动删除缓存   

?>
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

redis命令远不止上面所说的,这里只做简单的使用

声明:由于一开始不怎么开始本博客,因此参考了网上好几篇博客和慕课网,这里就不再给出原地址了。http://blog.youkuaiyun.com/baidu_30000217/article/details/51481138

Centos7+php7.4安装redis5,配置redis扩展 安装完成后进入/usr/local/redis/bin目录,会有redis服务程序redis-server和redis测试程序redis-cli。这种启动方式适用的是默认配置,就和在window下启动一样,关掉窗口redis服务就会关闭,所以我们需要配置redis在后台运行。从 redis 的源码目录中复制 redis.conf 到 redis 的安装目录。----查找php-config的位置。----查看redis.so是否存在。----寻找php.ini所在到目录。----查看php.ini的内容。 阅读详情

相关推荐

LINUX(CentOS 7) php7.4安装redis以及php-redis扩展

CentOS 7下PHP7.3安装redis扩展1.安装phpize2.下载、解压、编译Redis3.解压php7.zip总结 1.安装phpize yum -y install php73-php-devel 2.下载、解压、编译Redis cd /usr/local/src wget http://download.redis.io/releases/redis-4.0.6.tar.gz tar -zxvf redis-4.0.6.tar.gz cd redis-4.0.6 ./configure -

muwenbofx的博客 4813

在CentOS 8上安装PHP、Redis和phpredis

本教程介绍了如何通过默认的CentOS 8软件包管理器DNF来安装PHP扩展phpredis。它还将介绍在CentOS 8上PHP 7.4和Redis的安装。 PECL(PHP扩展社区库)是C扩展的存储库,这些C扩展直接加载到PHP中。PHP扩展扩展了PHP的功能。可以使用pecl命令安装PECL扩展。软件包存储库还提供了PHP扩展。使用哪个的决定通常取决于如何安装PHP。 步骤1:安装PHP 7.4 CentOS 8提供了PHP 7.2和PHP 7.3以便在默认存储库中进行安装。PHP 7.2将在6

allway2的博客 2205

CentOS7安装redis数据库及php-redis扩展

redis 首先把redis安装到服务器中 1.wget http://download.redis.io/redis-stable.tar.gz 下载redis源码 2. tar xvzf redis-stable.tar.gz 解压 3.cd redis-stable 4.make   make的时候可能出现问题,我的就出现了异常 异常一:

飞越蓝天的专栏 2283

liunx php redis扩展,CentOS 7下安装php-redis扩展及简单使用

前言:在本篇文章中,我将给大家介绍如何在CentOS7上安装PHP-Redis扩展以及一些简单的实用,关于如何在Centos上安装redis的,可以参考想要在php中操作redis,那就必须安装php-redis扩展,就比如MySQL一样,php想要操作mysql数据库的话,就必须安装mysql扩展,只是在php安装中就默认安装了mysql扩展了。步骤一:下载解压下载:https://github...

weixin_29644109的博客 176

php7 php-redis.dll x86-64-ts-nts 4个dll

php7 对应的win下的php-redis扩展。 php7目录下有php7.dll的选择nts版本;有php7ts.dll的选择ts版本。

深入解析安卓性能分析工具systrace/atrace的使用技巧与实战场景

本文深入解析了安卓性能分析工具systrace/atrace的核心使用技巧与实战场景。文章澄清了环境搭建的常见误区,详细拆解了命令参数,并通过列表卡顿、启动优化等具体案例,手把手指导开发者利用这些工具精准定位性能瓶颈,提升应用流畅度。

yyy34的博客 240

centos下php安装redis,Centos7下安装php-redis扩展及简单使用

我们把源码包放在一个具体的目录下是一个好习惯,现在我把该源码包放在 /usr/local/src 里边[lsgozj@localhost ~]# cd /usr/local/src[lsgozj@localhost src]# wget https://github.com/nicolasff/phpredis/archive/2.2.4.tar.gz下载完毕之后,解压:[lsgozj@local...

weixin_39983223的博客 336

NuPlayer 之 Renderer

触发postDrainAudioQueue_l()或postDrainVideoQueue()开始渲染。解码器输出数据 → NuPlayer::Decoder::onMessageReceived。音频数据存入mAudioQueue,视频数据存入mVideoQueue。• 每次写入后通过mNotifyConsumed通知解码器。• 通过AudioSink::write()写入音频设备。• 根据VSync信号和音频时钟调整渲染时机。• 通过Surface直接提交给显示系统。

aningxiaoxixi的博客 308

Centos7上安装PHP-Redis扩展以及一些简单的实用

在本篇博客中,我将给大家介绍如何在Centos7上安装PHP-Redis扩展以及一些简单的实用,关于如何在Centos上安装redis的,可以参考我的上一篇博客 Redis在Centos7上的安装部署 想要在php中操作redis,那就必须安装php-redis扩展,就比如MySQL一样,php想要操作mysql数据库的话,就必须安装mysql扩展,只是在php安装中就默认安装了mysql扩

pantain的博客 334

UE5高斯泼溅落地全链路:从PLY导入到实时渲染的工程实践

3D高斯泼溅(3D Gaussian Splatting)正从NeRF后处理技术演进为新一代隐式几何渲染范式,其核心在于以可微椭球体替代传统三角面片,通过协方差矩阵与球谐系数实现高质量体素化渲染。该技术突破点云精度瓶颈,但与UE5现有资产管线存在根本性不兼容——静态网格导入器无法解析scale/rot/sh系数等非标顶点语义,标准光栅化管线亦无法执行高斯核采样计算。XV3DGS-UEPlugin通过自定义资产类型、StructuredBuffer GPU数据流与专用材质节点,将高斯泼溅重构为可编辑、可LOD

weixin_33692177的博客 357

卡诺图化简法

目录 1.学前需要了解知识点 2.卡诺图(karnaugh map) 3.逻辑函数的卡诺图化简法 4.总结 1.学前需要了解知识点 最小项的定义 最小项的表示方法 最小项的相邻性 最小项的定义:一个函数的某个乘积项包含了函数的全部变量,其中每个变量都以原变量或反变量的形式出现,且仅出现一次,则这个乘积项称为该函数的一个标准积项,通常称为最小项。 最小项的表示方法:通常用来表...

hahasusu的专栏 17万+

CentOS 7下安装php-redis扩展及简单使用

前言: 在本篇文章中,我将给大家介绍如何在CentOS7上安装PHP-Redis扩展以及一些简单的实用,关于如何在Centos上安装redis的,可以参考 Redis在CentOS 7上的安装部署http://www.linuxidc.com/Linux/2017-05/143312.htm 想要在php中操作redis,那就必须安装php-redis扩展,就比如MySQL一样,php想...

weixin_30621919的博客 109

用 SQL Trace 透视 SAP HANA 执行链路:从会话层到内部语句,一次把性能问题抓个现行

摘要:SAP HANA 的 SQL Trace 是性能分析和故障定位的关键工具,它记录会话层所有执行的 SQL 语句。文章解释了 SQL Trace 的工作原理、使用场景和配置方法,包括图形界面和 SQL 命令两种启用方式。重点讨论了存储过程内部语句的捕获问题,指出需要通过设置 internal 参数才能获取过程体中的详细 SQL 语句。文章还提供了实用的排查建议,强调要精准控制 Trace 范围,避免生成过大文件。最后通过真实案例展示了如何利用 SQL Trace 快速定位性能问题。(149字)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1042

linux 安装redis

http://www.centoscn.com/image-text/config/2016/0525/7252.html

赵公子&的博客 263

在实车上进行lio-sam测试

PS:将雷达和imu相对固定后,拆下来,原地晃啊晃,直到xyz进度达到百分百,参考gif。标定完成后,会在result文件夹下生成result.txt。

如果想成为中心,那么就到中心去吧。 997

C#实现低通和高通滤波算法

低通滤波器允许通过低于某个截止频率的信号成分,并且抑制高于该频率的成分。而高通滤波器则允许通过高于某个截止频率的信号成分,并抑制低于该频率的成分。巴特沃斯滤波器是一种对称的滤波器,具有平坦的幅度响应和最小的群延迟。低通和高通滤波是数字信号处理中常用的滤波技术,用于滤除或增强信号中的特定频率成分。在本篇文章中,我们将使用C#编程语言来实现低通和高通滤波算法。以上就是使用C#实现低通和高通滤波算法的示例代码。你可以根据自己的需求调整截止频率和采样率,将这些代码应用于你的项目中。是滤波器的截止频率,

XisVisual_Basic的博客 1274

jclasslib插件_IDEA安装jclasslib 插件查看字节码详解

window安装phpredis扩展window安装phpredis扩展 1.查看当前php信息 2.从下面地址下载对应版本的个扩展 https://windows.php.net/downloads/pecl/releases/igbinary/ https://windows.php.net/downloads/pecl/snaps/redis/ 我这里只要下载支持 vc15 ts x64 7...

weixin_32945435的博客 292

CKA-题库-简洁参考答案-反复练习20遍-必过!!!

新版CKA考试已于2020年9月1日正式上线! 考试模式:线上考试 考试时间:2小时 认证有效期:3年 软件版本:Kubernetes v1.19 重考政策:可接受1次重考 经验水平:中級 题目数量:17题 题库量小:随机的题目重复率极高 考试时可打开两个浏览器Tab,一个是考试窗口,一个用来查阅官方文档](https://kubernetes.io/docs/) 01 Task - 英文 Create a new ClusterRole named deployment-clusterrole tha.

随笔记录-分享&记忆 7317

centos7 php7安装redis扩展

环境 linux centos7 php7.1 一、下载安装包 下载地址: http://pecl.php.net/package/redis [root@localhost ~]# wget -c http://pecl.php.net/get/redis-4.2.0.tgz 二、解压安装包 [root@localhost ~]# tar -zvxf redis-4.2.0.tgz ...

Cywanp的博客 3388

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

CentOS7 Yum安装Redis5以及PHP的Redis扩展

重新整理了一下安装redis5.0.4以及PHP的redis扩展过程。 #1 相关信息说明 阿里云服务器CentOS7 已安装LNMP环境 安装的Redis版本为5.0.4 #2 查看当前可安装的Redis版本 yum update ##先将各个源的RPM包列表进行更新 yum list | grep redis 我安装时官网最新的稳定版本为5.0.5,但此时系统中最新的稳定版...

MYXuu的博客 7561

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

CentOS nginx+php7.0下安装Redis及Redis的PHP扩展

1、安装Redis 1.1 如果没有安装wget,安装wge yum install wget 1.2 在http://redis.io/download页面查看redis版本,并下载安装(注意可以切换最新版本安装,这里以3.2.0版本为例) wget http://download.redis.io/releases/redis-3.2.0.tar.gz 1.3 解压,并进入解压目录进行编译。编译成功后会在redis-3.2.0目录下生成相关文件 $ tar xzf redis-3.

u010227042的博客 1506

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")

上一篇: CentOS7安装和配置FTP
下一篇: centos7下yum安装mysql
csdn265
博客等级 码龄11年 109粉丝 10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