Nginx

nginx反向代理、负载均衡、nginx软件平滑升级 nginx反向代理;nginx 虚拟主机配置;nginx 访客 IP ⿊名单;nginx 七层负载均衡;nginx 四层负载均衡;nginx软件平滑升级; 阅读详情

nginx优势

1、支持5W高并发连接
2、内存消耗少
3、成本低
4、开源

下载

官网下载http://nginx.org/en/download.html
版本nginx-1.16.0
将文件上传至CentOS中/usr/local/nginx下并解压

tar -vzxf nginx-1.16.0.tar.gz

安装

1、安装到指定目录 (安装目录:/usr/local/nginx)
默认安装到/usr/local/nginx

./configure --prefix=/usr/local/nginx

2、执行安装命令

make & make install

3、启动停止
启动:默认为NGINX_HOME/conf/nginx.conf

./usr/local/nginx/sbin/nginx

也可指定nginx.conf文件启动,启动nginx -c 表示指定

./nginx -c /usr/local/nginx/conf/nginx.conf 

发送信号的方式

kill -QUIT  进程号
kil -TERM  进程号

停止nginx

./nginx -s stop  

退出nginx

./nginx -s quit   

重新加载nginx.conf

./nginx -s reload  

安装过程中若出现以下问题
缺少pcre的依赖
缺少openssl的依赖

yum install pcre-devel
yum install openssl-devel
yum install zlib-devel

Nginx核心配置

nginx的核心配置文件中的三个段
Main、 Event 、 Http

Nginx的日志配置

access_log日志记录
nginx中两个配置日志语句:log_format 设置日志格式 ; 另外是access_log

access_log  格式
logo声明   路径及文件名 日志标识

nginx日志切割
crontab
mv access.log access.log.20171206
kill -USR1 Nginx 主进程号 让nginx重新生成一个日志文件access.log

location的语法和匹配规则

location [~|=|^~|~*] /uri {
	 
}

location的匹配规则
1、精准匹配

location=/uri{}

优先级最高的匹配规则

2、一般匹配

location /uri{
}

普通匹配的优先级要高于正则匹配
如果存在多个相同的前缀的一般匹配,最终会按照最大长度来做匹配

rewrite的使用

Rewrite通过ngx_http_rewrite_module模块支持url重写、支持if判断,但不支持else
rewrite功能,使用nginx提供的全局变量或自己设置的变量,结合正则表达式和标志位实现url重写以及重定向rewrite只能放在server{},location{},if{}中,并且只对域名后边的除去传递的参数外的字符串起作用

常用指令

If 空格 (条件) {设定条件进行重写}

条件的语法:

  1. “=” 判断相等,用于字符比较
  2. “~” 正则匹配(表示区分大小写),“~*” 不区分大小写
  3. “-f -d -e” 判断是否为文件、目录、是否存在

return 指令

语法:

return code;

停止处理并返回指定状态码给客户端。

if ($request_uri ~ *\.sh ){
  return 403
}

set指令

语法:

set variable value; 

定义一个变量并复制,值可以是文本、变量或者文本变量混合体

rewrite指令

语法:

rewrite regex replacement [flag]{
	last / break/ redirect 返回临时302/ permant  返回永久302
}

last: 停止处理后续的rewrite指令集、 然后对当前重写的uri在rewrite指令集上重新查找
break: 停止处理后续的rewrite指令集 ,不会重新查找
如:

location /{
	rewrite '^/images/([a-z]{3})/(.*)\.(png|jpg)$' /csdn?file=$2.$3;
	set $image_file $2;
	set $image_type $3;
}
location /csdn{
	root html;
	try_files /$arg_file /image404.html;
}
location =/image404.html{	
	return 404 "image not found exception";
}

如上配置:
/images/ttt/test.png 会重写到/csdn?file=test.png, 匹配到 location /csdn;
通过try_files获取存在的文件并进行返回。由于文件不存在所以直接返回404错误

rewrite匹配规则

表面看rewrite和location功能有点像,都能实现跳转,主要区别在于rewrite是在同一域名内更改获取资源的路径,而location是对一类路径做控制访问或反向代理,可以proxy_pass到其他机器。通常情况下rewrite也会写在location里,它们的执行顺序是:

  1. 执行server块的rewrite指令
  2. 执行location匹配
  3. 执行选定的location中的rewrite指令如果其中某步URI被重写,则重新循环执行1-3,直到找到真实存在的文件;循环超过10次,则返回500 Internal Server Error错误

浏览器本地缓存配置及动静分离

语法:

expires 60s|m|h|d

操作步骤

  1. 在html目录下创建一个images文件,在该文件中放一张图片
  2. 修改index.html, 增加<img src=”图片”/>
  3. 修改nginx.conf配置。配置两个location实现动静分离,并且在静态文件中增加expires的缓存期限

Gzip压缩策略

浏览器请求 --> 告诉服务端当前浏览器可以支持压缩类型–>服务端会把内容根据浏览器所支持的压缩策略去进行压缩返回–>浏览器拿到数据以后解码;
常见的压缩方式:gzip、deflate 、sdch

server {
	listen 80;
	server_name localhost;
	gzip on;
	gzip_buffers 4 16k;
	gzip_comp_level 7;
	gzip_min_length 500;
	gzip_types text/css text/xml application/javascript;

	location /{
		root html;
		index index.html index.htm;
	}
	location ~ \.(png|jpg|js|css|gif)$ {
		root html/images;
		expires 5m;
	}
}

是否开启gzip压缩

Gzip on|off 

设置系统获取几个单位的缓存用于存储gzip的压缩结果数据流。
4 16k代表以16k为单位,安装原始数据大小以16k为单位的4倍申请内存。

Gzip_buffers 4 16k

压缩级别, 级别越高,压缩越小,但是会占用CPU资源

Gzip_comp_level[1-9] 

正则匹配UA 表示什么样的浏览器不进行gzip

Gzip_disable 

开始压缩的最小长度(小于多少就不做压缩)

Gzip_min_length 

表示开始压缩的http协议版本

Gzip_http_version 1.0|1.1 

nginx 做前端代理时启用该选项,表示无论后端服务器的headers头返回什么信息,都无条件启用压缩

Gzip_proxied  

对那些类型的文件做压缩 (conf/mime.conf)

Gzip_type text/pliain,application/xml  

是否传输gzip压缩标识

Gzip_vary on|off  

注意点

  1. 图片、mp3这样的二进制文件,没必要做压缩处理,因为这类文件压缩比很小,压缩过程会耗费CPU资源
  2. 太小的文件没必要压缩,因为压缩以后会增加一些头信息,反而导致文件变大
  3. Nginx默认只对text/html进行压缩 ,如果要对html之外的内容进行压缩传输,需要手动来配置

Nginx反向代理

Proxy_pass
通过反向代理把请求转发到百度

server{
	listen 80;
	server_name www.youkuaiyun.com
	location =/s {
		proxy_pass http://www.baidu.com;
	}
}

Proxy_pass 既可以是ip地址,也可以是域名,同时还可以指定端口
Proxy_pass指定的地址携带了URI,前面的配置[/s],那么这里的URI将会替换请求URI中匹配location参数部分;如上代码将会访问到http://www.baidu.com

负载均衡

upstream是Nginx的HTTP Upstream模块,这个模块通过一个简单的调度算法来实现客户端IP到后端服务器的负载均衡

Upstream常用参数介绍

语法:

server address [parameters]

其中关键字server必选。
address也必选,可以是主机名、域名、ip或unix socket,也可以指定端口号。
parameters是可选参数,可以是如下参数:
down:表示当前server已停用
backup:表示当前server是备用服务器,只有其它非backup后端服务器都挂掉了或者很忙才会分配到请求
weight:表示当前server负载权重,权重越大被请求几率越大。默认是1
max_fails和fail_timeout一般会关联使用,如果某台server在fail_timeout时间内出现了max_fails次连接失败,那么Nginx会认为其已经挂掉了,从而在fail_timeout时间内不再去请求它,fail_timeout默认是10s,max_fails默认是1,即默认情况是只要发生错误就认为服务器挂掉了,如果将max_fails设置为0,则表示取消这项检查。

upstream tomcatserver{
	server 192.168.241.202:8080;
	server 192.168.241.203:8080 weight=4;
}

ups支持的调度算法
ip_hash 根据ip的hash值来做转发
默认是轮询机制
权重 weight=x
fair 根据服务器的响应时间来分配请求
url_hash

示例(将202,203服务器进行负载均衡)

server{
	listen 80;
	server_name www.youkuaiyun.com
	location =/s {
		proxy_pass http://tomcatserver;
	}
}

upstream tomcatserver{
	server 192.168.241.202:8080;
	server 192.168.241.203:8080 weight=4;
}

nginx卸载

进入/usr/local/nginx/sbin安装目录执行停止mingl

cd /usr/local/nginx
./nginx -s stop

查找根目录下包含nginx的文件并删除

find / -name nginx

rm -rf /文件路径或mv命令(建议)

nginx设置了开机启动处理

chkconfig nginx off
rm -rf /etc/init.d/nginx
Nginx完全指南(一):安装Nginx etc/nginx/conf.d/目录包含默认的HTTP服务器配置文件,其中以.conf结尾的文件都包含在/etc/nginx/nginx.conf文件的顶层http代码块中。/etc/nginx/nginx.conf文件是NGINX守护进程使用的默认配置入口点。在默认配置中,/etc/nginx/nginx.conf文件包括顶层http代码块,也就是上下文,它提供了下述目录中的所有配置文件。/etc/nginx/目录是NGINX服务器的默认配置根,你可以从中找到指示NGINX如何运行的配置文件。 阅读详情

相关推荐

nginx 配置 - nginx设置 - Nginx开机启动

1.简易安装nginx: ./configure --sbin-path=/usr/local/nginx/nginx --conf-path=/usr/local/nginx/nginx.conf --pid-path=/usr/local/nginx/nginx.pid 2.进入/usr/lib/systemd/system目录下,编写nginx.service文件: [Unit] Desc...

爱上编程已很久 2110

nginx配置解析模块分析

nginx配置解析模块分析       nginx提供配置文件供用户方便的定义nginx的行为,通过修改配置项可以指定nginx进程工作模块,指定log的输出方式,指定如何处理用户请求等等。ngx_conf_module模块提供ngx_conf_parse函数在nginx启动过程中被调用来解析配置文件,它读取配置文件内容并将配置项交由指定的模块处理,如将http配置项交由ngx_http_mo

linux专栏 2365

Linux内网使用docker启动nginx或者直接使用nginx

本文详细介绍了在服务器上使用Docker部署Nginx的完整流程。首先说明如何安装Docker环境,包括下载、解压、配置系统服务等步骤。然后指导拉取Nginx镜像并打包成tar文件,上传到服务器加载。接着详细讲解Nginx容器的启动、配置挂载点、端口映射等操作,包括如何拷贝容器内配置文件到宿主机。文章还提供了常用Docker命令总结和注意事项,如自启动配置、多端口映射等。最后介绍了直接安装Nginx的替代方案,包括gcc、g++、zlib等依赖库的安装步骤。两种部署方式都给出了详细的命令和配置说明。

m0_71959549的博客 4686

Nginx常用命令

一、Nginx常用基本命令 1、启动Nginx服务器命令: 去到sbin路径:cd /usr/local/nginx/sbin 启动Nginx服务器: ./nginx 2、查看Nginx版本号命令: ./nginx -v 或 ./nginx -V 运行结果: 3、查看Nginx进程命令: ps aux|grep nginx 运行结果: 4、检查Nginx配置文件是否正确命令: ./nginx -t 运行结果: 指定检测特定Nginx配置文件:-.

GyaoG的专栏 4万+

ngx-mapbox-gl:mapbox-gl-js的角度绑定

ngx-mapbox-gl 角度包装器。 它公开了许多易于与Angular结合使用的组件。 v1.X:Angular 5和6(rxjs 5) v2.X:Angular 6和7(rxjs 6) v3.X:Angular 7.2 v4.X:Angular 8-10(rxjs> = 6.5) 包括以下组件: 具有内置控件的 control: 刻度 全屏 mgl归属 mglGeolocate 导航 mglGeocoder(请参阅“ @ mapbox / mapbox-gl-geocoder”) 如何开始 npm install ngx-mapbox-gl mapbox-gl yarn add ngx-mapbox-gl mapbox-gl 如果使用打字稿,请添加mapbox-gl类型 npm install @types/mapbox-gl --save-dev yarn add @types/mapbox-gl --dev 加载mapbox-glCSS(如果使用mglGeocoder则加载mapbox-gl-geocoder mglGeocoder ) 例如,使用angul

Ubuntu 22.04蓝牙开关秒关?别慌,可能是这个Intel固件文件在搞鬼

本文深入解析Ubuntu 22.04蓝牙开关秒关问题,指出Intel固件文件缺失是常见原因,并提供详细修复方案。通过确认硬件型号、检查固件文件及智能替代方案,帮助用户快速解决蓝牙故障,提升系统稳定性。

weixin_30247307的博客 755

centOS 7 中安装nginx

nginx的安装的准备工作-安装依赖1.安装nginx前需要安装以下几个依赖# yum install gcc-c++# yum install -y pcre pcre-devel# yum install -y zlib zlib-devel# yum install -y openssl openssl-devel2.下载nginx安装包并上传Linux系统中下载地址:http://ngin...

a_liuge的博客 451

【Qt实战项目】记事本完整项目

效果图如下所示: 全部代码如下: #include “notepad.h” #include int main(int argc, char *argv[]) { QApplication a(argc, argv); MainWindow w; w.showMaximized(); return a.exec(); }

YIZHILIUSHA2020的博客 575

mysql导出mingl_Mysql 常用命令二

三、Mysql命令操作(插入、删除、更新)# mysqldump -u wcnc -p smgp_apps_wcnc > wcnc.sqlMysql导出数据库一个表# mysqldump -u 用户名 -p 数据库名 表名> 导出的文件名# mysqldump -u wcnc -p smgp_apps_wcnc users> wcnc_users.sqlMysql导出一个数据库结...

weixin_30222083的博客 613

从零到一:手把手教你用Python+LangChain搭建企业级RAG知识库(附避坑指南)

本文为开发者提供了一份详尽的实战指南,手把手教你使用Python和LangChain框架从零构建企业级RAG知识库。内容涵盖环境搭建、文档处理、向量化检索、提示工程及生产部署等核心环节,并重点分享了文档分割、检索优化等关键避坑经验,旨在帮助读者打造稳定、高效且易于维护的智能知识中枢。

weixin_29058331的博客 398

vivado下ECO操作-不重新综合实现修改属性并生成.bit

ECO即engineer change order,即工程变更指令,可以对设计做局部小改动并只对改动部分重新布局布线并生成.bit。在一个工程动辄编译几个小时情况下,可以在调试中节省大量时间。比如我们在调试中,需要改变时钟占空比或者相位,需要改变寄存器初值等等,此时用ECO暂时改动,待验证后在重新编译无疑是最有效率的方法。 实现ECO通常有两种方式,一是通过vivado界面完成,另一种方法就是tcl脚本。所有的ECO操作都可以通过tcl操作完成,有的操作用vivado界面无法完成,只能通过tcl。以下主要

4656

yum安装nginx,编译安装nginx

安装nginx

Peter1617的博客 4221

深度解析快递柜管理系统的C++实现:设计与实现

本文详细介绍了一个基于C++的快递柜管理系统的设计与实现,包括系统需求分析、架构设计、数据库设计、关键功能模块实现和测试与验证。通过详细的代码示例和理论分析,读者可以全面了解如何开发一个完整的快递柜管理系统。希望本文能够为读者在实际项目开发中提供有价值的参考。

m0_57781768的博客 713

nginx文件和目录以及部分nginx命令

etc/nginx/conf.d/ 目录包含默认的 HTTP 服务器配置文件,其中以 .conf 结尾的 文件都包含在 /etc/nginx/nginx.conf 文件的顶层 http 代码块中。/var/log/nginx/ 目录是 NGINX 的默认日志位置,您可以从中找到一个 access.log 文件和 error.log 文件。/etc/nginx/ 目录是 NGINX 服务器的默认配置根,可以从中找到指示 NGINX 如何运行的配置文件。nginx -t 测试 NGINX 配置。

qq_52676760的博客 4590

unity 腾讯地图sdk移动和缩放代码

unity 腾讯地图sdk 实现移动端 缩放 和 移动

。。。。。 1282

如何通过单步调试的方法,找到 SAP Gateway 到底把 Fiori 应用发送的 OData 请求,投递到哪一台 ABAP 后台服务器了?

这是一个 Count 请求,得到服务器响应的数据是 204,这个 204 会以数字的形式,显示在 Fiori Launchpad tile 上。那如果当前 Gateway 系统可以连接到多台 ABAP 后台服务器,比如下图所示,可以连接 SAP S/4HANA,ERP 或者 SAP CRM,我怎么知道 SAP UI5 应用上显示的数据,到底来自哪一台 ABAP 后台服务器呢?,就是上图 ABAP 调试器里断点停留的位置,即 SAP Frontend 服务器,通过 RFC 将 OData 请求投递给。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 640

【Nginx】nginx隐藏版本号

在实际运用nginx中我们最好将我们的版本号直接隐藏,因为有些版本号的nginx被爆出了漏洞,所以我们为了安全起见,最好将我们的版本号隐藏。 1.对于未安装的nginx我们使用源码编译安装才可以将版本号和web服务器名称都更改掉。 我们需要进入我们的源码包的目录 编辑以下配置文件scr/core/nginx.conf 1 #define NGINX_VERSION "1.10.2" 2 #define NGINX_VER "nginx/" NGINX_VERSION 我将以上的两个配置文件修改.

姜太小白的博客 9612

基于Simulink的永磁同步电机力位混合控制(导纳+位置)仿真

本文详细介绍了基于Simulink的永磁同步电机(PMSM)力位混合控制系统实现方法。主要内容包括:1) 通过导纳控制原理(二阶质量-阻尼-弹簧模型)实现机器人柔顺控制;2) 在Simulink中构建虚拟环境、导纳控制器、PMSM驱动系统等完整框架;3) 针对曲面恒力打磨场景,实现20N恒力跟踪(RMS误差1.2N)和位置顺应;4) 支持纯位置/导纳/恒力三种工作模式切换;5) 提供系统性能评估指标和高级扩展功能。该方案显著提升了机器人环境交互的安全性和适应性,适用于精密装配、人机协作等应用场景。

xiaoheshang_123的博客 145

nginx配置开机启动/usr/local/nginx/sbin/nginx

Nginx 是一个很强大的高性能Web和反向代理服务器。虽然使用命令行可以对nginx进行各种操作,比如启动等,但是还是根据不太方便。设置开机自启动。 首先,在linux系统的/etc/init.d/目录下创建nginx文件,使用如下命令: vim /etc/init.d/nginx 在脚本中添加如下命令: #!/bin/sh # # nginx - this script starts and stops the nginx daemon # # chkconfig: - 85 15 # descri

三朝看客 1万+

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!

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

windows下nginx的安装及使用

本文介绍了Windows系统下Nginx的安装与基础使用方法。主要内容包括:1. 下载稳定版Nginx并解压;2. 通过双击或命令行启动Nginx;3. 验证启动成功的方法(访问localhost或查看进程);4. 修改监听端口和配置文件热更新;5. 两种关闭Nginx的方式(命令停止或强制终止进程);6. 配置负载均衡(通过proxy_pass转发请求并设置权重);7. 静态资源配置方法(指定本地目录映射)。文章提供了常用命令和配置示例,适合快速掌握Nginx的基本操作。

ywl470812087的博客 11万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

从 Ingress-NGINX Controller 迁移至 NGINX Ingress Controller

本文介绍了从社区版Ingress-NGINX Controller迁移到F5提供的NGINX Ingress Controller的两种方法:使用NGINX自定义资源或Kubernetes原生Ingress资源。文章详细对比了两者在SSL终止、TCP/UDP负载均衡、金丝雀部署、流量控制等方面的配置差异,并提供了具体的资源转换示例。迁移后可以充分利用NGINX Plus的高级功能,如会话保持、mTLS认证等。文档摘自《Kubernetes Ingress Controller Deployment and

NGINX开源社区的博客 1895

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")

Nginx学习之Nginx高性能的实现原理

Nginx master-worker进程机制。IO多路复用机制。Accept锁及REUSEPORT机制。sendfile零拷贝机制1、Nginx进程机制1.1、Nginx进程机制概述许多web服务器和应用服务器使用简单的线程的(threaded)、或基于流程的(process-based)架构, NGINX则以一种复杂的事件驱动(event-driven)的架构脱颖而出,这种架构能支持现代硬件上成千上万的并发连接。

人工智能全栈工程师 | 智能算法研发与实战落地​专注于人工智能算法研究、代码实现与工程落地,提供从模型设计到部署应用的全流程解决方案。 2348

查看nginx是否启动_keepalived+nginx高可用nginx存活检测

摘要:Keepalived可以用来防止服务器单点故障的发生,通过配合NGINX可以实现web 前端服务的高可用,但目前多个项目使用keepalived搭建软负载时,与NGINX相互独立,未实现两者的相互关联。keepalived中添加NGINX存活监测模块可实现keepalived配合NGINX高可用。关键词(知识库热搜词):高可用 存活监测1案例背景•现有项目使用软负载的情况下,kee...

weixin_39860636的博客 2093

Nginx windows下nginx启动bat脚本和安装

nginx.bat @ECHO OFF SET NGINX_DIR=E:\VMS\nginx-1.8.0\ #此处放加压目录 color 0a TITLE Nginx Management GOTO MENU :MENU CLS ECHO. ECHO. * * * * Nginx Management * * * * * * * * * * * ECHO. * * EC...

m0_38068812的博客 6764

讲解 Ingress-NGINX 的源码

讲解 Ingress-NGINX 的源码也非常有意义。它是在我们刚才讨论的 NGINX 源码之上的一个更高层次的封装,完美地展示了如何将一个强大的数据平面(NGINX)与一个现代的控制平面(Kubernetes API)相结合。如果你已经理解了 NGINX 的基本原理,那么理解 Ingress-NGINX 会容易很多。首先,要明确 Ingress-NGINX 不是 NGINX 的一个分支或重写。它是一个独立的程序,其核心使命是:充当 Kubernetes 的 Ingress 控制器(Controller)。

u011091936的博客 1246
上一篇: 多线程按顺序打印1 ~ 25,A ~ Z
下一篇: 线程安全之Synchronized
l_learning
博客等级 码龄8年 15粉丝 82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