Linux安装php扩展memcache

本文详细介绍如何安装Memcached及其PHP扩展memcache,包括安装步骤、配置方法等关键信息。

    mecache是一个自由和开放源代码、高性能、分配的内存对象缓存系统,用于加速动态web程序,减轻数据库负载。它可以应对任意多个链接,使用非阻塞的网络IO,它的工作机制是在内存中开辟一块空间,然后建立一个HashTable,Memcached自管理这些HashTable。
    在安装之前,首先需要说明的是,memcache与memcached的区别,memcache是客户端的扩展,memcached是服务端。

    php扩展memcache的作用是为了支持
memcached数据库缓存服务器,下面是安装方法。

    1、下载并解压memcache文件
  1. wget -c http://pecl.php.net/get/memcache-3.0.6.tgz
  2. tar xzvf memcache-3.0.6.tgz
  3. cd memcache-3.0.6

    2、执行phpize扩展安装程序,假设phpzie的路径为/usr/local/php/bin/phpize,具体的路径得根据自己的环境修改。

  1. /usr/local/php/bin/phpize

    3、开始安装扩展memcache

  1. ./configure --enable-memcache --with-php-config=/usr/local/php/bin/php-config --with-zlib-dir
  2. make && make install

    4、最后修改php.ini文件,在zend之前加入如下代码。

  1. [memcache]
  2. extension_dir = "/usr/local/php/lib/php/extensions/no-debug-non-zts-20060613/"
  3. extension=memcache.so
    下面 安装memcached,装memcached首先需要安装libevent,如果是centOS可以yum安装,

      #yum install libevent-devel

    如果不支持yum的系统,可以这样装libevent
     # cd /usr/local/src 
    # wget http://www.monkey.org/~provos/libevent-1.4.12-stable.tar.gz # tar vxf libevent-1.4.12-stable.tar.gz # cd libevent-1.4.12 
    # ./configure --prefix=/usr/local/libevent # make && make install

接续安装

memcached

接续安装memcached 
     # cd /usr/local/src
     # wget   http://cloud.github.com/downloads/saberma/saberma.github.com/memcached-1.4.4.tar.gz
     # tar vxf memcached-1.4.4.tar.gz # cd memcached-1.4.4
     # ./configure --prefix=/usr/local/memcached # make && make install 

安装完后启动memcached并分配32m内存(32为使用内存数,可按自身情况修改) 
/usr/local/memcached/bin/memcached -d -m 32 -l 127.0.0.1 -p 11211 -u root 
将memcached加入启动项 # vi /etc/rc.d/rc.local 按键盘上的 i 开始编辑 在最后加入 
/usr/local/memcached/bin/memcached -d -m 32 -l 127.0.0.1 -p 11211 -u root 
按Esc键,再输入 
:wq 保存退出 
如果需要,可以reboot一下,不过不用reboot应该已经生效~ 


内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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