宝塔/本地 nginx负载均衡配置

宝塔安装的TENGINE(NGINX)添加FAIR模块实现自动负载均衡 阅读详情
AI摘要

本文详细介绍了负载均衡的概念,强调了其在处理高并发和分担重负载运算中的作用。Nginx作为一个高性能的HTTP和反向代理服务器,常用于实现负载均衡。文章还讲解了Nginx的配置结构,包括全局块、events块、http块、server块和location块,并给出了实际的配置示例,展示了如何通过Nginx进行反向代理和端口配置。此外,文中还提到了Nginx的负载均衡策略,如轮询、权重分配等。

什么是负载均衡

1)负载均衡(Load Balance)建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。负载均衡有两方面的含义:首先,大量的并发访问或数据流量分担到多台节点设备上分别处理,减少用户等待响应的时间;其次,单个重负载的运算分担到多台节点设备上做并行处理,每个节点设备处理结束后,将结果汇总,返回给用户,系统处理能力得到大幅度提高。
2)简单来说就是:其一是将大量的并发处理转发给后端多个节点处理,减少工作响应时间;其二是将单个繁重的工作转发给后端多个节点处理,处理完再返回给负载均衡中心,再返回给用户。目前负载均衡技术大多数是用于提高诸如在Web服务器、FTP服务器和其它关键任务服务器上的Internet服务器程序的可用性和可伸缩性。

什么是Nginx?

Nginx (engine x) 是一个高性能的HTTP和反向代理web服务器,同时也提供了IMAP/POP3/SMTP服务。Nginx是由伊戈尔·赛索耶夫为俄罗斯访问量第二的Rambler.ru站点(俄文:Рамблер)开发的,第一个公开版本0.1.0发布于2004年10月4日。2011年6月1日,nginx 1.0.4发布。
其特点是占有内存少,并发能力强,事实上nginx的并发能力在同类型的网页服务器中表现较好,中国大陆使用nginx网站用户有:百度、京东、新浪、网易、腾讯、淘宝等。在全球活跃的网站中有12.18%的使用比率,大约为2220万个网站。
Nginx 是一个安装非常的简单、配置文件非常简洁(还能够支持perl语法)、Bug非常少的服务。Nginx 启动特别容易,并且几乎可以做到7*24不间断运行,即使运行数个月也不需要重新启动。你还能够不间断服务的情况下进行软件版本的升级。
Nginx代码完全用C语言从头写成。官方数据测试表明能够支持高达 50,000 个并发连接数的响应。

Nginx的作用?

nginx能做反向代理,那么什么是反向代理呢,举个栗子,我想在本地使用 www.xxx.com 的域名去访问 www.taobao.com。那么这个时候我们就可以通过nginx去实现。
  再者,nginx能实现通过统一域名进入各个分支项目,nginx对请求进行分发,使访问请求达到均衡的目的,解决单台服务器压力。
nginx可以解决跨域问题,也可作为隔离层。

了解Nginx配置文件的整体结构

在这里插入图片描述

在这里插入图片描述
a.全局块

该部分配置主要影响全局Nginx:

配置运行参数:Nginx服务器用户组 woeker process数 Nginx进程PID存放路径 错误日志的存放路径配置文件的引入

b.events 块

该部分配置主要影响Nginx 服务器与用户的网络连接: 设置网连接的序列化书否允许同时接收多个网络连接事件驱动模型的选择最大的连接数的配置

c.http块

定义MIMI-Type自定义服务日志允许sendfile方式传输文件连接超时时间单连接请求数上限

d.server块

配置网络监听

1.基于端口的虚拟主机配置

2.基于名称的虚拟主机配置

3.基于ip的虚拟主机配置

e.location块

location配置请求根目录配置更改location 的URL 网络默认首页配置

我们可以直接在宝塔上进行nginx的安装,宝塔上nginx和apache不能并存,当我们在宝塔上安装完nginx后可以直接去进行相关的配置

在这里插入图片描述

在这里插入图片描述

server
    {
        listen 8081;
        server_name 175.24.123.153;
        index index_8081.html;
        root  /www/server/phpmyadmin;

        #error_page   404   /404.html;
        include enable-php.conf;

        location ~ .*\.(gif|jpg|jpeg|png|bmp|swf)$
        {
            expires      30d;
        }

        location ~ .*\.(js|css)?$
        {
            expires      12h;
        }

        location ~ /\.
        {
            deny all;
        }

        access_log  /www/wwwlogs/access.log;
    }
    
    server
    {
        listen 8082;
        server_name 123.207.211.151;
        index index_8082.html ;
        root  /www/server/phpmyadmin;

        #error_page   404   /404.html;
        include enable-php.conf;

        location ~ .*\.(gif|jpg|jpeg|png|bmp|swf)$
        {
            expires      30d;
        }

        location ~ .*\.(js|css)?$
        {
            expires      12h;
        }

        location ~ /\.
        {
            deny all;
        }

        access_log  /www/wwwlogs/access.log;
    }
    
    
    
  

include /www/server/panel/vhost/nginx/*.conf;


upstream myServer {   

    server  175.24.123.153:8081;

    server  175.24.123.153:8082 weight=10;
    
    server  123.207.211.151:8080 weight=5;

}

server {
	listen 8080;
	listen [::]:8080;
	server_name _;
	location / {
		proxy_pass     http://myServer;
		proxy_set_header	Host		$host;
		proxy_set_header	X-Read-IP		$remote_addr;
		proxy_set_header	X-Forwarded-For	$proxy_add_x_forwarded_for;
}
}

}

然后我们应该去系统默认访问的文件夹中去设置指定默认访问的文件名

在这里插入图片描述

当我们给我们设置的服务指定了端口号之后要进行端口的开放

在这里插入图片描述

节点说明:
一、在http节点里添加:

定义负载均衡设备的 Ip及设备状态
upstream myServer {

server 127.0.0.1:9090 down; 
server 127.0.0.1:8080 weight=2; 
server 127.0.0.1:6060; 
server 127.0.0.1:7070 backup; 

}

二、在需要使用负载的Server节点下添加

proxy_pass http://myServer;

upstream 每个设备的状态:

1、down 表示当前的server暂时不参与负载
2、weight 默认为1.weight越大,负载的权重就越大。
3、max_fails :允许请求失败的次数默认为1.当超过最大次数时,返回proxy_next_upstream 模块定义的错误
4、fail_timeout:max_fails 次失败后,暂停的时间。
5、backup: 其它所有的非backup机器down或者忙的时候,请求backup机器。所以这台机器压力会最轻。

软件负载均衡软件有Nginx、LVS、HaProxy等是目前使用最广泛的三种负载均衡软件。

nginx 的 upstream目前支持 4 种方式的分配
1)、轮询(默认)
  每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除。
2)、weight
  指定轮询几率,weight和访问比率成正比,用于后端服务器性能不均的情况。
3)、ip_hash
  每个请求按访问ip的hash结果分配,这样每个访客固定访问一个后端服务器,可以解决session的问题。
4)、fair(第三方)
  按后端服务器的响应时间来分配请求,响应时间短的优先分配。
5)、url_hash(第三方)

在这里插入图片描述

配置不同的ip服务,配置方式是一样的,然后只要在upstream myServer中连接一下就好了

在这里插入图片描述

然后就是本地的负载均衡的配置

在服务器上安装Nginx

进行配置
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

只要路径写对,结合到项目中也可以使用本地ip127.0.0.1+端口号进行访问

在这里插入图片描述

在这里插入图片描述

server{
	listen	8081;
	server_name   _;
	location / {
	     root   ../../www/month6;
	   index  index_8081.html  index_8081.php;
	}
     }  

server{
	listen	8082;
	server_name   _ ;
	location / {
	     root   html;
	   index  index_8082.html;
	}
     }  

server{
	listen	8083;
	server_name    _ ;
	location / {
	     root   html;
	   index  index_8083.html;
	}
     }  
upstream myServer {
	server 127.0.0.1:8081 weight=1;
	server 127.0.0.1:8082 weight=1;
	server 127.0.0.1:8083 weight=1;
}

server {
	listen 8080;
	listen [::]:8080;
	server_name _;
	location / {
		proxy_pass     http://myServer;
		proxy_set_header	Host		$host;
		proxy_set_header	X-Read-IP		$remote_addr;
		proxy_set_header	X-Forwarded-For	$proxy_add_x_forwarded_for;
}
}

最后启动小皮,关闭apache

硅谷刷屏的ClawdBot,让Mac mini卖爆了!创始人爆料:一人开发、100% AI 写代码 这两天,个人 AI 助手 ClawdBot 席卷硅谷,国内外社交平台上全是关于它的讨论。 在试用后,网友们纷纷给出了很高的评价。“它是迄今为止最伟大的 AI 应用,相当于你 24 小时全天候专属 AI 员工。”Creator Buddy 创始人兼 CEO Alex Finn 盛赞道,“这就是他们 (Anthropic) 希望 Claude Cowork 呈现的样子。” 阅读详情

相关推荐

Vue2项目实战:海康威视WEB无插件开发包V3.4从下载到多画面预览(附完整代码)

本文详细介绍了在Vue2项目中集成海康威视WEB无插件开发包V3.4实现多画面监控预览的完整实战方案。内容涵盖从开发包下载、Nginx代理配置、核心组件封装到多画面并发加载与性能优化的全流程,并提供了完整的代码示例,帮助开发者高效解决浏览器无插件播放与多路视频流加载的难题。

c7d8e9的博客 320

堡塔负载均衡使用教程

本次负载均衡的教程以WordPress博客案例来写,大致架构如图(最小可用架构) 服务器分配: 192.168.1.190为主节点+数据库服务器 192.168.1.191为WordPress节点1 192.168.1.192为WordPress节点2 访问流程:用户访问负载均衡主节点-----根据算法分配到节点1或节点2 负载均衡配置步骤:1、在192.168.1.190服务器上安装好建站环境,我这里的建站环境是CentOS7.9,Nginx1.21,MySQL5.7,PHP8.0,建站源码是一键部署中的

吴大锤的专栏 3236

基于深度学习实现实时视频目标检测

实时视频目标检测是计算机视觉领域的研究热点之一,其应用场景包括智能监控、自动驾驶、机器人视觉等多个领域。深度学习技术的快速发展使得实时视频目标检测变得更加可行和准确。本文提出一种基于深度学习实现的实时视频目标检测系统,使用Python和OpenCV作为开发工具,具有高效、准确和实时的特点。 本系统的主要需求是实现实时视频目标检测功能,可以在不同的应用场景中使用。具体的需求如下:2.1 视频输入本系统需要从摄像头或视频文件中获取实时视频流,并对视频流中的目标进行检测和跟踪。2.2 目标检测本系统需要使用深度学

分享毕业设计的案例和论文 1940

宝塔Nginx负载均衡教程

准备宝塔安装宝塔Nginx每个服务器都要有一样的数据开始第一步创建一个指向服务器本身的localhost站点(127.0.0.1)和一个指向服务器的站点,域名和IP都可以.第二步对域名站点配置:选中这些然后复制粘贴下面的代码,记得修改域名和根目录文件名upstream myproj { server 127.0.0.1:81 weight=1;}复制粘贴一份,然后进行两个server配置,分别指向需要负载均衡的两个服务器站点。}配置结束然后记得重启Nginx就这样,就能成功负载均衡了。

源码客栈的博客 2456

「极简」扣子(coze)教程 | 细节决定成败!这个小功能让用户满意度飙升,讲的太细了

这一期大师兄通过向扣子(coze)应用添加提示语的方法向用户显示系统运行的状态。

u014527622的博客 2111

R 语言 ggplot2 绘制精美高级全球地图

在本教程中,我们将学习如何使用R语言和ggplot2包绘制精美高级地图。ggplot2是一个功能强大的数据可视化包,它可以让我们创建漂亮、交互式的地图。我们将使用R中的一些其他包来处理地理空间数据,以便与ggplot2无缝协作。

Mrrunsen的博客 1866

Linux系统,宝塔面板如何实现负载均衡详解

2.配置反向代理服务器:进入反向代理服务器的配置文件,一般为/etc/nginx/nginx.conf或/etc/httpd/conf/httpd.conf,根据负载均衡的策略配置upstream和server。需要注意的是,负载均衡需要至少两台服务器才能实现,同时需要保证服务器之间的数据同步和负载均衡策略的稳定性。对于高负载的网站,还需定期监测服务器状态和负载均衡情况,及时做出调整。3.设置负载均衡策略:常见的负载均衡策略有轮询、IP哈希、最小连接数等,根据实际需求选择合适的策略。

高性价比服务器就选:蓝易云 2220

Qt实现思维导图功能1『核心树』

利用Qt的QGraphicsView框架实现思维导图功能 百度网盘体验地址: 链接:https://pan.baidu.com/s/15x9F48agCDOQbsyH3VwVXA 提取码:8svh 注:UI风格参考博主:前行中的小猪,博文地址:https://blog.youkuaiyun.com/GoForwardToStep/article/details/124692790?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_u

浮生流年的博客 6161

宝塔部署 (多个服务器)nginx的负载均衡

宝塔部署 (多个服务器)nginx的负载均衡

weixin_58856770的博客 5840

Vue+OpenLayers:解决中国境内OpenStreetMap地图加载问题

然而,在使用OpenLayers和Vue框架搭建地图应用时,很多中国开发者可能会遇到一个常见问题:OpenStreetMap(OSM)地图无法正常加载。为了解决这个问题,我们可以使用其他方式获取地图数据,比如使用国内的地图服务提供商。通过使用国内地图服务商提供的地图数据,我们可以解决OpenStreetMap地图加载问题。然后,我们创建一个OpenLayers地图对象,并指定地图图层的源为国内地图服务商提供的地图URL。属性,可以将地图的中心点和缩放级别调整到我们需要的位置。

CodeWhizZ的博客 8270

在 SAP 中,应收票据的收取、到期承兑、贴现均有标准操作路径与事务码,以下按业务场景给出操作步骤、T-code、会计分录(含附 / 不附追索权)

摘要:本文详细介绍了SAP系统中应收票据的全流程处理,包括收款(F-36)、到期承兑(F-34/F-20)和贴现(F-33)的标准操作。重点说明了不同业务场景下的事务码使用、操作步骤及对应的会计分录,特别区分了附追索权与不附追索权贴现的处理差异。同时提供了票据查询(FBL5N)和清账(F-32)的辅助功能指引,并汇总了各业务场景的核心会计分录,为财务人员提供了一套完整的SAP应收票据操作指南。(149字)

金牌架构师 260

宝塔 Docker部署nginx实现负载均衡

只搭载一台nginx服务器,并由此台服务器将请求转发给两个nginx容器来进行处理。我们先删除掉nginx默认html,并创建一个空白index.html 方便我们配置成功后查看效果。进入nginx_web1容器的nginx目录下 创建一个index.html。进入nginx_web2容器的nginx目录下 创建一个index.html。保存配置并重启宿主机Nginx 或者 宝塔面板nginx管理重启服务。以上基于docker实现nginx负载成功!下面创建多一个新的nginx容器。

2301_76740365的博客 939

【PINN物理信息网络】基于PINN物理信息网络结合Wave 2D有限差分方法(python)

【PINN物理信息网络】基于PINN物理信息网络结合Wave 2D有限差分方法(python)

k8291121的博客 1818

阿里云二级域名配置实战:从云解析DNS到宝塔反向代理

本文详细讲解了如何为阿里云服务器配置二级域名,从云解析DNS添加A记录,到宝塔面板创建网站并设置反向代理的完整实战流程。文章重点解析了DNS解析与服务器路由的核心原理,并提供了常见问题排查指南与高阶优化思路,帮助用户快速搭建并管理多个独立的子站点。

sql99的博客 350

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

宝塔面板Nginx手动配置负载均衡实战指南

通过手动配置Nginx,宝塔面板免费版用户也能轻松实现负载均衡,无需依赖收费插件。本文从环境准备到配置、测试、优化,提供了详细的实战步骤,适合初学者和有一定经验的运维人员。手动配置不仅灵活,还能深入理解Nginx的工作原理,为复杂场景的定制化提供基础。希望这篇原创教程能帮助您快速搭建高效的负载均衡系统,欢迎在评论区分享您的配置经验或问题!

qq_60548077的博客 2883

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

宝塔Nginx负载均衡

宝塔Nginx负载均衡 注意点: 配置了负载均衡后,前端没有分配服务器,先检查后端服务器的端口是否被放行 在站点的配置文件中添加多个后端服务器 upstream myschool { server 124.223.67.254:9081 weight=2; # 124.226.67.254 后端服务器1,weight权重2 server 124.70.221.226:9082 weight=3; # 124.226.67.254 后端服务器1,weight权重3 server 127

六十四的博客 2703

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")

基于宝塔搭建nginx负载均衡服务器

准备三台服务器,搭建好宝塔环境 服务器1:作为主服务器,分发服务器,并且数据库,redis等都装在此服务器 服务器2:均衡服务器1 服务器3:均衡服务器2 打开端口:如果使用阿里云,配置安全组,888(phpmyadmin)、 8888(宝塔面板默认端口) 、6379(redis)、3306(mysql) 主服务器环境配置 主服务器安装php,mysql,nginx,redis等,数据保存在主服务...

phpsolo的博客 9677

宝塔 Nginx 负载均衡

记一次协助朋友宝塔面板配置负载均衡的配置 nginx 实现负载均衡,很多朋友都知道,配置upstream区块,定义服务器组,然后在 对应的 location 下 配置即可,可是本次在宝塔上一直无法实现,网上看了很多宝塔nginx配置负载均衡的帖子,根据帖子很难 让新手 和 对 nginx不够熟悉的人 配置成功,所以简单记录一下。 环境 说明: 以下服务器,作为负载均衡的服务器,使用的都是宝塔面板 场景一 三台服务器,一台作为负载均衡,另外两台作为web服务 域名配置 服务器A上对外的域名(也就是负载均衡

J14731313333的博客 1764

宝塔 Docker部署实现nginx负载均衡

只搭载一台nginx服务器,并由此台服务器将请求转发给两个nginx容器来进行处理。进入nginx_web1容器的nginx目录下 创建一个index.html。进入nginx_web2容器的nginx目录下 创建一个index.html。//容器名:nginx_web1 映射容器8080端口到宿主机80端口上。//容器名:nginx_web2 映射容器8080端口到宿主机80端口上。看到web1、web2 看出来docker实现nginx负载成功!// nginx.kkcake.cn 自己服务器的域名。

gcx18721661208的博客 2336

宝塔搭建nginx负载均衡服务器

** 宝塔搭建nginx负载均衡服务器 ** 准备三台服务器,搭建好宝塔环境 服务器1:作为主服务器,分发服务器,并且数据库,redis等都装在此服务器 服务器2:均衡服务器1 服务器3:均衡服务器2 打开端口:如果使用阿里云,配置安全组,888(phpmyadmin)、 8888(宝塔面板默认端口) 、6379(redis)、3306(mysql) ** 一、主服务器环境配置 主服务器需要安装...

aaaaaaaaaaphg的博客 1868

PHP+Nginx+宝塔+rsync代码同步 实现Nginx负载均衡

PHP+Nginx+宝塔+rsync代码同步 实现Nginx负载均衡 作为一个PHP菜鸟,最近闲着没事,就想搭建一个Nginx试试,因为重来没有搭过,特此记录一下,也希望能为新入门的兄弟们提供一点帮助! 第一步 准备服务器,这里我使用了两台服务器来进行简单的测试,主服务器端我们称为服务器A,客户端我们称为服务器B,我们把想要对用户访问的站点部署到A上,列如xxx.com站点部署好我们对应的项目 证书等等 在服务器B上添加相同的站点即项目即可 Nginx配置 回到服务器A,打开站点设置,这里我没有更改服务

weixin_43876402的博客 4576

Nginx负载均衡,宝塔,自用。

负载均衡 自己用,作为记录。 宝塔免费版 直接对网站配置文件进行修改就Ok. 官方插件要钱… upstream test.domain.xyz{ #ip_hash; #IP哈希值算法,根据ip进行匹配,解决session问题。 #fair; #根据响应时间分发。 server 127.0.0.1:88 weight=10; #服务器0,weight为...

KnYoboy的博客 1557

nginx负载均衡,宝塔版

负载均衡的例子,我记得阿里云也有自带的负载均衡的操作,只要简单的购买部署就行了。刚刚好我看到一个项目和已有的项目有些相似就自己部署一下可能往后有用呢!宝塔准备几个网站,或者几个服务器,前者一台服务器就可以,成本更低。在相同的情况下部署才不会丢失文件或者重复登录等等奇怪问题。解析到 80端口,建议只做转发不做项目部署。负载均衡,简单来说就是一份代码多次部署。1,数据库是否相同一个如mysql。这里只是简单的部署参考demo哈。2,缓存机制是否相同如redis。3,上传文件是否云端如七牛云。

2401_87843294的博客 906

【linux教程】宝塔面板下Tomcat+Nginx部署JAVA WEB应用,超详细!!!!!

针对新手,大佬的史上最最最详细的tomcat配置教程,使用宝塔面板来操作nginx,超级方便简单,傻x式操作,只需要跟着教程做绝对可以搭建好您自己的java web应用。

AZ的个人技术博客 5万+

宝塔面板实现Nginx反向代理与负载均衡(Docker版)

本文记录基于宝塔面板与Docker的Nginx反向代理及加权轮询负载均衡实战。通过部署两台Nginx后端容器,配置upstream模块实现流量按1:2比例分发,并结合proxy_set_header传递真实客户端IP。文章涵盖环境搭建、镜像加速、端口放行及故障排查,验证了“单入口多节点”架构的可行性,为运维新手提供了一套可落地的Docker+Nginx实战方案。

2401_89923146的博客 767

nginx安装[手动安装][配置][宝塔面板安装]

实际上nginx的配置只有一个nginx.conf文件,但可以让nginx加载指定目录下的文件作为扩展配置,这部分在nginx配置中实现。一般nginx安装的配置文件在/etc/nginx,如果找不到使用nginx -h会显示默认安装地址。每新建一个网站都会增加一个配置,点击新建网站的设置文件就可以配置了,点击保存会自动检测并加载。安装完后会自动启动,检测nginx状态,会显示配置地址和日志地址。在浏览器打开登录,点击网站,会显示要先安装nginx,直接安装。我们找到宝塔的安装和卸载命令。

qq_58539881的博客 4436
上一篇: php框架中配置Kafka
下一篇: tp6使用Kafka进行发邮件Excel
stringQiang
博客等级 码龄5年 36粉丝 36原创
评论 1
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