linux离线安装nginx,redis

【摘星星计划】day04-day08:Linux服务器离线安装Jenkins教程 Linux离线安装Jenkins 阅读详情

下载: nginx
在这里插入图片描述
二、环境依赖检查
nginx安装需要很多外部依赖,先登录到linux服务器

2.1 gcc检查
gcc -v

出现如下,说明gcc是安装了的
在这里插入图片描述

如果最后一行没有出现对应gcc版本信息,那就要去手动下载了 ,下面的部分是下载安装各种依赖

提供个阿里云镜像地址:centos-7-os-x86_64-Packages安装包下载_开源镜像站-阿里云

gcc 清单
cpp-4.8.5-44.el7.x86_64.rpm
gcc-4.8.5-44.el7.x86_64.rpm
glibc-devel-2.17-317.el7.x86_64.rpm
glibc-headers-2.17-317.el7.x86_64.rpm
kernel-headers-3.10.0-1160.el7.x86_64.rpm
libmpc-1.0.1-3.el7.x86_64.rpm
mpfr-3.1.1-4.el7.x86_64.rpm

一个个找到下载,小技巧:可以直接复制名字定位,ctrl+f
在这里插入图片描述

把下载好的gcc依赖统一上传到服务器的某个文件夹下,或者把笔者提供的zip包上传上去,解压即可,以下是几个解压相关的命令

1.解压缩zip文件到当前目录:

unzip file.zip

2.解压缩zip文件到指定目录:

unzip file.zip -d /path/to/directory 
  1. 查看zip文件内容而不解压缩:
unzip -l file.zip 

如果没有安装unzip命令,可以通过以下命令在大多数Linux发行版中安装(需要连接网络):

sudo apt install unzip # 对于基于Debian的发行版(如Ubuntu)
sudo yum install unzip # 对于基于RPM的发行版(如Fedora、CentOS)

不想安装unzip,那就都单独上传到同一个文件夹下即可

然后在这个文件夹下执行以下命令

rpm -Uvh *.rpm --nodeps --force

2.2 PCRE检查
以下是百度百科的介绍

PCRE(Perl Compatible Regular Expressions)是一个Perl库,包括perl 兼容的正则表达式库。这些在执行正规表达式模式匹配时用与Perl 5同样的语法和语义是很有用的。Boost太庞大了,使用boost regex后,程序的编译速度明显变慢。测试了一下,同样一个程序,使用boost::regex编译时需要3秒,而使用pcre不到1秒。因此改用pcre来解决C语言中使用正则表达式的问题

为什么要这个库?因为nginx是使用C语言开发的,为了实现高性能,用到了这个库

在服务器上执行

rpm -qa | grep pcre

可以看到笔者的服务器已经安装了这个依赖
在这里插入图片描述

如果没有出现这些信息说明没有安装,需要自行下载

下载地址:下载地址

点进去有个版本介绍

翻译下:

PCRE库有两个主要版本。目前的版本PCRE2于2015年发布,目前为10.39版本。

较早但仍广泛部署的PCRE库最初于1997年发布,版本为8.45。这一版本的PCRE现在已经寿终正寝,不再积极维护。8.45版本预计将是旧的PCRE库的最终版本,新项目应该使用PCRE2。
在这里插入图片描述

继续点击这个,外网有点慢
在这里插入图片描述

有很多版本,这里以最新版举例
在这里插入图片描述

下载下来后上传到linux服务器某个文件夹下(笔者已上传资源包)

执行解压命令

tar -xvf pcre2-10.43.tar.gz 

cd进入解压后的目录下依次执行

./configure (后面可加 --prefix=yourpath,安装到指定路径,一般不加,就安装到默认路径下)
make
make install

2.3 zlib检查
百度介绍:

zlib是一种用于数据压缩和解压缩的开源软件库。它使用的是压缩算法为DEFLATE,可以有效地压缩和解压缩大部分数据。
zlib可以被广泛应用于许多不同的场合,例如软件安装包的压缩、数据库文件的压缩、网络数据传输的压缩等。它的使用方法简单,支持多种编程语言,且具有较高的压缩率和解压率。
zlib的优点是可以有效地压缩和解压缩大部分数据,使用方法简单,支持多种编程语言,并且具有较高的压缩率和解压率。缺点是压缩率不如其他一些算法高,例如bzip2和LZMA。
zlib是一个轻量级的库,可以在不同的系统平台上使用。它的源代码可以在网络上免费下载,并且具有较高的可移植性。zlib支持的压缩格式为DEFLATE,可以有效地压缩和解压缩大部分数据。
zlib提供了一组简单的函数来实现数据的压缩和解压缩。它支持多种编程语言,例如C、C++、Java、Python等,可以方便地在这些语言中使用。zlib提供的函数包括压缩数据的compress函数和解压缩数据的uncompress函数。这两个函数的使用方法非常简单,只需要提供待压缩或解压缩的数据和目标缓冲区的地址即可。
zlib还提供了一些高级的函数,可以支持更复杂的压缩和解压缩操作。例如,可以使用deflateInit、deflate和deflateEnd函数来进行流式压缩,可以使用inflateInit、inflate和inflateEnd函数来进行流式解压缩。
总的来说,zlib是一种非常方便的数据压缩和解压缩工具,它可以有效地压缩和解压缩大部分数据,并且使用方法简单,支持多种编程语言
。

在服务器上执行

rpm -qa | grep zlib 

笔者所在linux系统已经安装zlib
在这里插入图片描述

没有如上信息,要下载安装

地址:下载zlib

zlib是这两位开发的,前者写压缩算法,后者写解压缩算法
在这里插入图片描述

往下划 ,找到这个点击下载
在这里插入图片描述

下载好后上传到服务器某文件夹下

执行解压命令

tar -zxvf zlib.tar.gz

再cd 到解压后的zlib目录顺序执行

./configure (后面可加 --prefix=yourpath,安装到指定路径,一般不加,就安装到默认路径下)
make
make install 

2.4 openssl检查
服务器上输入

openssl version

在这里插入图片描述

很抱歉,笔者的服务器也已经安装了openssl,你如果没有出现对应信息,需要自己下载安装

下载地址
下载openssl

这里举例下载的是这个最新版
在这里插入图片描述

下载好后,同样的上传到服务器某个文件夹下解压

执行命令

tar -zxvf openssl-3.3.0.tar.gz 

然后进入解压目录依次执行如下

 ./configure (后面可加 --prefix=yourpath,安装到指定路径,一般不加,就安装到默认路下)
make
make install

三、安装nginx
先使用命令mkdir创建nginx包目录,讲包传输到目录小
进入目录,解压

cd /opt/nginx
tar -zxvf nginx-1.24.0.tar.gz
cd nginx-1.24.0/

指定安装目录编译安装

./configure  (--prefix=/usr/local/nginx,这是指定安装到某个路径下,如果不指定,则默认也是安装到这个路径下/usr/local/nginx,没有nginx文件夹会自动创建)
make
make install

四、启动nginx
接着启动nginx

cd /usr/local/nginx/sbin/

./nginx

nginx的默认启动端口是80

输入以下命令查看端口80

sudo lsof -i :80

把80端口的访问权限打开

-- 开通 80 端口 访问权限

sudo firewall-cmd --permanent --add-port=80/tcp

-- 重载防火墙

sudo firewall-cmd --reload

nginx的nginx.conf 是在/usr/local/nginx路径下

redis

下载redis离线包
下载地址:下载地址

1.2 选择安装包
下载安装包redis-6.2.6.tar.gz

1.3 上传安装包至服务器
使用mkdir命令创建目录,上传安装包到创建的目录:/usr/software/
1.4 使用命令解压

tar -zxvf redis-6.2.6.tar.gz

安装
2.1
进入解压包路径,依次执行下面两个命令

编译:
 make
安装:
make install

默认安装路径:/usr/local/redis
进入默认安装路径

cd /usr/local/redis 

将nginx安装包中的redis.conf复制到安装路径bin下

cd /opt/redis/redis-6.2.14/
cp redis.conf /usr/local/redis/bin/

启动redis

redis的启动端口是6379,这个是默认端口

这个可以修改 vim redis.conf
daemonize 在257行 是否启动后台启动
bind 127.0.0.1 -::1在75行 这行需要注释外部才能连接redis
requirepass 在901行 密码

改动前->改动后
daemonize no -> daemonize yes
bind 127.0.0.1 -::1 -> #bind 127.0.0.1 -::1
#requirepass foobared -> requirepass 123456

进入/usr/local/redis/bin执行启动命令
./redis-server ./redis.conf 指定使用redis配置

linux下Zlib的安装与使用 1. zlib简介   zlib 适用于数据压缩的函式库,由Jean-loup Gailly (负责compression)和 Mark Adler (负责decompression)开发。    zlib被设计成一个免费的、通用的、法律上不受阻碍(即没有被任何专利覆盖) 的无损数据压缩库。zlib几乎适用于任何计算器硬件和操作系统。   zlib本身的数据格式可以进行跨平台的移植。 与在U... 阅读详情

相关推荐

Linux离线安装G++及Nginx和Redis组件

在当今IT行业快速发展中,构建一个稳定高效的开发与运行环境是不可或缺的。本章将概述如何在没有互联网连接的环境中安装G++(GNU编译器集合)、Nginx(高性能的HTTP和反向代理服务器)和Redis(内存中的数据结构存储系统,用作数据库、缓存和消息代理)。我们将详细介绍这些关键组件的离线安装流程,包括获取必要的软件包、解决依赖性问题、配置及测试,确保您的开发和部署流程顺畅。

weixin_42506884的博客 949

依赖包zlib离线安装

zlib依赖包离线安装

xiaohuangren_123的博客 2747

Linux一键安装脚本:JDK、MySQL、Redis、Nginx环境搭建实战

在服务器运维与后端环境初始化中,通过 Shell 脚本实现自动化部署是提升效率的关键手段。Linux 系统的组件安装看似简单,实则涉及在线与离线安装选择、依赖处理、目录规划、服务托管等底层原理,任何一个环节疏漏都会导致环境不可用。将 JDK、MySQL、Redis、Nginx 等常用组件的安装流程固化为一键脚本,不仅能让环境搭建从手工逐条敲命令转变为无人值守执行,还能确保每一次部署结果可重复、可验证。这种自动化思维适用于开发机配置、CI/CD 流水线、云端服务器初始化等真实场景。文中梳理的安装细节、坑点排查

weixin_33404102的博客 23

Linux 离线安装软件 zlib、openssl、pam

Linux 离线安装软件 zlib、openssl安装zlib安装openssl(libcrypto的安装)安装pam-devel 安装zlib 官网地址:http://www.zlib.net/ 下载地址:http://www.zlib.net/zlib-1.2.11.tar.gz 安装命令: #解压 tar -zxvf zlib-1.2.11.tar.gz #配置 ./configure #编译 make && make install 安装openssl(libcrypto的安装)

若释·飞语 1万+

Linux服务器一键安装JDK/MySQL/Redis/Nginx脚本实战

在现代后端开发和运维工程中,Linux服务器环境初始化是高频且易错的基础操作。手动下载、配置JDK、MySQL、Redis、Nginx不仅耗时,还常因依赖缺失或版本漂移引入“玄学”问题。基于Shell脚本的自动化部署方案,通过系统识别、依赖预检、版本固定、幂等标记和日志追踪等设计思想,能够将多组件安装流程收敛为一条可重复执行的命令。借助环境变量模块和systemd服务管理,脚本可以保证应用全局可用、开机自启。该方案适用于新环境批量拉齐、线上线下版本一致性控制,以及无法访问外网的离线部署场景。这套实现的完整步

weixin_29227585的博客 133

zlib安装包

linux下zlib安装包 先解压 unzip zlib-master.zip ./configure make make install

linux下离线安装JDK,GeoServer,tomcat,nginx,redis,rabbitmq,postgresql。

现在网上很多博客都开始付费,就是一点点小的知识都要搞个专栏,真是服了。不像以前,大家都可以白嫖,像我就是个白嫖怪,所以现在没有办法,那只好自己写,我就不一样了,我这些破文章,大家多多白嫖。先在Linux的根目录下创建一个tools和tools_install文件夹,tools放安装包,tools_install安装软件。在总结记录的时候我尽可能写的详细一点,以便大家查阅,如果有错误,先给大家道歉,但也请大家在下面留言,好让我修正文章。............

蓝色的猴子 1551

CentOs7 gcc+zlib+pcre 离线安装包

包含了gcc,g++,zlib,pcrep包,加压后直接安装即可,安装nginx所需要的编译,安装包一次搞定。

Linux离线安装nginx、redis、mysql5.7

安装nginx 软件下载 1、下载nginx http://nginx.org/en/download.html 2、下载openssl https://www.openssl.org/source/ 3、下载 pcre安装 https://sourceforge.net/projects/pcre/files/pcre/ 4、下载zlib zlib Home Site 软件安装 1、安装prce //解压 # tar -zxvf pcre2-10.3.

sinat_37138973的博客 7612

Winform零基础从入门到精通(3)——WinForm基础语法与事件机制详解

通过系统学习基础语法与事件机制,结合实际问题调试,可以快速掌握WinForm开发的核心技能。遇到问题时,优先检查事件绑定和异常处理,逐步培养代码规范意识。​安全转换字符串为数值,避免输入错误导致的崩溃。验证输入(如仅允许数字)​)传递事件相关数据。◦ 事件参数类型:​。

WangMing_X的博客 1492

ARS408毫米波雷达数据解析避坑指南:从硬件连接到Python处理

本文提供了ARS408毫米波雷达从硬件连接到Python数据处理的完整实战指南。针对串口通信不稳定、数据解析错误等常见问题,详细解析了硬件连接方案选择、串口数据高效读取策略、二进制协议解析的位操作技巧,并给出了坐标转换、目标跟踪及实时可视化的代码实现,帮助开发者快速搭建稳定的雷达数据处理流水线。

weixin_29091105的博客 149

【Linux】全程离线安装jdk/mysql/nginx/redis/nacos/xxl-job/elasticsearch等

特别注意一下,解压后的文件是在/home/myqxin/java下的,而配置的安装路径是在/usr/local/nginx-1.20.2下,这两个路径不能一样,否则最后安装的时候不会出现sbin目录(部署的时候自己把解压后的包用mv移动到/usr/local/nginx-1.20.2了,然后再使用上面的命令安装到/usr/local/nginx-1.20.2,导致安装失败,不会出现sbin目录和启动脚本)(1)启动:./sbin/nginx -c ./conf/nginx.conf。make是编译的意思。

weixin_44823875的博客 3820

TMC2209的UART模式详解:如何用串口调试助手配置细分和电流(避坑指南)

本文深入解析TMC2209步进电机驱动器的UART模式,详细讲解如何通过串口调试助手配置细分和电流,包括硬件连接、通信协议、关键寄存器设置及高级功能应用。提供实战避坑指南,帮助开发者优化步进电机控制性能,适用于精密仪器、3D打印等场景。

weixin_29166013的博客 539

linux部署运维1——centos7.9离线安装部署web或运行java项目读取外部配置和所需的依赖环境设置以及相关基础linux命令,包括mysql8,nginx,redis5等工具安装配置

本文介绍了CentOS7.9系统下离线部署Java项目所需依赖环境的完整方案。针对无网络环境的特殊情况,通过下载系统镜像获取依赖包,采用编译安装方式解决环境搭建问题。详细讲解了系统版本确认、镜像包下载方法,并提供了常用运维命令参考。重点阐述了JDK1.8、Nginx1.20.2、Redis5.0.9、MySQL8.0.15等核心组件的离线安装步骤及注意事项,同时包含unzip工具的安装方法。最后说明了Java项目的启动配置和日志管理技巧,以及Spring Boot项目读取外部配置文件的优先级规则。该方案为无

w10463672p的博客 1958

攻防世界 web高手进阶区 9分题 Web_python_flask_sql_injection

继续ctf的旅程,开始攻防世界web高手进阶区的9分题,本文是Web_python_flask_sql_injection的writeup

闵行小鱼塘 1472

谷歌(Google) Pixel 8/9 Pro(xl)如何获取 root 权限

谷歌(Google)Pixel8/9Pro(xl)等系列手机破解后,会在你的init_boot.img同路径生成一个magisk_patched.img,把这个文件拷贝到adb目录下,稍后还得把它刷回手机,这样手机才能获得Root权限,因为安卓14、15以后的内核结构调整,和Pixel7及以下的6、5、4、3、2等系列手机破解稍微不一致。因为ROOT权限的获取,需要使用ROM中的内核文件,个人强烈建议在官网下载ROM,直接刷最新版,其他地方的ROM如果没有校验码,请自行斟酌是否使用。

bugsycrack的博客 3485

离线安装配置linux环境(centerOS7离线安装nginx、postgis、redis、minio、kkview、jdk、docker)

centerOS7离线安装nginx、postgis、redis、minio、kkview、jdk、docker

c_2333的博客 3381

阻抗控制器实现机器人关节运动控制

本文先对做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章如:PID反馈控制器、前馈控制器、前馈+反馈控制器等等如:机械臂模型(几何解算)控制器、小车底盘运动学模型(几何解算)的控制器、四足机器人模型(预测迭代)的控制器等等如:微分平坦(无人机的轨迹跟随)等等如:MPC优化控制算法如:线性二次调节器(LQR)是基于模型的控制器,使用车辆状态来使误差最小化,Apollo使用LQR进行横向控制。横向控制包含四个组件:横向误差、横向误差的变化率、朝向误差和朝向的变化率。

qq_35635374的博客 364

linux安装redis、nginx、jdk、minio等

默认配置文件已可用,如需改端口/路径,编辑。

qq_41940695的博客 564

深度解析电力负荷预测:基于深度学习的完整实战指南

电力负荷预测是智能电网运行中的核心技术之一,准确的负荷预测对于电网的稳定运行、电力市场交易以及能源调度具有重要意义。本文将详细介绍电力负荷预测的完整解决方案,从数据预处理、特征工程到模型构建与评估,提供完整的可执行代码。我们将使用LSTM(长短期记忆网络)和Transformer两种主流深度学习模型进行实现,并通过实际数据集验证模型效果。电力负荷预测是指根据历史负荷数据、气象因素、时间特征等多维信息,预测未来某一时段的电力需求。超短期负荷预测:未来几分钟到几小时短期负荷预测:未来1天到1周中期负荷预测。

YOLO 111

把 NAST 变成你的遥控器:用 ABAP 程序精确触发与处理 Output Type

摘要 SAP中的Message Control机制通过NAST表记录输出状态,支持自动触发打印、邮件等操作。关键步骤包括: 构造NAST记录:定义输出类型、介质、处理状态等参数 调用处理函数:使用RV_MESSAGE_UPDATE_SINGLE更新表,通过WFMC_MESSAGES_PROCESS执行输出 典型应用场景: 单据补发(如PO邮件重发) 外部系统集成触发输出 故障恢复处理积压消息 注意事项: 需提交事务确保更新生效 区分S/4HANA新旧输出体系 正确处理派发时间(VSZTP)和状态(VSTAT

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 252

linux离线编译安装PHP+Nginx+MySQL+MongoDB+Redis+RabbitMQ

记录一下这几天离线安装的过程与辛酸, 接到公司的需求要给客户的服务器安装一个环境,将项目转移到上面,但是呢那边是离线状态,只能我在本机使用VPN连接到客户的局域网中,再去对虚拟机进行操作.其中遇到了很多头疼的问题,最后搞不了重装系统继续重来一遍,去找那里一步出了错才搞定.借此与大家分享,希望不要像我一样踩坑. 客户那边的虚拟机装的是CentOS7.2 这边需要的安装的是PHP7.2 + Nginx...

l19960203的博客 674

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")

Linux 离线安装tocmat9 nginx1.18 (zlib&pcre) Redis以及gcc-c++依赖库的安装

系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 提示:以下是本篇文章正文内容,下面案例

springorg的博客 557

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Linux服务器安装 MySQL、nginx、redis、JDK等相关安装配置

环境配置

zf_csdn123的博客 1510

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Linux 离线下安装gcc、g++

本文介绍了GCC和G++的安装步骤:1)进入gcc目录执行rpm -ivh *.rpm --nodeps --force命令安装,通过gcc -v验证版本;2)进入gcc-c++目录同样执行rpm安装命令,最后用g++ -v查看版本。整个过程使用强制安装模式(--nodeps --force),并附有命令行截图说明。摘要简明扼要地概括了软件安装的核心流程和验证方法。

Tongyao 632

linux离线安装nginx1.20.1+php7.2+redis6.0

** 一、安装前准备 ** 1、下载nginx1.20源码包 官网下载地址:http://nginx.org/en/download.html 网盘分享: 链接:https://pan.baidu.com/s/1biM6Csgbfo5r7Vm4t1lOjg 提取码:cfky 2、下载php7.2源码包 官网下载地址:https://www.php.net/downloads 网盘分享: 链接:https://pan.baidu.com/s/1lsoVvO_2pjMQUoDl6wRtmg 提取码:633k *

weixin_42657007的博客 4566
上一篇: mac 开发用具安装
下一篇: nginx 自定义http模块
湘人-汤义
博客等级 码龄11年 329粉丝 40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