本地搭建WordPress个人博客,并内网穿透发布上线 (8)

142 篇文章 0 订阅
25 篇文章 0 订阅

本地搭建WordPress个人博客,并内网穿透发布上线 (8)

系列文章


上一篇:

本地搭建WordPress个人博客,并内网穿透发布上线 (7)

在之前的几篇介绍中,我们通过在本地电脑上搭建网页运行环境,并通过cpolar建立的数据隧道,成功的运行起几个开源网页,并将其发布到公网上。虽然这几个网页都很简单,但能让我们熟悉建立网页的软件,以及cpolar建立长期稳定公网网址的方法。但这些网页都属于开源的模板,很难变更既定内容,因此并不完全符合我们的需要。现在,我们就为大家介绍,如何搭建能自由编辑和变更内容的网站。

想要建立一个可编辑的网站,曾经是十分复杂且高端的工作,得益于软件技术的发展,现在已经出现多款简单易用的网站制作软件,而这里我们采用的是WordPress这款软件。

首先,我们自然是下载WordPress,只要在浏览器中输入软件官网“https://wordpress.org/”,就能进入WordPress的主页。我们可以在红框位置,将网页变为中文。

img

接着我们下拉网页,直到找到WordPress的下载链接。

img

点击“获取WordPress”后,会进入软件下载页面

img

我们再次点击红框内的“下载并安装”(我也不知道为什么wordpress要弄这么多层跳转,只要没有弹窗广告,那就但点无妨)。

最终跳转到wordpress的正式下载页面,需要注意的是,我们要下载的是上方箭头所指版本,下方箭头所指版本适用于linux系统(如ubuntu等)。

img

接着我们在弹出的下载窗口中,选择文件存放目录并确认下载即可

img

接着,我们转入WordPress压缩包存放的文件夹,将其解压并安装到电脑中。

img

需要注意的是,我们应该记住WordPress的文件存储路径。在这个例子中,我们选择将WordPress文件夹放在E盘。此处还有个小要点,由于Windows的C盘是系统文件夹存放盘,因此对于文件存取都有较高的用户层级要求(通常为系统管理员操作),为避免不必要的麻烦,所以我们可以选择C盘以外的硬盘存放。

img

到这里,WordPress就成功安装到我们的电脑上了。可能会有人问,我们并没有使用WordPress的安装程序,为什么就说已经安装好了呢?那是因为wordpress本质上是一个脚本程序,是在web容器中,被PHP调用而执行的,因此并不需要经过我们常见的.exe安装,因此我们才会建议大家,要记住wordpress的存放位置。当wordpress安装到本地电脑上之后,我们就可以对wordpress的运行做准备,而这部分我们将在下篇介绍中,为大家详细说明。如果您对cpolar有任何疑问,欢迎与我们联系,我们必将为您提供力所能及的协助。当然也欢迎vip客户加入cpolar官方群,共同探索cpolar的无限潜能。


下一篇:

本地搭建WordPress个人博客,并内网穿透发布上线 (9)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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