使用hexo搭建个人博客

记一次搭建hexo个人博客的心得

前提:要有node环境和git,使用node -v和git -v检测

1. 首先用淘宝镜像源cnpm代替npm(registry: 镜像)

sudo npm install -g cnpm -registry=https://registry.npm.taobao.org

说明:-g全局安装,使用淘宝镜像源cnpm

//也可以直接安装,不花里胡哨
	npm install hexo-cli -g
2. 输入cnpm看控制台是否报错
解决方案
//安装要自己配置软链接,亲~
	sudo ln -s ~/node/bin/cnpm /usr/local/bin
	sudo ln -s ~/node/bin/hexo /usr/local/bin
3. 初始化一个博客
//记得sudo
	sudo hexo init blog
	//创建
	hexo n
	//new一篇文章(要在source文件夹中)
	vim xxx.md
	//使用Markdown格式编辑,在初始化后会自动生成新的文章
4. 运行
hexo server
//运行服务器,可以简写成hexo s,在localhost:4000上可以查看网页
5. 换主题(有git)

官网链接:https://hexo.io/themes/

1. 进入目录下下载,下载到blog(当前应用名称目录下)的themes中
git clone https://github.com/xaoxuu/hexo-theme-material-x 
这是推荐的一个主题,但是貌似有bug,慎用。
2. 编辑_config.yml

找到 Extensions中的theme,在文档末尾处
theme: hexo-theme-cutie//改成放在themes下的文件夹名称即可

3. 载入主题
hexo clean //清除缓存
hexo g  //重新生成
hexo s  //即可看到主题更换之后的效果
6. 推到git服务器上

#####1. 安装一个插件
cnpm install --save hexo-deployer-git

2. 编辑_config.yml
调到配置文件文档末尾,找到deploy
deploy:
type: git
 repo: git@github.com:congyaqwq/congyaqwq.github.io.git    
 // 自己的github仓库地址,新建仓库名称一定是用户名.github.io
 branch: master
3. 部署到服务器hexo deployment
	hexo d 上传到服务器

最后可以直接使用用户名.github.io访问
成品可以点击

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