微软云计算一个WebRole中可以支持多个站点

使用了微软云计算后,为了保证MindV在线思维导图服务的质量,开了多个实例。目前的用户水平足够了。

但是公司业务的发展,需要增加新的网站。两年多来,云计算在线服务品质有目共睹,用户多次反映MindV在线服务可以与国际大品牌在线服务相媲美,甚至超越。所以希望新的网站也是基于云计算平台。但增加一个新网站至少一个实例,那一年的费用也是1万块呀。但新的网站业务量较小,开一个单独的实例又太浪费。因此咨询了微软云计算的支持小组梁琦先生。他告诉我一个好的消息,Windows azure 1.3以后其实WebRole已经可以支持多个网站了。http://msdn.microsoft.com/en-us/library/windowsazure/gg433110.aspx 这里有详细的资料。

按照MSDN中的说明下载了例子,但是总有些问题,在调试环境运行不起来。于是对例子稍作改变,新的站点采用单独的端口(因为我的这个网站不需要对外公开)。

方法是,工程中添加新的Asp.net Project WebRole2,然后修改ServiceDefinition.csdef如下既可以了。 

<?xml version="1.0" encoding="utf-8"?>
<ServiceDefinition name="WindowsAzureProject1" xmlns="http://schemas.microsoft.com/ServiceHosting/2008/10/ServiceDefinition">
  <WebRole name="WebRole1" vmsize="Small">
    <Sites>
      <Site name="Web">
        <Bindings>
          <Binding name="Endpoint1" endpointName="Endpoint1"   />
        </Bindings>
      </Site>
      <Site name="Web2" physicalDirectory="..\webrole2">
        <Bindings>
          <Binding name="Endpoint2" endpointName="Endpoint2"   />
        </Bindings>
      </Site>
    </Sites>
    <Endpoints>
      <InputEndpoint name="Endpoint1" protocol="http" port="80" />
      <InputEndpoint name="Endpoint2" protocol="http" port="88" />
    </Endpoints>
    <Imports>
      <Import moduleName="Diagnostics" />
    </Imports>
  </WebRole>

</ServiceDefinition> 

有了这个功能,可以多创建几个网站了,充分利用云计算的潜力了。 

本文例子下载地址 http://vdisk.weibo.com/s/ae5wM 

 

转载于:https://www.cnblogs.com/xianzhong/archive/2012/08/09/MultiProjectInAWebRole.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个使用Microsoft Azure云计算的另一个例子,这次是使用Azure机器学习服务进行模型训练和推理: 1. 创建Azure账号:如果您还没有Azure账号,首先需要创建一个。您可以访问Azure官方网站(https://azure.microsoft.com/)并按照指示创建一个免费账号。 2. 创建Azure机器学习工作区:登录Azure门户(https://portal.azure.com/),创建一个Azure机器学习工作区。工作区是用于管理和组织机器学习资源的容器。 3. 创建和准备数据:准备用于训练模型的数据集,并将其上传到Azure存储账户或Azure Data Lake Storage,以便在训练过程使用。 4. 创建模型训练脚本:使用Python编写一个模型训练脚本,例如`train.py`。在脚本,您可以定义模型的架构、优化器、损失函数等,并使用Azure机器学习SDK进行模型训练。 5. 创建训练作业:在Azure机器学习工作区,创建一个训练作业。通过指定训练脚本、数据集、计算目标等参数,将训练作业提交给Azure机器学习服务进行执行。 6. 监视和调整:一旦训练作业开始执行,您可以使用Azure机器学习工作室(Azure Machine Learning Studio)监视训练进度、性能指标和日志。根据需要,您可以调整模型参数、数据预处理步骤等,以优化模型性能。 7. 部署模型:一旦训练完成并达到满意的性能水平,您可以使用Azure机器学习服务将模型部署为Web服务或批处理作业,以便进行实时推理或离线批量预测。 8. 使用模型:通过调用模型的API端点或提交批处理作业,您可以使用训练好的模型进行预测和推理。您可以将输入数据发送到模型,并获取返回的预测结果。 通过以上步骤,您可以使用Microsoft Azure云计算和机器学习服务进行模型训练和推理。请注意,在实际应用,还可能涉及到数据清洗、特征工程、模型评估和调优等步骤。具体的实施方式会因应用场景和需求而有所不同。建议在使用之前,详细了解Azure机器学习的文档和指南,并根据具体情况进行配置和定制化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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