部署Python网站项目,测试灰度发布

部署Python网站项目

1安装python依赖软件

yum -y install gcc make python3 python3-devel

2安装项目依赖

pip3 install pytz-2022.6-py2.py3-none-any.whl pip3 安装.whl结尾的包

pip3 install Django-1.11.8-py2.py3-none-any.whl

pip3 install django-bootstrap3-11.0.0.tar.gz

3测试项目

python3 manage.py runserver 0.0.0.0:8000 设置ip访问,8000端口 访问 python自己即可跑服务

python-project-demo/learning_logs/templates/base.html 文件中的特效注释 因为连接不到外网 <!-- --> 注释里面的内容

<!-- {% bootstrap_css %}

{% bootstrap_javascript %}

-->

安装uWSGI

pip3 install uWSGI-2.0.21.tar.gz

vim myproject.ini

[uwsgi]

socket=127.0.0.1:8000 #与web服务(nginx)通信的接口

chdir=/root/python/python-project-demo #项目的工作目录

wsgi-file=learning_log/wsgi.py #指定项目中的wsgi.py配置文件

daemonize=/var/log/uwsgi.log #指定日志文件位置

#processes=4 #指定启动进程的数目

#master=true #开启主进程管理模式

运行uWSGI

uwsgi --ini myproject.ini #读取myproject.ini运行uWSGI

修改nginx配置文件,添加uWSGI转发

location / {

uwsgi_pass 127.0.0.1:8000; #动态页面交给uWSGI

include uwsgi_params; #调用uWSGI配置文件

root html;

index index.html index.htm;

}

创建动静分离

location /static {

root html;

index index.html;

}

配置Nginx实现用IP测试灰度发布

灰度发布=使用平稳的过渡方式升级或替换产品项目的方法

1)使用proxy主机在nginx配置中创建集群

http {...

upstream s8001 { #测试集群1

server 192.168.99.100:8001;

}

upstream s8002 { #测试集群2

server 192.168.99.200:8002;

}

upstream default { #正常业务集群

server 192.168.99.100:80;

server 192.168.99.200:80;

}

server {

listen 80;

server_name localhost;

...

set $group "default"; #定义变量$group,默认值default

if ($remote_addr ~ "192.168.99.1"){ #如果客户机ip是99.1就访问集群1 set $group s8001;

}

if ($remote_addr ~ "192.168.99.2"){ #如果客户机ip是99.2就访问集群1 set $group s8002;

}

location / {

proxy_pass http://$group; #调用集群

root html;

index index.html index.htm;

}

...

}

为web1新建nginx虚拟主机

http {...

server {

listen 8001;

server_name localhost;

root html8001;

index index.html;

}

为web2新建nginx虚拟主机

http {

...

server {

listen 8002;

server_name localhost;

root html8002;

index index.html;

}

通过不同用户ID测试灰度发布

使用proxy主机,要先还原nginx,并配置可以解析动态网页

vim html/home.php #修改php页面,将原有Welcome那行修改成以下状态

Welcome : <?php

if(preg_match("/^abc/",$_SESSION['login_user'])) {

preg_match匹配正则,如果登录账号是以abc开头,就连接99.100,否则连接99.200

echo "<a href='http://192.168.99.100'>开始</a>";

}

else

{

echo "<a href='http://192.168.99.200'>开始</a>";

}

?>

4 :配置网站限流限速

定义limit_rate限制

http {

... limit_rate 100k; #全局限速

server {

limit_rate 200k; #虚拟主机限速

listen 80;

server_name www.b.com;

root html;

index index.html;

location /file_a {

limit_rate 300k; #file_a目录限速300k

}

location /file_b {

limit_rate 0k; #file_b目录不限速 0=不限速度

}

}

2创建测试文件

Dd 创建需要大小的文件

dd if=/dev/zero 无限的0填充到 of=html/test.img 到这个位置 bs=100M 大小 count=1 填充几次

dd if=/dev/zero of=html/file_a/test.img bs=100M count=1

dd if=/dev/zero of=html/file_b/test.img bs=100M count=1

下载测试

wget www.a.com/test.img ip地址下面的文件

wget www.b.com/test.img

wget www.b.com/file_a/test.img

wget www.b.com/file_b/test.img

连接限制(非必须配置)

修改用户访问连接限制,使一个客户同时打开多个连接也无法突破限制

首先安装ngx_http_limit_conn_module模块

http {

limit_conn_zone 连接限制 $binary_remote_addr 二进制客户的IP zone=addr:10m; 记录文件存放IP 10M

server {

location /app {

limit_rate 30k;

limit_conn addr 1 ; 限制连接来访问下载的只能是1

}

防盗链

valid_referers指令可以检测被访问资源从哪个地址来

1)修改配置,添加防盗链测试语句

vim /usr/local/nginx/conf/nginx.conf

server {

valid_referers none 没有上一次的访问记录 192.168.99.100;

如果请求中的referer 头字段包含者地址是99.100或者没有referer 头字段则有效,

if ($invalid_referer){ #如果上述测试无效则条件成立

return 403; #返回错误提示

}

}

web1编写测试页面

cat html/index.html

web1

测试页面 --

<a href="http://192.168.99.100/nr.html">内容</a>

[root@web1 nginx]# cat html/nr.html

web1内容页面

web2编写测试页面

cat html/index.html

web2

测试页面 --

<a href="http://192.168.99.100/nr.html">内容</a>

测试,从192.168.99.100主页点内容可以访问,但从99.200点不可以

  • 26
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 基于Python的图像分类项目实践可以从以下几个方面来讨论。 首先,我们需要准备图像数据集。可以选择公开的图像数据集,如CIFAR-10、MNIST等,也可以自己收集和标注图像。对于图像分类任务,数据集的质量和多样性对于模型性能是至关重要的。 接下来,我们可以选择合适的深度学习框架,如TensorFlow、Keras或PyTorch等来实现图像分类模型。这些框架提供了丰富的图像处理和模型构建的API,使得我们能够更加方便地实现图像分类任务。 在模型的构建方面,可以选择经典的卷积神经网络(Convolutional Neural Network, CNN)作为基础模型。也可以根据具体的需求和实际情况进行模型的改进和优化,如添加更多的卷积层或全连接层,使用正则化方法来减小过拟合等。 然后,我们可以将数据集划分为训练集和测试集,并进行数据预处理,如图像的归一化、缩放、裁剪等。同时,还可以使用数据增强技术来扩充训练集的样本量,如随机旋转、平移、翻转等操作。 接着,我们可以使用训练集来训练模型。使用批量梯度下降等优化算法来更新模型参数,使模型逐渐收敛。同时,使用验证集对模型进行调优,选择最佳的超参数和模型结构。 最后,我们可以使用测试集来评估模型的性能。可以使用准确率、精确率、召回率等指标来评估模型在不同类别上的识别效果。如果性能不满足要求,我们可以尝试调整模型参数、修改模型结构或增加训练数据等手段来进一步提升模型性能。 总的来说,基于Python的图像分类项目实践主要包括数据准备、模型构建、数据预处理、模型训练和评估等步骤。通过不断地迭代和优化,我们可以得到一个具有较好分类性能的图像分类模型。 ### 回答2: 基于Python的图像分类是一项涉及图像处理和人工智能的项目实践。这个项目的主要目标是训练一个模型,使其能够自动将输入的图像分为不同的类别。 在项目实践中,首先需要准备一个数据集,其中包含各种不同类别的图像。这些图像可以来自于各种来源,例如网络上的图片库或者自己收集的数据。接下来,需要将这些图像进行预处理,包括图像的大小调整、灰度化、归一化等。这些预处理步骤旨在提高模型的训练效果和准确性。 接着,需要选择一个适合的深度学习网络结构来进行图像分类任务。常用的网络结构包括卷积神经网络(CNN)和残差神经网络(ResNet)。根据项目需求和计算资源的可用性,选择一个合适的网络结构进行模型训练。 在训练模型之前,需要将数据集划分为训练集和测试集。通常会将大部分数据用于训练模型,少量数据用于验证模型的性能。然后,使用训练集对模型进行训练,并利用测试集验证模型的准确性和泛化能力。 在训练过程中,需要选择合适的损失函数和优化器来进行模型参数的更新。常用的损失函数包括交叉熵损失函数和均方误差损失函数,常用的优化器包括梯度下降法和Adam优化器。 训练完成后,可以使用训练好的模型对新的图像进行分类。这个过程包括将图像输入到模型中,然后通过模型的输出得到图像的分类结果。最后,可以对模型的性能进行评估,例如计算模型的准确率、精确率、召回率等指标。 总结起来,基于Python的图像分类项目实践是一个涉及数据预处理、深度学习网络搭建、模型训练和评估的任务。通过这个项目可以更好地理解和应用深度学习在图像处理领域的应用,为解决实际问题提供了一种有效的方法。 ### 回答3: 基于Python的图像分类项目实践可以通过以下步骤进行: 1. 数据收集和准备:收集与图像分类相关的数据集,并将数据集分成训练集和测试集。确保数据集中的图像具有明确的标签。 2. 环境设置:安装Python和必要的库(如NumPy、Pandas、OpenCV和TensorFlow等)。创建一个Python虚拟环境以隔离该项目的依赖项。 3. 数据预处理:使用OpenCV等库对图像进行预处理,如调整大小、裁剪、灰度化和归一化等。这有助于提高模型的性能,并减少噪声的影响。 4. 特征提取:使用卷积神经网络(CNN)等模型进行特征提取。CNN可以学习到图像中的关键特征,并将其转化为可用于分类的向量表示。 5. 构建和训练模型:使用TensorFlow等库构建和训练模型。选择合适的模型架构,并在训练集上进行模型训练。通过调整超参数,如学习率和批次大小,来优化模型的性能。 6. 模型评估和优化:使用测试集对模型进行评估,计算准确率、精确率、召回率和F1分数等指标。根据评估结果调整模型参数或选择其他模型架构,以达到更好的性能。 7. 预测和部署:使用训练好的模型对新的图像进行预测或分类。将模型集成到一个应用程序或系统中,以实现实时的图像分类任务。 综上所述,基于Python的图像分类项目实践包括数据收集和准备、环境设置、数据预处理、特征提取、模型构建和训练、模型评估和优化,以及预测和部署等步骤。通过这些步骤,我们可以构建一个准确、可靠的图像分类系统。

“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 1
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