秋天网站快速部署系统 二.使用自定应用池

跟着上节教程 这节介绍一下自定应用池的使用

自定IIS池可以 实现 网站链接数的限制 CPU资源使用的限制,使用自定应用池的好处为
网站运行稳定,一般虚拟机空间的网站多数为共享一个池,如果池中有一个网站占用资源较多
其他网站就可使用的资源就会较少

双击打开上节的网站部署配置文件,打开后先把上节安装的网站卸载,单击右侧菜单的卸载

在这里插入图片描述
上方为卸载完成后样式, 可以看到网站图标已经变成灰色

单击上方踩点 IIS 进入IIS设置界面

在这里插入图片描述
单击上方的开启按钮开启自定IIS池

在这里插入图片描述
1.为是否开启自定IIS池, 如果不开启可以选择右侧已存在的池
2.设置网站名与池名 一般根据上节设置的 ,这里一般不用更改
3. 限制网站的连接数
4. 设置net的运行版本和模式, 如果不是net网站可以吧 版本哪里选择为空
5. 启动模式 就是iis进程是否一直保持运行状态,如果按需 就是有访问的时候才使用
6. 对CPU进行资源限制 支持四种模式 一般选择不限制或 百分比限制,
在这里插入图片描述
无限制:很好的不进行CPU资源限制
超过百分比结束进程: 就是在比如5分钟内超过了资源就结束iis处理进程在这5分钟内过后恢复处理
百分比:就是超过比分比就进行限制
CPU争抢限制: 当方服务器资源很多网站在使用的时候 就对网站进行限制 限制到可使用的百分比内
7. 这里看网站的成熟是否32位程序,如果是可以勾选,如果当前IIS操作系统是32位选择这个功能不生效
8. 网站处理这个iis进程是否使用指定账号进行运行,如果开启就使用这个账号处理网站
一般不开启使用默认即可,但是如果需要自定用户或设置对应权限可以开启,后面的自动创建
如果当前系统内不存在这个账号就进行创建,

在一种如果默认的网站运行账号权限较小 ,但是网站程序要运行一些超过系统限制的功能,就可以指定账号,
这里开启账号不存在就创建,如果创建完成会自动加入IIS用户组,保证IIS池所需要权限基础功能运行

上面设置完----单击右侧保存----单击开始 进行网站部署

在这里插入图片描述
部署中

在这里插入图片描述

部署完成 可以看到 自动回到状态检测窗口 都已显示正常 ,标识已正常启动

注意:当前部署系统为V1.0还不支持部署同步,如果部署前网站已经部署,建议先卸载部署,之后重新进行部署,同时如果要关闭功能,也需先进行卸载部署,在进行关闭,防止关闭后后续下载跳过检测以前以前开的功能。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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