Linux(1)——在Linux下安装Nodejs(详细教程,包会),并成功创建一个简单的服务器

操作系统: CentOS 6.5 64位,用的阿里云的ECS里最便宜的(但还是好贵啊!)

 

0】下载

https://nodejs.org/en/download/

nodejs的官网,


我下的是64位。

 

文件的上传:上传到服务器的话,我是用ftp,对于我这种新手来说,用ftp来处理文件的转移/复制/粘贴最方便了。

如果是虚拟机的话,我不太清楚,反正感觉linux下载文件挺麻烦的。。。

不过或许可以用图形化的linux操作系统,然后用浏览器下载?

 

1.tar.xz解压缩方法

xz压缩文件方法或命令

 xz -z 要压缩的文件

 如果要保留被压缩的文件加上参数 -k ,如果要设置压缩率加入参数-0 -9调节压缩率。如果不设置,默认压缩等级是6.

xz解压文件方法或命令

 xz -d 要解压的文件

 同样使用 -k 参数来保留被解压缩的文件。

创建或解压tar.xz文件的方法

 习惯了 tar czvf tar xzvf 的人可能碰到tar.xz也会想用单一命令搞定解压或压缩。其实不行tar里面没有征对xz格式的参数比如z是针对 gzipj是针对bzip2

 创建tar.xz文件:只要先tar cvf xxx.tar xxx/ 这样创建xxx.tar文件先,然后使用xz -z xxx.tar 来将xxx.tar压缩成为xxx.tar.xz

 解压tar.xz文件:先xz -d xxx.tar.xz xxx.tar.xz解压成xxx.tar 然后,再用tar xvf xxx.tar来解包。

 

 

 

2.tar解压缩方法

tar xvf filename.tar

 

 

【3】判断自己下载的文件,然后编译

如果跟我下的是一样,那么下载的是编译好的文件,

 

如何判断?

 

简单说就是解压后,在bin文件夹中已经存在node以及npm,如果你进入到对应文件的中执行命令行一点问题都没有,不过不是全局的,所以将这个设置为全局就好了。

 

cd node-v0.10.28-linux-x64/bin

ls

./node -v

 

注:

①第一行命令的node-v0.10.28-linux-x64就是你看到的nodejs解压缩后的那个文件夹(可能有所不同)例如我的文件夹名字是node-v4.4.7-linux-x64

②第三行命令是查看nodejs的版本,如果能成功查看说明没问题

 

这就妥妥的了,node文件夹具体放在哪,叫什么名字随你怎么定。

例如我的nodejs解压缩后的文件夹是/usr/nodejs4.4.7/node-v4.4.7-linux-x64

然后设置全局:

 

ln -s /usr/nodejs4.4.7/node-v4.4.7-linux-x64/bin/node /usr/local/bin/node

ln -s /usr/nodejs4.4.7/node-v4.4.7-linux-x64/bin/npm /usr/local/bin/npm

 

这里/usr/nodejs4.4.7/node-v4.4.7-linux-x64这个路径是你自己放的,你将node文件解压到哪里就是哪里。(也就是你在上面看到的node文件和npm文件夹)

 

注:

①如果正常的话,应该是下图这样,可以通过输入node来成功运行代码的




②如果不是编译好的版本,我给个参考链接:

http://www.xitongzhijia.net/xtjc/20150202/36680.html

 

 

 ——————————————————

以下似乎是处理未编译的源代码的方法(按照我的方法可以无视到分割线结束)

 

4CentOS更新yum

yum update

 

5】安装g++

如果你使用 Linux,那么你需要使用g++ 来编译 Node.js。

Debian/Ubuntu中,你可以通过 apt-get install g++ 命令安装g++。

Fedora/Redhat/CentOS中,你可以使用 yum install gcc-c++安装。

 

6】另一个工具

libssl-dev 是调用 OpenSSL 编译所需的头文件,用于提供 SSL/TLS 加密支持。Mac OSX 的 Xcode 内置了 libssl-dev。

在 Debian/Ubuntu 中,你可以通过 apt-get install libssl-dev 命令安装。

在 Fedora/Redhat/CentOS 中, 你可以通过 yum install openssl-devel 命令安装。

同样,你也可以访问 http://openssl.org/ 下载一个。

 

7

接下来,进入 Node.js 源代码所在目录,运行:

./configure

make

sudo make install

18 第2 章 安装和配置Node.js

之后大约等待20分钟,Node.js 就安装完成了,而且附带安装了 npm。

如果你使用 Mac OS X,还可以尝试使用 homebrew 编译安装 Node.js。

首先在 http://mxcl.github.com/homebrew/获取 homebrew,然后通过以下命令即可自动解析编译依赖并安装Node.js:

brew install node


——————————————————

 

8】测试下能否访问:

输出node,进入nodejs的命令行模式,

 

然后复制以下代码到linux(可以直接全部复制粘贴);

var http = require("http");
var url = require("url");
function onRequest(request, response) {
    var pathname = url.parse(request.url).pathname;
    console.log("Request for " + pathname + " recived.");
    response.writeHead(200, {"Content-type": "text/plain"});
    response.write("Hello word!");
    response.end();
}
http.createServer(onRequest).listen(80);
console.log("Server has started!");

如果是本机的话,访问127.0.0.1

如果是服务器的话,访问服务器的ip地址

正常的话,你会看到如下页面:



退出: 

Ctrl+d可以退出nodejs,退出后,页面即无法访问了

 


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。
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