麦田里的守望者

前言nginx和php-fpm放在一个镜像里面，这样更好配置，但是有一个问题，这样不利于php-fpm和nginx两个服务动态扩容，因为二者的吞吐量可能不一样，同时扩容可能会造成资源浪费，但是分开，又会造成一个问题，那就是nginx和php-fpm如何通信的问题变得有些棘手。以下是Dockerfile文件的内容，其余可以参考我的github地址。FROM alpineLABEL MAINTAINER="<crazyjums@gmail.com>"ADD nginx-1.18.0.t

1 安装依赖# 添加epelyum install epel-releaseyum update# 添加依赖包yum -y install systemtap-sdt-devel libxml2 libxml2-devel openssl-devel libcurl-devel enchant-devel libpng-devel libicu-devel libmcrypt-devel recode-devel net-snmp-devel libtidy-devel autoconf read

1 location正则写法语法规则： location [=||*|^~] /uri/ { … }= 开头表示精确匹配^~ 开头表示uri以某个常规字符串开头，理解为匹配 url路径即可。nginx不对url做编码，因此请求为/static/20%/aa，可以被规则^~ /static/ /aa匹配到（注意是空格）。~ 开头表示区分大小写的正则匹配~* 开头表示不区分大小写的正则匹配!~和!~*分别为区分大小写不匹配及不区分大小写不匹配 的正则/ 通用匹配，任何请求都会匹配到

ps axo pid,%cpu,%mem,comm |grep php-fpmps aux | grep php-fpm # check php-fpm process is runningpkill -9 php-fpm # stop php-fpm/usr/local/php/sbin/php-fpm # start php-fpmReferencehttps://blog.csdn.net/lxw1844912514/article/details/100028096

在linux主机安装mysql的时候,mysql编译安装过程，执行make命令时报错：c++: internal compiler error: Killed (program cc1plus) Please submit a full bug report, with preprocessed source if appropriate. See http://bugzilla.redhat.com/bugzilla for instructions. make[2]: * [sql/CMak

使用源码安装PHP时，提示报错，错误信息如下：ext/iconv/.libs/iconv.o: In function `php_iconv_stream_filter_dtor':/home/php-5.5.38/ext/iconv/iconv.c:2516: undefined reference to `libiconv_close'ext/iconv/.libs/iconv.o: In function `php_iconv_stream_filter_append_bucket':/hom

这是webpack的路径别名，相关代码定义在配置文件webpack.base.config里：resolve: { // 自动补全的扩展名 extensions: ['.js', '.vue', '.json'], // 默认路径代理 // 例如 import Vue from 'vue'，会自动到 'vue/dist/vue.common.js'中寻找 alias: { '@': resolve('src'), '@config':

原文1 内存泄漏的定义内存泄漏（Memory leak）是在计算机科学中，由于疏忽或错误造成程序未能释放已经不再使用的内存。内存泄漏并非指内存在物理上的消失，而是应用程序分配某段内存后，由于设计错误，导致在释放该段内存之前就失去了对该段内存的控制，从而造成了内存的浪费。内存泄漏通常情况下只能由获得程序源代码的程序员才能分析出来。2 内存泄漏导致的后果内存泄漏会因为减少可用内存的数量从而降低计算机的性能。最终，在最糟糕的情况下，过多的可用内存被分配掉导致全部或部分设备停止正常工作，或者应用程序崩

原文0 代码import的包from matplotlib import pyplot as pltfrom matplotlib.pyplot import savefigimport numpy as npimport pandas as pdfrom statsmodels.graphics.tsaplots import plot_acfimport matplotlib.gridspec as gs1 散点图1.1 normal scatterdef scatter():

原文本文将会使用大量的图片和公式推导通俗易懂地讲解RNN,LSTM,Seq2Seq和attention注意力机制（结合colah’s blog 和CS583），希望帮助初学者更好掌握且入门，若有已经掌握RNN，LSTM的读者自行跳过阅读即可,更详细的讲解在Seq2Seq,Attention那。目录RNNLSTMSeq2Seq注意力机制参考1 RNN（递归神经网络）我们知道人类并不是从零开始思考东西，就像你读这篇文章的时候，你对每个字的理解都是建立在前几个字上面。你读完每个字后并不是

原文一篇让你很容易理解什么是梯度下降的博客0 什么是梯度下降梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景：一个人被困在山上，需要从山上下来(i.e. 找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视度很低。因此，下山的路径就无法确定，他必须利用自己周围的信息去找到下山的路径。这个时候，他就可以利用梯度下降算法来帮助自己下山。具体来说就是，以他当前的所处的位置为基准，寻找这个位置最陡峭的地方，然后朝着山的高度下降的地方走，同理，如果我们的目标是上山，也就是爬到山顶，那么此

原文1 安装dockerWindows用户一般通过安装docker-desktop(点击下载)，下载完成以后按照提示安装wsl2,然后才可以正常启用Docker，但是使用本镜像会导致出现container exit(139)的错误。在C:\Users\(用户名)中创建.wslconfig以我为例,创建C:\Users\zhangsan\.wslconfig文件中写入下面内容:[wsl2]kernelCommandLine = vsyscall=emulate1.1 Windows10启动d

原文学科：数字图像处理（Digital Image Processing -video）作者：zhuhonggen计算机视觉入门基础0概念介绍0.1数字图像处理概念0.1.1图像的高频分量和低频分量总得来说，低频分量（低频信号）代表着图像中亮度或者灰度值变化缓慢的区域，也就是图像中大片平坦的区域，描述了图像的主要部分。高频分量（高频信号）对应着图像变化剧烈的部分，也就是图像的边缘（轮廓）或者噪声以及细节部分。之所以说噪声也对应着高频分量，是因为图像噪声在大部分情况下都是高频的。低频分量

原文1 图像的高频和低频成分形象一点说：亮度或灰度变化激烈的地方对应高频成分，如边缘；变化不大的地方对于低频成分，如大片色块区画个直方图，大块区域是低频，小块或离散的是高频把图像看成二维函数，变化剧烈的地方就对应高频，反之低频。举个通俗易懂的例子：一幅图象，你戴上眼镜，盯紧了一个地方看到的是高频分量摘掉眼镜，眯起眼睛，模模糊糊看到的就是低频分量。图像的高低频是对图像各个位置之间强度变化的一种度量方法.低频分量:主要对整副图像的强度的综合度量.高频分量:主要是对图像边缘和轮廓的度量.如果一

原文windows环境下curl报错：Protocol “'http” not supported or disabled in libcurl原因：window命令行不支持单括号引用解决方案：将单括号删除例如：curl ‘http://localhost:9200/?pretty’在window命令行应改为：curl http://localhost:9200/?pretty原始解决方案来源:https://stackoverflow.com/questions/6684235/perl-cu

原文1 虚函数和纯虚函数的作用定义一个函数为虚函数，不代表函数为不被实现的函数。定义他为虚函数是为了允许用基类的指针来调用子类的这个函数。定义一个函数为纯虚函数，才代表函数没有被实现。定义纯虚函数是为了实现一个接口，起到一个规范的作用，规范继承这个类的程序员必须实现这个函数。https://blog.csdn.net/Hackbuteer1/article/details/7558868c++中的虚函数是为了实现多态而诞生的，纯虚函数是为了实现抽象类的概念，这两个函数的作用都是为了增强c+

原文1 卷积神经网络一篇很好的关于理解卷积神经网络的博客（博客中的filter助手表示的是卷积核的意思）一篇关于如何搭建CNN的博客知乎回答：能否对卷积神经网络工作原理做一个直观的解释？机器视角：长文揭秘图像处理和卷积神经网络架构|该文原文定义：卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pool

原文1 vue安装1.1 直接用 script标签引入对于制作原型或学习，你可以这样使用最新版本：<script src="https://cdn.jsdelivr.net/npm/vue/dist/vue.js"></script>对于生产环境，我们推荐链接到一个明确的版本号和构建文件，以避免新版本造成的不可预期的破坏：<script src="https://cdn.jsdelivr.net/npm/vue@2.6.11"></script>

原文越来越多的人开始意识到，网站即软件，而且是一种新型的软件。这种"互联网软件"采用客户端/服务器模式，建立在分布式体系上，通过互联网通信，具有高延时（high latency）、高并发等特点。网站开发，完全可以采用软件开发的模式。但是传统上，软件和网络是两个不同的领域，很少有交集；软件开发主要针对单机环境，网络则主要研究系统之间的通信。互联网的兴起，使得这两个领域开始融合，现在我们必须考虑，如何开发在互联网环境中使用的软件。RESTful架构，就是目前最流行的一种互联网软件架构。它结构清晰、符合

原文问题解决方案完美解决：用""将标题引用起来，如：写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。