阿里云ECS7天训练营-新人线-day2笔记

写在前面:今天是第二天学习。今天的内容是ECS服务器的购买和准备。因为在高校计划可以领一台服务器,所以这里就走一遍流程,后面用我自己的服务器做。无意打广告,这几家云大家也知道。

ECS服务器购买和准备

1.点开阿里云官网

点开阿里云官网后,找到弹性计算,可以看到有很多产品,这里选择ECS服务器进去。
1

2.点击购买

这里可以选择立即购买,或者是下面的产品类型再进行选择。
在这里插入图片描述

3. 选择配置

  1. 基础配置
    这里可以按照自己的需求进行选择,类型很多,随便选一个。
    自己选择:付费模式、地域、实例的场景,类型等等、镜像(一般选Linux类型)、存储、快照等等。
    在这里插入图片描述
  2. 网络安全组配置
    选择网络,公网IP分配,计费模式,带宽值(越大越~~(贵))
    在这里插入图片描述
  3. 系统配置(选填)
    这个选填内容,可以不用管。
    在这里插入图片描述
  4. 分组设置(选填)
    在这里插入图片描述

4.确认订单

上面最后一步就是付款了,这里会列出前面所有的选择和配置情况。
在这里插入图片描述

5.连接服务器

实例创建完成之后,可以去控制台看自己的资源。一般需要几分钟去创建实例。
在这里插入图片描述
点开进去就是我们所有的ECS服务器实例页面。我这里的是高校计划领的。
点击实例id就可以进去详细页面。
在这里插入图片描述
在这个页面可以进行远程连接,重启,重置密码,换镜像,监控状态等等操作。
在这里插入图片描述
在这里输入刚刚设置过的密码就可以连接到你服务器。
在这里插入图片描述
我之前用的是windows,没有用Linux,后面会逐步用Linux。
在这里插入图片描述

写在最后,看到这里,整个流程就走完一遍了。大多数人一开始还是觉得Windows有图形化界面好用,但是呢,Linux也有图形界面的,而且他的兼容性很好。

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