零基础建站指南

注:本文基于个人实践总结而来,既是教程,也是总结。由于作者水平有限,文中难免出现疏漏,还请各位读者坚持批判性阅读。如发现文中的错误之处,欢迎在评论区指正,谢谢!

概述

难度:有手就行。

适用范围:本教程适合零基础、想做个网站尝尝鲜(让自己/朋友可以通过网址访问)、对网站质量要求不高的人群。

硬件要求:一台能正常上网的自用普通电脑即可。

软件要求(参考):Windows 10操作系统,以及运行于该操作系统上的phpStudy、Wordpress和任意一款内网穿透工具(如何获取免费的内网穿透工具也将在下文介绍)。

成本(不考虑自己浪费的时间):0元。

概念解释

这段内容建议先跳过,直接看下面的具体操作,遇到不懂的再回来看。还是文章开头那套话,批判性阅读,有错请指正。

服务器:提供web服务的电脑。比如,你打算让朋友访问你做的网站,那么就可以让你现在在用的电脑作为网站的服务器。

IP地址:三个点分隔开的四个数字,如192.168.1.103,指向一台(局域网内的)服务器。

域名:格式如www.baidu.com,基本上也是指向一台服务器,或一台服务器上的一个文件夹。

Host(主机):约等于电脑。一般是指网站的服务器的名字。可以用IP地址或域名表示。

Vhost(虚拟主机):采用软件方法,让一个IP地址可以与多个域名绑定,从而使一台实际的主机同时作为多个网站的服务器。例如,一台IP地址为192.169.1.100的电脑采用了虚拟主机技术设置了两个域名:www.1.com和www.2.com,那么客户机访问这两个网站时,虽然传送过程中两个请求的IP数据报的目的地址都是192.169.1.100,但服务器收到请求后会分析数据报的内容,从而决定将信息交给哪个虚拟主机处理。

Web服务:一种软件服务,可以让服务器能正确处理客户机(访问网站的电脑)发来的请求,并返回相应的结果(如一个网页)。通常个人用的电脑不会默认开启web服务,因此虽然通过在资源管理器的地址栏输入主机名可以连接一台同局域网的主机(电脑),但像访问百度(www.baidu.com)那样输入http://【局域网主机名】却并不能出现一个网页。

具体操作

在phpStudy上对网站进行基本部署

其实我也不是太确定部署是啥,目前看来约等于在服务器上启动Apache等web服务软件,建一系列放源码的文件夹,并在软件中记录这堆文件夹的信息。

下载安装phpStudy。下载地址:https://www.xp.cn/download.html。

安装完成后,在phpStudy中开启Apache(或Nginx)和MySQL。

新建网站,假设网站名叫www.mysite.com,勾选创建数据库、同步hosts。数据库名、用户名、密码都可以随便取。点击确认后,程序应该就建立了一个名叫www.mysite.com的vhost。

若提示同步hosts失败,可以手动修改hosts文件(位于%windir%\system32\drivers\etc),加入一行:

127.0.0.1 www.mysite.com

其中的127.0.0.1是环回地址,可以理解为本机。修改后,可让你的电脑在访问www.mysite.com时,http请求直接发送给本机,而非真正在互联网上寻找那台主机。

利用Wordpress建设你的网站

前面的操作算是打好了地基,而这一步就可以平地起高楼了。

下载Wordpress,解压到www.mysite.com网站在本机的根目录下。操作完成后网站的根目录下大致如图所示。

在浏览器中输入网站名称:http://www.mysite.com/,出现WordPress安装界面。点击“现在就开始”后,可以看出之前创建的数据库在这里派上用场了。一路按照提示操作即可。

这时一个“毛坯房”就做好了,你可以继续切换主题或进行其他个性化设置(如果觉得网页顶部的工具条碍眼,通过浏览器的隐身访问就看不见网页顶部的黑色工具栏了)。

让朋友体验你的网站(外部访问)

内网穿透

个人用的电脑通常位于局域网中,外部无法直接访问到。要让其他人访问你的网站,需要获取一个固定的IP或域名。如果只是玩一玩,可以考虑免费的内网穿透工具。我使用的是Qydev。详见教程https://blog.csdn.net/qq_40739917/article/details/106001561。

我通过这种方法注(bai)册(piao)了一个域名:bmczzs.free.qydev.com。启动内网穿透工具,输入自己的隧道keycode并保持窗口打开。

在数据库中更换网站的域名

白嫖来的域名为bmczzs.free.qydev.com,与之前建站时的域名不符,怎么办?

在phpStudy中,修改网站的基本配置,将域名改为我们的新域名。

接着,一键生成MySQL中的域名替换语句:https://mtool.wpjam.com/change-domain/,复制生成的结果。

安装并打开数据库管理工具。

执行刚才生成的SQL语句(此操作存在一定风险,建议先备份数据库)。

在浏览器中输入新的域名,成功打开了原来界面。如果发现页面显示异常,可能是浏览器偷懒直接读取了缓存的原因,刷新一下就好了。

若下面出现这种情况,可以考虑换个浏览器或者换台设备(如:手机)查看,或访问http://【新域名】/wp-admin。

之前我曾直接在记事本里对域名进行替换,结果虽然也能正常进入网站,但存在页面部分元素丢失的现象(如搜索框消失),因此不建议采用这种偷懒的方法。

加点细节

完善注册/登录模块

默认的登录注册模块的url是http://【域名】/wp-login.php。新用户其实根本无法注册,因为我们的网站还没配备自动发送邮件的功能(不能自动发送用于新用户确认和修改密码等功能的邮件);登录界面也比较简陋;同时,这个地址还没什么特色,且容易暴露。

完善新用户注册功能

在网站后台安装并配置好自动发送邮件的插件即可(不涉及具体的发信程序,操作复杂程度类似于配置各种邮箱客户端)。我采用的是WP SMTP。

界面美化

我使用了LoginPress插件对登录界面进行美化。具体不表。

修改登录界面的URL

可参考这篇文章:https://www.cnblogs.com/rxbook/p/10145371.html。我的做法与此文基本一致,但由于引进了用户注册功能,所以还要修改发给用户的邮件模板里的登录链接。自动生成邮件的脚本是/wp-includes/pluggable.php文件,因此只要在此文件中再进行一次替换即可(将原登录文件的文件名wp-login.php替换成修改后的文件名)。

最终登录界面效果如图所示。

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深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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。
深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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。
深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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