配置Nginx

配置Nginx

Nginx只处理静态内容(前端HTML、js等),不处理动态,动态内容(java代码)交给后台Tomcat处理。

配置本机的host,配置过之后我们就不需要在访问192.xxx了,我们直接访问配置的域名就可以了,如果这里配置了域名,那么一会儿在nginx.conf配置文件里的代理指向的域名也可以配置成这里设置好的域名:

这里写图片描述
下面在Nginx的配置文件里进行修改:nignx.conf

upstream itripbiz_server
server{
root:代表前段工程所放的位置。要以分号结尾;
Index:默认访问业,主页;
}

这里写图片描述

接下来我们就要设置 location里面的内容了:
proxy_pass http://…; 这里的域名要和上面upstream设置好的域名保持一致了。
这里写图片描述

下面设置的是让后台的java代码访问的时候,能取得本机的域名(192…)。
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
这里写图片描述

接下来我们配置一些Nginx缓存的配置。也是在server{ }里面配置locaiton ~.*.() location后面跟的是一个正则表达式。为什么要配置缓存呢?因为如果不配置缓存的话,用户在每次访问的时候都会走Nginx,这样就会消耗阿里云或者腾讯云的流量(因为我们的服务器有可能是购买的阿里云或者腾讯云的服务器),同时页面加载也会比较慢。我设置了这些缓存的话,如果在缓存期里面,就不会在走我的Nginx,既然说到缓存期,那么我也要设置缓存期:

这里写图片描述

有多少种需要缓存的文件就要写多少,这样可以节省流量。上面稍微写了几种做个示例。expires有效期。如果符合这个缓存的正则表达式,那么就会去我们上面配置好的root里面去找对应的静态文件。

接下来配置的是日志文件:

这里写图片描述

这样我们就配置好了。(注意:上面配置的文件夹如果没有的话我们需要首先创建一下。)

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