在 macOS 上学 Nginx(1)—— 搭建静态资源 Web 服务器

开源版的 Nginx 是在 https://nginx.org/en/docs/,别被搜索引擎引导去了 https://nginx.com,后者是商业版的 Nginx。

安装 Nginx

确保机器上已安装 Homebrew,然后执行下面的命令安装 Nginx

brew install nginx

安装完成之后执行 nginx -v, 有版本号输出说明安装成功。

通过 brew 安装的 Nginx 的目录是 /usr/local/etc/nginx,因此 Nginx 的配置文件的位置就在 /usr/local/etc/nginx/nginx.conf

启动 Nginx

nginx

查看 Nginx 的运行情况

ps -ef | grep nginx

如果看到一个 nginx: master process nginx 进程,说明启动成功了。

打开 gzip 压缩

在 nginx.conf 的 http 中加入(或找到)如下配置

http {
	gzip on; # 启用gzip压缩
	gzip_min_length 1;  # 小于1字节的文件不进行压缩
	gzip_comp_level 2; # 压缩级别,2代表已经压缩过的文件(zip、rar等)不再压缩
	gzip_types image/jpeg; # 哪些文件类型需要压缩
}

重启 Nginx

nginx -s reload

reload 直接热加载修改过的配置。

加入文件目录

server.location 中开启 autoindex

server {
	location / {
		autoindex on;
	}
}

限速

依然在 server.location,加入 set $limit_rate

server {
	location / {
		set $limit_rate 1k;
	}
}

加入这个配置后,服务器会限制传输速度为 1k 字节/秒。关于 $limit_rate 这个变量大家可以参考 Embedded Variables

日志格式及存放位置

http 配置中找到 log_format 去掉前面的注释符号:

http {
	log_format  main  '$remote_addr - $remote_user [$time_local] "$request" '
					  '$status $body_bytes_sent "$http_referer" '
					  '"$http_user_agent" "$http_x_forwarded_for"';
}

这个格式里面包括了很多变量,大家依然可以去 Embedded Variables 里面找到每个变量的代表的意义。

定义完格式之后,继续通过 access_log 设置日志的存放位置:

http {
	log_format  main  '$remote_addr - $remote_user [$time_local] "$request" '
					  '$status $body_bytes_sent "$http_referer" '
					  '"$http_user_agent" "$http_x_forwarded_for"';
	access_log logs/kim.acces.log main;
}
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