【Docker】Docker部署Nginx、tomcat、es

Docker部署Nginx

  • 搜索镜像
    也可以去docker官网搜索,这样可以查看具体的版本信息
    docker search nginx
    
  • 拉取下载镜像 pull
    docker pull nginx
    docker images # 查看是否下载成功镜像
    
  • 运行
    -d 后台运行
    –name 给容器命名
    -p 宿主机端口:容器内部端口
    docker run -d --name nginx01 -p 3344:80 nginx #3344是对于服务器外部的地址,nginx默认的80是容器内部的地址,也就是我们可以通过公网的3344访问docker的80
    
  • 测试
    curl localhost:3344
    
    在这里插入图片描述
    在这里插入图片描述
  • 进入容器
    docker exec -it nginx01 bin/bash
    

端口暴露

我们通过外网要访问到我们运行的nginx01,首先我们用的是阿里云服务器,要先通过阿里云安全组,然后通过linux的防火墙。 然后要访问到还需要-p 3344:80 映射到nginx才能访问到。
在这里插入图片描述

Docker部署tomcat

  • 下载
    docker pull tomcat:9.0 # 指定下载9.0版本的tomcat
    
    官方提供的命令一般是用来测试的,因为它使用的–rm命令用完就会删除这个容器了:
    docker run -it --rm tomcat:9.0
    
  • 运行
    docker run -d -p 3355:8080 --name tomcat02 tomcat #以后台方式,暴露端口方式,启动运行
    
    这时访问是404 ,因为tomcat还不是完整的
  • 进入容器
    docker exec -it tomcat02 /bin/bash
    
    发现问题:1、linux命令少了。 2.webapps目录为空
    原因:阿里云镜像的原因,阿里云默认是最小的镜像,所以不必要的都剔除掉
  • 保证最小可运行的环境:将webapps.dist下的文件都拷贝到webapps下即可
    cp -r webapps.dist/* webapps
    

在这里插入图片描述

Docker 部署elasticsearch+kibana

es的特点:
es 暴露的端口很多!
es 十分耗内存
es 的数据一般需要放置到安全目录!挂载

  • 启动elasticsearch
    千万不要用下面这个命令直接启动,因为es特别耗内存,直接这样启动会特别卡

    docker run -d --name elasticsearch -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:7.6.2
    

    正确命令:
    加上-e 修改配置文件,增加内存的限制

    docker run -d --name elasticsearch -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" -e ES_JAVA_OPTS="-Xms64m -Xmx512m" elasticsearch:7.6.2
    
  • 查看占用内存

    docker stats
    

    在这里插入图片描述

  • 测试

    curl localhost:9200
    

    在这里插入图片描述

kibana连接elasticsearch

由于容器和容器之间是相互隔离的,kibana要想连接elasticsearch,可以通过linux 内网ip。
kibana走到内网地址,通过内网地址请求到es。
这其中就要用到docker网络原理在这里插入图片描述

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、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,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、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,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、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,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