No Signal / 8丶9

Nginx 主要做反向代理和负载均衡。配置按全局、事件、HTTP、虚拟主机、路由、上游分层，关注进程连接、零拷贝、长连接和压缩；压缩级别五较均衡，图片不宜再压。反向代理注意转发地址末尾斜杠，并传递真实域名、客户端地址和代理链。路由优先级为精确、非正则前缀、正则、默认前缀，普通前缀取最长匹配，项目前缀宜用非正则前缀卡住。上游默认轮询，可配权重和 IP 哈希，健康检查需额外模块。跨域需处理预检，任意来源不能带凭证；防盗链校验来源。502、504、403、404 多查后端、超时、权限和路径。

Nginx 分开源版、Plus、OpenResty、Tengine，国内云厂商多基于 Tengine。master 读配置并派发，worker 处理请求，改配置用 reload 避免中断。源码编译需装 gcc、PCRE、zlib、OpenSSL，configure 要带 --with-http_ssl_module，装后先 nginx -t 再 reload，stop 强制、quit 优雅。include 可拆分站点，多站点靠端口、IP 或 server_name 区分，缺默认站点会落入其他站点，需设 default_server。日志可自定义 log_format，basic 认证用 htpasswd，SSL 跳转需带 $host 和 $request_uri。Debian 可 apt 安装，403 查权限，连接数上限为 worker_processes×worker_connections。

CentOS 7 默认用 firewalld 管理防火墙，底层仍是 netfilter/iptables，通过区域、服务、端口配置，改规则即时生效且不打断连接。配置分运行时和永久两层：运行时立即生效但重启丢失，永久重启保留却不立即生效；要兼得需同时执行运行时命令并加 --permanent，或加永久后 reload。开放端口/服务需指定 zone 并加 --permanent，再 reload，用 --query-* 验证；panic 模式拒绝所有包且可能断 SSH，需控制台取消。云服务器还要配安全组，Docker 可能绕过 firewalld；CentOS 7 已停止维护，建议迁移。核心是 --permanent 才持久，reload 才生效。

文章重写 FFmpeg 安装：多数情况先用发行版包，RHEL/CentOS 需补 EPEL、RPM Fusion 与 CRB；想用新版可选静态构建，CI 锁分支号，CentOS 7 因 glibc 旧不可用。源码编译放最后，旧写法漏开 GPL 导致无 x264、转不了 mp4，应显式启用。装后别只看版本，要核对编码器、滤镜与协议；多版本用软链切换，别改全局配置；Docker 固定标签。截至 2026-10-17 最新 9.0.2，8.0 起移除 libpostproc。

EasyTier 是一款 Rust 编写的去中心化网状 VPN 工具，可将异网设备组成安全虚拟局域网。节点无需公网 IP，自动 NAT 穿透与中继；支持私有网络隔离、TCP/UDP/WSS 多协议监听与端口复用、静态/DHCP 虚拟 IP，并提供 Docker 镜像。搭建时需在有公网 IP 的服务器部署中继节点，配置网络名、密码、监听端口并放行防火墙；客户端使用相同网络参数连接即可。常见问题包括 TCP 与 WSS 端口冲突、白名单不匹配、端口不可达等。相比 Tailscale/ZeroTier 的第三方控制依赖和 WireGuard+FRP 的高复杂度，EasyTier 完全自建、数据自主，适合跨地域办公、多云互联及 IoT 远程管理。

人工神经网络由输入层、隐藏层和输出层构成，全连接层中每个神经元与上一层所有神经元连接，同层互不连接。神经元通过加权求和（线性转换）与激活函数引入非线性。隐藏层常用ReLU或tanh，输出层用Sigmoid（二分类，值域0~1，高效定义域-3~3）或Softmax（概率转换）。搭建网络需继承nn.Module，重写__init__定义层及权重（如kaiming初始化）和偏置（如全1），重写forward定义激活函数。损失函数衡量真实值与预测值的误差：回归用L1Loss、MSELoss、SmoothL1Loss；分类用BCELoss、CrossEntropyLoss。

深度学习旨在解决传统技术无法处理或过于复杂的问题。核心模块包括处理文本的RNN（词嵌入层+循环层+全连接层）、处理图像的CNN（卷积层+池化层+全连接层）以及基础部件ANN（张量）。训练通过正向传播计算预测值与真实值的损失，再经反向传播利用梯度更新权重（W新=W旧-学习率×梯度）。深度学习由输入层、隐藏层、输出层构成，可自动完成特征工程，依赖大数据和GPU加速，但可解释性差。张量操作涵盖创建、线性/随机张量、类型转换、索引、形状改变（reshape/squeeze/unsqueeze/transpose/permute）及拼接（cat/stack）。自动微分通过调用backward()求偏导。模拟线性回归示例展示了完整流程：准备数据（make_regression）、转为TensorDataset和DataLoader，创建线性模型与SGD优化器，循环训练（前向传播计算MSE损失、反向传播、优化器更新梯度、清零），最终可通过绘制损失曲线及预测直线与真实直线对比评估模型效果。

文章介绍了随机森林和KMeans聚类算法的核心原理与应用。随机森林基于Bagging集成，通过有放回抽样并行训练多棵决策树，最终以平权投票或平均值输出结果；可借助GridSearchCV进行超参数优化。KMeans是无监督聚类算法，先指定簇数K并随机选取K个簇心，迭代计算样本到簇心的距离并更新簇心直至收敛；常用CH轮廓系数、SSE肘部法和SC轮廓系数评估聚类效果，典型应用为用户画像分类。此外，文中附有布尔索引示例，便于在NumPy中筛选某簇数据。读者可掌握这两种算法的关键流程、评估指标及简单实现技巧。

决策树构建流程包含强制二分（分类问题用“是/不是”，回归用阈值）、选择基尼值或信息增益作为划分指标、重复逐层划分后剪枝防止过拟合。实践部分用泰坦尼克数据集演示完整流程：加载CSV、数据清洗（填充年龄缺失值）、独热编码将性别转化为布尔值、划分训练测试集、用`DecisionTreeClassifier`训练模型，并输出准确率、精确率、召回率、F1值和分类报告。最后用`plot_tree`绘制决策树并将图保存。此外，提及决策树解决回归问题使用`DecisionTreeRegressor`，评估指标为MAE、RMSE、MSE。读者可掌握决策树分类与回归的API调用、数据预处理及模型评估方法。

KNN算法基于距离度量，选择与当前数据最近的K个样本。分类时通过K个样本标签投票决定类别；回归时取K个样本标签的平均值。API提供了KNeighborsClassifier和KNeighborsRegressor，默认K=5。数据预处理包括归一化（MinMaxScaler，易受异常值影响）和标准化（StandardScaler，使用均值与标准差）。鸢尾花案例展示了从加载数据、可视化、标准化、训练到评估的完整流程。交叉验证将数据集分为若干折，训练多次后取平均分数。网格搜索结合交叉验证寻找最优超参（如n_neighbors）。混淆矩阵用于评价分类性能，包含准确率、精确率、召回率和F1-Score等指标。