免费CDN-CloudFlare的使用教程

Posted 2023-04-05 D_east

注册CloudFlare账号

https://dash.cloudflare.com/sign-up

 添加域名

进入主页，点击添加站点，输入你的域名

 

 

接下来选择免费的套餐，点击继续

 接下来会自动扫描你的域名，会自动代理部分解析记录，如果还有需要添加子域名，可以点击 添加记录，完成后点击继续

 接下来需要去你的域名注册商网站修改下名称服务器，把原来的名称服务器改成他给你的，我的是阿里云 

 修改完成后回到CloudFlare网站，点击“完成，检查名称服务器”就可以了，这里可以点击以后完成，后面慢慢研究需要的功能

 最后会收到一封邮件，标题为“已将域名添加到CloudFlare Free计划中”，接下来Ping你的域名，如果IP变化了，基本就可以了。

到了这里，其实只是加了CDN，可以隐藏你的IP，对访问速度好像倒没有太大的提升，其他一些功能我会再慢慢摸索，如果有实用的功能我也会继续记录下来，如果这篇文章有错误的话，麻烦指正，感谢

问题解决

1、Cloudflare报错“重定向次数过多”

 一开始访问网站时，会提示“重定向次数过多”

解决方法：

1、登录您的Cloudflare账号，网址：https://dash.cloudflare.com/

2、选择你的站点，进入到管理页面

3、打开左侧菜单“SSL/TLS”- 把SSL/TLS 加密模式改为“安全”或者“完全”模式

2、添加子域名解析后不起作用

很尴尬，刚添加时发现无法访问，以为是哪里设置问题。后来过了10分钟左右就可以访问了，所以等等吧

3、开启CF5秒盾

 

Google免费GPU使用教程（亲测可用）

今天突然看到一篇推文，里面讲解了如何薅资本主义羊毛，即如何免费使用Google免费提供的GPU使用权。

可以免费使用的方式就是通过Google Colab，全名Colaboratory。我们可以用它来提高Python技能，也可以用Keras、TensorFlow、PyTorch、OpenCV等等流行的深度学习库来练习开发深度学习的应用。

现在我们介绍如何免费的使用这个非常非常给力的应用！！！

 一  项目建立与配置

（1）在Google Drive上创建文件夹：这项功能的使用主要是通过Google Drive，首先需要在Google Drive里面创建新的文件夹，因为我们所有的操作都是通过Google Drive文件的方式进行的，这里我们创建了一个名为gpu的文件夹，然后打开文件夹；

（2）创建新的Colaboratory：右键更多选择Colaboratory， 如果更多没有的话，可以点击关联更多应用搜索添加即可！

 

 

并且这里可以随意修改文件名

 

 （3）设置后端Python版本和免费的GPU使用：然后就可以进行代码编写了~~~

 

 

二   授权与挂载

 （4）当完成基本的文件建立和配置后，就需要先运行下面这些代码，来安装必要的库、执行授权：

 

 1 !apt-get install -y -qq software-properties-common python-software-properties module-init-tools
 2 !add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
 3 !apt-get update -qq 2>&1 > /dev/null
 4 !apt-get -y install -qq google-drive-ocamlfuse fuse
 5 from google.colab import auth
 6 auth.authenticate_user()
 7 from oauth2client.client import GoogleCredentials
 8 creds = GoogleCredentials.get_application_default()
 9 import getpass
10 !google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
11 vcode = getpass.getpass()
12 !echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}

点击运行可以看到如下结果：此时，点击链接地址，获取验证码。

 

 

点击链接地址，获取验证码。

 提示成功！

 （5）授权完成后，就可以挂载Google Drive了

1 !mkdir -p drive
2 !google-drive-ocamlfuse drive

 

三   测试阶段

我们使用安装Keras中的测试样例代码进行效果的测试：

 1 # -*- coding: utf-8 -*-
 2 
 3 
 4 \'\'\'Trains a simple convnet on the MNIST dataset.
 5 Gets to 99.25% test accuracy after 12 epochs
 6 (there is still a lot of margin for parameter tuning).
 7 16 seconds per epoch on a GRID K520 GPU.
 8 \'\'\'
 9 
10 from __future__ import print_function
11 import keras
12 from keras.datasets import mnist
13 from keras.models import Sequential
14 from keras.layers import Dense, Dropout, Flatten
15 from keras.layers import Conv2D, MaxPooling2D
16 from keras import backend as K
17 
18 batch_size = 128
19 num_classes = 10
20 epochs = 12
21 
22 # input image dimensions
23 img_rows, img_cols = 28, 28
24 
25 # the data, shuffled and split between train and test sets
26 (x_train, y_train), (x_test, y_test) = mnist.load_data()
27 
28 if K.image_data_format() == \'channels_first\':
29     x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
30     x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
31     input_shape = (1, img_rows, img_cols)
32 else:
33     x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
34     x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
35     input_shape = (img_rows, img_cols, 1)
36 
37 x_train = x_train.astype(\'float32\')
38 x_test = x_test.astype(\'float32\')
39 x_train /= 255
40 x_test /= 255
41 print(\'x_train shape:\', x_train.shape)
42 print(x_train.shape[0], \'train samples\')
43 print(x_test.shape[0], \'test samples\')
44 
45 # convert class vectors to binary class matrices
46 y_train = keras.utils.to_categorical(y_train, num_classes)
47 y_test = keras.utils.to_categorical(y_test, num_classes)
48 
49 model = Sequential()
50 model.add(Conv2D(32, kernel_size=(3, 3),
51                  activation=\'relu\',
52                  input_shape=input_shape))
53 model.add(Conv2D(64, (3, 3), activation=\'relu\'))
54 model.add(MaxPooling2D(pool_size=(2, 2)))
55 model.add(Dropout(0.25))
56 model.add(Flatten())
57 model.add(Dense(128, activation=\'relu\'))
58 model.add(Dropout(0.5))
59 model.add(Dense(num_classes, activation=\'softmax\'))
60 
61 model.compile(loss=keras.losses.categorical_crossentropy,
62               optimizer=keras.optimizers.Adadelta(),
63               metrics=[\'accuracy\'])
64 
65 model.fit(x_train, y_train,
66           batch_size=batch_size,
67           epochs=epochs,
68           verbose=1,
69           validation_data=(x_test, y_test))
70 score = model.evaluate(x_test, y_test, verbose=0)
71 print(\'Test loss:\', score[0])
72 print(\'Test accuracy:\', score[1])

 

这里使用Google GPU的效率每个Epoch大概需要11s左右即可完成

 

 

 而我们使用实验室的工作站

 

 每个率每个Epoch大概需要130s+完成

 

 

 四  相关命令

（1）查看是否使用GPU：

1 import tensorflow as tf
2 tf.test.gpu_device_name()

（2）在使用哪个GPU：

1 from tensorflow.python.client import device_lib
2 device_lib.list_local_devices()

（3）RAM大小：

1 !cat /proc/meminfo

 

当然Google的使用需要自备FQ工具！

原文链接：https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d