windows下编译nginx 并添加nginx-upload-module?

litchgu 2017-12-20 01:49:07
我现在能在window下编译nginx并添加rtmp等模块,但是最近要使用upload模块,一直无法编译成功,发现upload这个模块已经很久没有更新了,但似乎在linux是可以的。请问是否有人在windows下添加过upload这个模块?能否给点意见?下面是编译upload模块fail的截图。
...全文
2522 5 打赏 收藏 转发到动态 举报
写回复
用AI写文章
5 条回复
切换为时间正序
请发表友善的回复…
发表回复
datoubanzhuan 2020-01-10
  • 打赏
  • 举报
回复
我也遇到相同的问题了,检查是因为使用src/os/win32下的头文件下的这个结构体typedef BY_HANDLE_FILE_INFORMATION ngx_file_info_t,里面没有使用unix的stat,也就没有st_size这个成员变量。你们都是怎么解决的?
xuanywn 2018-10-29
  • 打赏
  • 举报
回复
请问一下,你是怎么在windows下安装upload-module模块的,我现在也要做这块。楼主能否分享一下? 邮箱:xuanywn@163.com。 还请楼主大义相助,不甚感激。
wwwweiwei1987 2018-04-11
  • 打赏
  • 举报
回复
和你一模一样的错误,,妹的!
a33244 2017-12-26
  • 打赏
  • 举报
回复
我也刚学nginx,没人要分就给我吧
litchgu 2017-12-25
  • 打赏
  • 举报
回复
差不多搞定了,结帖了,有要分的吗?
内容概要:本文围绕基于Basisformer模型的时间序列锂离子电池SOC(State of Charge,荷电状态)预测展开研究,利用PyTorch框架实现深度学习模型的构建与训练。通过将历史充放电数据作为输入,Basisformer能够有效捕捉电池状态的动态变化特征,提升SOC预测精度。文中详细介绍了模型结构设计、数据预处理流程、训练策略及实验结果分析,并与传统方法进行对比,验证了该方法在复杂工况下的优越性与鲁棒性。该研究不仅展示了Basisformer在时序建模中的潜力,也为电池管理系统提供了高精度的状态估计解决方案。; 适合人群:具备一定Python编程基础和深度学习理论知识,熟悉PyTorch框架,从事电池管理系统、新能源汽车或智能预测方向研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于电动汽车、储能系统等领域的电池SOC高精度实时估算;②为电池健康管理(BMS)提供可靠的状态输入;③推动深度学习在时间序列预测中的实际落地,提升现有预测模型的泛化能力与稳定性; 阅读建议:建议读者结合标题为【锂电池SOC估计】【PyTorch】基于Basisformer时间序列锂离子电池SOC预测研究(python代码实现)的资源,重点研读所提供的Python代码,深入理解数据处理方式与模型网络结构的设计思路,尝试调整超参数以观察对预测性能的影响,从而全面掌握Basisformer在时序建模中的优势、适用边界及工程化实现路径。

25,980

社区成员

发帖
与我相关
我的任务
社区描述
高性能WEB开发
社区管理员
  • 高性能WEB开发社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧