前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >宝塔linux安装和部署多协议多用户【xray】面板的图文记录

宝塔linux安装和部署多协议多用户【xray】面板的图文记录

原创
作者头像
李洋博客
发布于 2024-04-30 06:44:32
发布于 2024-04-30 06:44:32
91700
代码可运行
举报
文章被收录于专栏:李洋博客李洋博客
运行总次数:0
代码可运行

从来没考虑自己弄IP代理去访问,结果偶尔间真的需要在本地使用其他城市IP,于是乎就开始百度有好多公司可以实现此功能,就是续费花钱,问题是我没钱就是缺钱啊,而且用的时间太短,花钱买一个月估计这一个月都不一定能用上一次,所以基本只能考虑免费的,但是免费的看了几个能测试IP,百度页面还能凑合打开,其他页面就不能考虑了,完全进不去,所以就是收费的不想用,免费的用不了,这才考虑自己弄,毕竟手里有一个外地的云服务器,也是查了好多教程,咨询了好多的朋友,但最终也是没能实现,最后【幻影龙王】帮我解决了此问题,教程源自他,至少我是在他那实现的,鸣谢!!!

功能介绍

系统状态监控 支持多用户多协议,网页可视化操作 支持的协议:vmess、vless、trojan、shadowsocks、dokodemo-door、socks、http 支持配置更多传输配置 流量统计,限制流量,限制到期时间 可自定义 xray 配置模板 支持 https 访问面板(自备域名 + ssl 证书) 支持一键SSL证书申请且自动续签 更多高级配置项,如图↓(安装后,输入“x-ui”显示更多功能)

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第1张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第1张

好了,预览完成开始安装吧,登录SSH复制粘贴如下代码::

Bash

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
bash <(curl -Ls https://raw.githubusercontent.com/vaxilu/x-ui/master/install.sh)
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第2张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第2张

PS:部分情况原因可能需要输入两次或者多次命令才能开始安装,譬如我,脸黑没办法哈。

各种检测先,然后开始漫长且超长的等待,等待安装,可能是我的服务器带宽太小了吧,总之我是登录很久很久,有多久呢,大概这么久。。。【----】

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第3张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第3张

终于下载完成,选择【y】继续安装,如图,然后就是自己设置相关账号端口信息,

输入账户名:自拟 账户密码:自拟 设置面板访问端口

这个端口自行设置后需要ip:端口访问面板,设置完成后记得在宝塔安全和服务器安全组放行该端口号。

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第4张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第4张

设置完成我们方便下后台面板:ip:端口,例如:127.0.0.1:8080

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第5张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第5张

后台预览:

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第6张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第6张

面板功能一目了然,接下来我们设置协议,点击左侧菜单,选择入栈列表,点击如图的加号,在弹出的新窗设置。

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第7张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第7张

按照实际情况去设置吧,比如我仅仅需要http代理,所以我设置的是【http】,选择协议之后系统会自动配置一个端口,我们可以设置这个协议的总流量、到期时间及用户登录权限,设置如图:

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第8张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第8张

设置完成后点击添加,完成配置后就可以使用Windows自带的代理用能,这个就不赘述了,什么QQ浏览器、搜狗浏览器都有相关设置,设置完成后就可以百度【IP】,查看代理协议是否生效,

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第9张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第9张

百度显示如下:

宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第10张
宝塔linux安装和部署多协议多用户【xray】面板的图文记录 第10张

好了截止目前设置已完成,代码和教程敲简单,小白的福音啊,基本就是一键操作,注意事项:该代码仅用于正当的研究和开发目的,请勿将该工具用于非法用途。版权归原作者所有!有问题留言反馈吧,反正我也帮不到你们,哈哈哈~~

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Keras入门级MNIST手写数字识别超级详细教程
文件下载:https://download.csdn.net/download/sxf1061700625/19229794
小锋学长生活大爆炸
2021/06/11
1K0
Keras入门级MNIST手写数字识别超级详细教程
用深度学习keras的cnn做图像识别分类,准确率达97%
Keras是一个简约,高度模块化的神经网络库。 可以很容易和快速实现原型(通过总模块化,极简主义,和可扩展性) 同时支持卷积网络(vision)和复发性的网络(序列数据)。以及两者的组合。 无缝地运行在CPU和GPU上。 keras的资源库网址为https://github.com/fchollet/keras olivettifaces人脸数据库介绍 Olivetti Faces是纽约大学的一个比较小的人脸库,由 40个人的400张图片构成,即每个人的人脸图片为10张。每张图片的灰度级为8位,每个像素
机器学习AI算法工程
2018/03/15
2.7K0
用深度学习keras的cnn做图像识别分类,准确率达97%
经典!构建你的第一个神经网络识别数字
在Keras环境下构建多层感知器模型,对数字图像进行精确识别。模型不消耗大量计算资源,使用了cpu版本的keras,以Tensorflow 作为backended,在ipython交互环境jupyter notebook中进行编写。 1.数据来源 在Yann LeCun的博客页面上下载开源的mnist数据库: http://yann.lecun.com/exdb/mnist/ 此数据库包含四部分:训练数据集、训练数据集标签、测试数据集、测试数据集标签。由于训练模型为有监督类型的判别模型,因此标签必不可少。若
IT派
2018/03/28
8500
经典!构建你的第一个神经网络识别数字
入门项目数字手写体识别:使用Keras完成CNN模型搭建
对于图像分类任务而言,卷积神经网络(CNN)是目前最优的网络结构,没有之一。在面部识别、自动驾驶、物体检测等领域,CNN被广泛使用,并都取得了最优性能。对于绝大多数深度学习新手而言,数字手写体识别任务可能是第一个上手的项目,网络上也充斥着各种各样的成熟工具箱的相关代码,新手在利用相关工具箱跑一遍程序后就能立刻得到很好的结果,这时候获得的感受只有一个——深度学习真神奇,却没能真正了解整个算法的具体流程。本文将利用Keras和TensorFlow设计一个简单的二维卷积神经网络(CNN)模型,手把手教你用代码完成MNIST数字识别任务,便于理解深度学习的整个流程。
用户3578099
2019/08/16
8840
PaddlePaddle框架学习(二)MNIST手写数字识别
按照官方给的介绍,理论上,Paddle可以自动下载内置的数据集。 比如下载MNIST的训练集,可以使用:
zstar
2022/06/14
5890
PaddlePaddle框架学习(二)MNIST手写数字识别
【深度学习入门实战】基于Keras的手写数字识别实战(附完整可视化分析)
本案例使用经典的MNIST手写数字数据集,通过Keras构建全连接神经网络,实现0-9数字的分类识别。文章将包含:
机器学习司猫白
2025/02/12
2130
【深度学习入门实战】基于Keras的手写数字识别实战(附完整可视化分析)
使用 MNIST 集入门 Tensoflow(1)
在入门之前,我们需要开发工具,本文使用 JupyterLab,可以用 conda 或者 pip 方式安装。
coding01
2021/02/24
4210
深度学习100问-12:深度学习有哪些经典数据集?
很多朋友在学习了神经网络和深度学习之后,早已迫不及待要开始动手实战了。第一个遇到的问题通常就是数据。作为个人学习和实验来说,很难获得像工业界那样较高质量的贴近实际应用的大量数据集,这时候一些公开数据集往往就成了大家通往AI路上的反复摩擦的对象。
石晓文
2020/03/24
7670
深度学习100问-12:深度学习有哪些经典数据集?
用多层感知机识别手写体(Keras)
独热编码即 One-Hot-coding,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位有效。例如对六个状态进行编码:自然顺序码为 000,001,010,011,100,101独热编码则是 000001,000010,000100,001000,010000,100000
用户3577892
2020/06/11
2.7K0
图像分类入门,轻松拿下90%准确率 | 教你用Keras搞定Fashion-MNIST
这篇教程会介绍如何用TensorFlow里的tf.keras函数,对Fashion-MNIST数据集进行图像分类。
量子位
2018/07/20
2K0
博客 | MNIST 数据集载入线性模型
这节开始我们使用知名的图片数据库 「THE MNIST DATABASE」 作为我们的图片来源,它的数据内容是一共七a万张 28×28 像素的手写数字图片,并被分成六万张训练集与一万张测试集,其中训练集里面又有五千张图片被用来作为验证使用,该数据库是公认图像处理的 "Hello World" 入门级别库,在此之前已经有数不清的研究围绕着这个模型展开。
AI研习社
2018/10/24
1.1K0
博客 | MNIST 数据集载入线性模型
手写数字识别任务之数据处理
在前文中,我们直接用API导入了数据,但是现实中,搬砖环境千变万化,我们总是要拿自己的数据的处理的:
云深无际
2021/02/23
5020
手写数字识别任务之数据处理
深度学习实战 mnist数据集预处理技术分析
mnist数据集可以从https://s3.amazonaws.com/img-datasets/mnist.npz 这个网址进行下载,下载的文件是一种称为npz格式的文件,这是numpy库生成的特有的压缩包格式。
算法与编程之美
2019/07/17
1.5K0
TensorFlow 2.0 快速入门指南:第一部分
在本部分中,我们将介绍 TensorFlow 2.00 alpha。 我们将首先概述该机器学习生态系统的主要功能,并查看其使用示例。 然后我们将介绍 TensorFlow 的高级 Keras API。 我们将在本节结尾处研究人工神经网络技术。
ApacheCN_飞龙
2023/04/23
4.5K0
卷积神经网络实现多个数字识别
数据集:MNIST 框架:Keras 显卡:NVIDIA GEFORCE 750M 参考:Keras中文文档(http://keras-cn.readthedocs.io/en/latest/other/datasets/#mnist)
用户1332428
2018/07/30
1.2K0
卷积神经网络实现多个数字识别
去噪自动编码器
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/137703.html原文链接:https://javaforall.cn
全栈程序员站长
2022/09/05
5940
十分钟搞懂Pytorch如何读取MNIST数据集
本文用于记录使用pytorch读取minist数据集的过程,以及一些思考和疑惑吧…
全栈程序员站长
2022/07/23
5.5K0
十分钟搞懂Pytorch如何读取MNIST数据集
TensorFlow从1到2(三)数据预处理和卷积神经网络
从这个例子开始,相当比例的代码都来自于官方新版文档的示例。开始的几个还好,但随后的程序都将需要大量的算力支持。Google Colab是一个非常棒的云端实验室,提供含有TPU/GPU支持的Python执行环境(需要在Edit→Notebook Settings设置中打开)。速度比不上配置优良的本地电脑,但至少超过平均的开发环境。 所以如果你的电脑运行速度不理想,建议你尝试去官方文档中,使用相应代码的对应链接进入Colab执行试一试。 Colab还允许新建Python笔记,来尝试自己的实验代码。当然这一切的前提,是需要你科学上网。
俺踏月色而来
2019/04/21
1K0
干货 | 手把手教你用115行代码做个数独解析器!
Aakash Jhawar和许多人一样,乐于挑战新的难题。上学的时候,他每天早上都要玩数独。长大后,随着科技的进步,我们可以让计算机来帮我们解数独了!只需要点击数独的图片,它就会为你填满全部九宫格。
大数据文摘
2020/09/08
6380
干货 | 手把手教你用115行代码做个数独解析器!
keras 学习笔记:从头开始构建网络处理 mnist
全文参考 《 基于 python 的深度学习实战》 import numpy as np from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers.convolutional import Conv2D, MaxPooling2D (x_train, y_train), (x_test, y_
用户2434869
2018/12/18
4610
推荐阅读
相关推荐
Keras入门级MNIST手写数字识别超级详细教程
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验