前提条件：云端有ubuntu服务器，且开启公网访问，防火墙开启 7000 + 其它端口，如图中6000（ssh）， 7500（dashboard），8080（应用端口）

内网机器可以是Ubuntu，也可是是windows

通过FRP 7000端口，FRP client 与 FRP 服务端建立连接

FRP 在server 端通过端口7500，提供Dashboard 来监控网络情况

如图，其他应用通过在client 端配置端口映射来个服务端建立连接

用户可以通过云端的服务器域名/IP:port 的方式来访问部署在内网的应用，比如Deepseek 本地模型部署 （这个后面单独写一篇）

安装教程：
云端：
1. 安装FRP

wget https://github.com/fatedier/frp/releases/download/v0.49.0/frp_0.49.0_linux_amd64.tar.gz
tar -zxvf frp_0.49.0_linux_amd64.tar.gz
cd frp_0.49.0_linux_amd64

2. 配置服务端

[common]
bind_port = 7000          # 服务端与客户端通信端口（默认7000，可自定义）
dashboard_port = 7500     # 仪表盘端口（默认7500，可自定义）
dashboard_user = admin    # 改成自己的
dashboard_pwd = admin     # 改成自己的
# 可选：设置日志级别
log_level = info
log_max_days = 3

3. 启动服务端服务

# 前台运行（测试用）
./frps -c frps.ini

# 后台运行（推荐）
nohup ./frps -c frps.ini &

4. 开启防火墙

# UFW防火墙示例（放行7000，7500，8080端口）
sudo ufw allow 7000/tcp
sudo ufw allow 6000/tcp
sudo ufw allow 7500/tcp
sudo ufw allow 8080/tcp

本地：

1. 安装FRP（同云端一样，只是配置文件不一样）

wget https://github.com/fatedier/frp/releases/download/v0.49.0/frp_0.49.0_linux_amd64.tar.gz
tar -zxvf frp_0.49.0_linux_amd64.tar.gz
cd frp_0.49.0_linux_amd64

2. 配置FRP

[common]
server_addr = 云端服务器公网IP   # 替换为云端Ubuntu的公网IP
server_port = 7000                # 服务端的bind_port

# SSH转发规则（重点！）
[ssh]
type = tcp                        # 转发类型为TCP
local_ip = 127.0.0.1              # 本地SSH服务IP（内网Ubuntu的SSH地址，通常是127.0.0.1或内网IP）
local_port = 22                   # 本地SSH端口（默认22）
remote_port = 6000                # 云端服务器映射的公网端口（可自定义，需与服务端防火墙放行）

[web]
type = tcp                        # Web应用通常使用TCP协议
local_ip = 127.0.0.1              # 内网Web应用所在IP（通常是本机）
local_port = 3000                 # 内网Web应用端口
remote_port = 8080                # 云端服务器映射的公网端口（自定义，需确保未被占用）

3. 启动客户端服务

# 前台运行（测试用）
./frpc -c frpc.ini

# 后台运行（推荐，需创建systemd服务）
# 1. 创建服务文件
sudo nano /etc/systemd/system/frpc.service

4. 配置系统服务，允许自动启动

修改frpc.ini 文件

[Unit]
Description=frp client
After=network.target

[Service]
Type=simple
User=root
ExecStart=/path/to/frpc -c /path/to/frpc.ini  # 替换为实际路径
Restart=on-failure

[Install]
WantedBy=multi-user.target

保存后启动服务

sudo systemctl daemon-reload
sudo systemctl start frpc
sudo systemctl enable frpc  # 开机自启

测试

云端通过7500端口访问Dashboard

云端通过6000 端口ssh 内网机器
云端通过8080 端口访问web服务

改进：配置安全连接（两端都需要配置）

# 服务端（frps.ini）
[common]
token = your_secure_token  # 设置连接密钥，增强安全性

# 客户端（frpc.ini）
[common]
token = your_secure_token  # 与服务端一致
compress = true            # 启用数据压缩，减少流量

听了8节免费课，感觉懂了点，又感觉没懂！先记下来

什么是深度学习 – 深度神经网络的权重参数学习

从系统论来看，万事万物可以看成下面的基础结构（多层感知机）

从 Y = f(Wx + b)
到 Y = fnfn-1…fo(Wx + b)

深度学习就是 求这个W
深度就是线性模型外面套激活函数，一层一层来逼近目标

CNN，卷积神经网络->空间维度的一个截面- 把W通过w卷积

RNN：循环神经网络 -> 考虑时间/时序维度的关系

Yn = f（Ux + WYn-1 + B ）

注意力网络： Transformer -> 认知科学维度，聚焦关键特征

Y = softmax(QK / [d])V

AIGC

机器视觉 CV

语音

NLP – 文本，以及背后的语义，逻辑，情感，意图等 -> LLM -> AI2.0

多模态 – 多媒体 – 文本，图形，视频，语音的生成和交互

线性代数 – 数据表达 – 前向传播

概率统计 – 损失函数 – 优化引擎

微积分 -链式法则- 反向传播

向量和矩阵：数据在AI领域的数字表达
神经网络的核心操作是线性变换 + 非线性激活，就是前面讲的：输入向量 x 通过权重矩阵 W 完成线性变换 y=Wx+b

卷积神经网络（CNN）中的卷积操作可视为稀疏矩阵乘法，利用局部连接和权值共享减少计算量

AI 模型（如神经网络）通过损失函数（如交叉熵）衡量预测误差，需利用微积分中的导数找到使损失最小的参数。
梯度（Gradient）是损失函数对参数的偏导数向量，指引参数更新的方向（沿梯度反方向更新可最快降低损失）

反向传播算法（Backpropagation）本质是链式法则的应用，递归计算每个参数的梯度，实现端到端的优化。

动量法（Momentum）引入梯度的一阶惯性（类似物理中的动量），通过指数加权平均加速收敛；

Adam 算法结合梯度的一阶矩（均值）和二阶矩（方差），自适应调整学习率，其推导依赖泰勒展开、牛顿法等微积分理论。

为了使用梯度下降优化，激活函数（如 ReLU、Sigmoid、Tanh）必须可导（或近似可导）。

微积分支持对连续变量的建模（如回归问题预测房价、温度等连续值），而离散优化（如组合问题）常通过连续松弛（如将 0-1 变量松弛为 [0,1] 区间的实数）转化为微积分问题求解。

分类模型通过 Sigmoid 函数将线性变换结果映射为概率（如二分类中 \(P(y=1|X) = \sigma(\mathbf{w}^T\mathbf{x})\)），损失函数（交叉熵）对应极大似然估计的优化目标

生成模型变分自编码器（VAE）假设隐变量 z 服从先验分布（如标准正态分布），通过编码器 \(q(z|X)\) 近似后验分布 \(p(z|X)\)，解码器 \(p(X|z)\) 生成新样本，目标是最大化对数似然的变分下界

归一化流（Normalizing Flow）通过可逆变换将简单分布（如高斯分布）转化为复杂数据分布，利用概率密度变换公式（雅可比行列式）计算似然

多头注意力机制（Multi-Head Attention）通过线性变换（矩阵乘法）将查询（Query）、键（Key）、值（Value）映射到多个子空间，计算注意力权重时使用点积（内积）和 Softmax 函数（归一化概率分布）

位置编码（Positional Encoding）利用正弦余弦函数（微积分中的周期函数）引入序列顺序信息，避免纯线性变换的排列不变性

总结：微积分中的链式法则支撑反向传播算法，而线性代数中的矩阵求导（如雅可比矩阵、海森矩阵）提供参数梯度的计算框架，概率论中的期望运算（如损失函数的数学期望）将样本层面的优化扩展到总体分布。