Kubeadm搭建高可用K8S（一）环境准备

AlgebraFly AlgebraFly 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 516平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 2022-06-08 17:55:57 516 阅读 AI 写同款· GEO 优化 ›
K8S安装部署的详细步骤与注意事项！ k8s是一个多宿主机的容器集群管理软件，编排多台宿主机上的容器，它是一个开源的系统，可以自动部署、扩缩、管理容器的应用程序。本文将为大家详细介绍k8s部署的详细过程与注意事项。 阅读详情

前提：自行安装VMWare

1.准备至少三套CentOS7系统，入门配置：master节点需要4G4C，worker节点需要2G2C

2.每台机器配置好静态IP

3.保证各个机器之间和宿主机之间通信没有问题

一、多master节点单node节点机器配置

集群角色IP主机名安装的组件
Master-1192.168.74.10master01apiserver、controller-manager、scheduler、kubelet、etcd、docker、kube-proxy、keepalived、nginx、calico
Master-2192.168.74.11master02apiserver、controller-manager、scheduler、kubelet、etcd、docker、kube-proxy、keepalived、nginx、calico
Worker-1192.168.74.12worker01kubelet、kube-proxy、docker、calico、coredns
Worker-2192.168.74.13worker02kubelet、kube-proxy、docker、calico、coredns
virtual-ip(VIP)192.168.74.110

二、各机器实验环境准备

配置虚拟机静态IP

vim /etc/sysconfig/network-scripts/ifcfg-ens33

配置主机名

# 每一台机器都操作
# 机器之间可以通过主机名访问
hostnamectl set-hostname master1 && bash
# 查看主机状况
hostnamectl

配置主机host文件

vim /etc/hosts
# [ip] [hostname]
192.168.74.10 master01
# 【验证】互相ping域名，能够通
ping master02
ping www.baidu.com

配置主机之间无密码登录

# 要在每一台机器上都执行，且都需要拷贝（两两相互）
# 使得机器之间可以无密码相互访问
ssh-keygen  #一路回车，不输入密码
# 把本地生成的密钥文件和私钥文件拷贝到远程主机
ssh-copy-id master1
ssh-copy-id master2
ssh-copy-id worker1
ssh-copy-id -i /root/.ssh/id_rsa.pub master1
#【验证】在master1上执行
ssh root@master2
# 是否可以无密码跳转登录
ls -a #查看隐藏文件夹 .ssh

关闭交换分区swap

# 要在每一台机器上都操作
# 避免资源耗尽导致k8s异常，提升性能
#1.临时关闭
swapoff -a
#2.永久关闭：注释swap挂载，给swap这行开头加一下注释
vim /etc/fstab
    /dev/mapper/centos-swap swap      swap    defaults        0 0
#如果是克隆的虚拟机，需要删除UUID
# 运行完毕后，查看交换分区情况，执行如下命令：
free -m

修改机器内核参数 

# 要在每一台机器上都操作
# 开启包转发等等（？？）
modprobe br_netfilter
​
echo "modprobe br_netfilter" >> /etc/profile
​
cat > /etc/sysctl.d/k8s.conf <<EOF
net.bridge.bridge-nf-call-ip6tables = 1
net.bridge.bridge-nf-call-iptables = 1
net.ipv4.ip_forward = 1
EOF
​
# 在运行时配置内核参数 -p：从指定的文件加载系统参数，如不指定即从/etc/sysctl.conf中加载
sysctl -p /etc/sysctl.d/k8s.conf
​
# 为什么要修改内核参数
#/etc/sysctl.d/k8s.conf文件中三行参数的意思

关闭firewalld防火墙

# 要在每一台机器上都操作
# 安全相关，kubeadm初始化检测项目
systemctl stop firewalld ; systemctl disable firewalld
# 查看防火墙状态
systemctl status firewalld 
# 或者
firewall-cmd --state

关闭selinux (?)

# 要在每一台机器上都操作
# 安全相关，kubeadm初始化检测项目
sed -i 's/SELINUX=enforcing/SELINUX=disabled/g' /etc/selinux/config
#修改selinux配置文件之后，重启机器，selinux配置才能永久生效
​
#显示Disabled说明selinux已经关闭
getenforce

配置阿里云的repo源

# 要在每一台机器上都操作
# 安装文件操作工具
yum install lrzsz -y
yum install openssh-clients
# 备份repo源(只需要操作Base源即可，其他保留)
mkdir /root/repo.bak
cd /etc/yum.repos.d/
mv CentOS-Base.repo /root/repo.bak/
# 把CentOS-Base.repo文件上传到master1主机的/etc/yum.repos.d/目录下
​
#安装yum-utils
yum -y install yum-utils
# 配置国内阿里云docker的repo源
yum-config-manager --add-repo http://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo
# 配置epel.repo
# 直接上传文件即可
# 最终/etc/yum.repo.d/下有 CentOS-Base.repo、docker-ce.repo、epel.repo

配置安装k8s组件需要的阿里云的repo源 （二进制不需要做）

# 编辑文件
vim  /etc/yum.repos.d/kubernetes.repo
# 内容如下
[kubernetes]
name=Kubernetes
baseurl=https://mirrors.aliyun.com/kubernetes/yum/repos/kubernetes-el7-x86_64/
enabled=1
gpgcheck=0
# 使用scp命令将文件copy到其他虚拟机
scp /etc/yum.repos.d/kubernetes.repo master2:/etc/yum.repos.d/

配置时间同步

# 要在每一台机器上都操作
# kubeadm要求的
# 安装时间同步工具
yum install ntpdate -y
# 跟网络时间做同步
ntpdate cn.pool.ntp.org
# 把时间同步做成计划任务
crontab -e
# 内容如下：
* */1 * * * /usr/sbin/ntpdate   cn.pool.ntp.org
# 重启定时服务
service crond restart

开启IPVS

# 要在每一台机器上都操作
# 作用：数据包转发
# 把ipvs.modules脚本上传到master1机器的/etc/sysconfig/modules/目录下，其他可使用scp命令拷贝
chmod 755 /etc/sysconfig/modules/ipvs.modules && bash
# 执行命令并检测
/etc/sysconfig/modules/ipvs.modules && lsmod | grep ip_vs
# 结果如下即可
ip_vs_ftp              13079  0 
nf_nat                 26583  1 ip_vs_ftp
ip_vs_sed              12519  0 
ip_vs_nq               12516  0 
ip_vs_sh               12688  0 
ip_vs_dh               12688  0

安装基础软件包

# 要在每一台机器上都操作
yum install -y yum-utils device-mapper-persistent-data lvm2 wget net-tools nfs-utils lrzsz gcc gcc-c++ make cmake libxml2-devel openssl-devel curl curl-devel unzip sudo ntp libaio-devel wget vim ncurses-devel autoconf automake zlib-devel  python-devel epel-release openssh-server socat  ipvsadm conntrack ntpdate telnet ipvsadm

安装iptables

# 要在每一台机器上配置
# 由于k8s配置一些规则要用到iptables
yum install iptables-services -y
# 禁用
service iptables stop && systemctl disable iptables
# 清空防火墙规则
iptables -F

收录于
云原生

当前文章被收录于：

云原生
13 篇文章 1 人学习
订阅专栏 查看详情
标签
#docker #nginx #容器 #kubernetes
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
快速搭建K8s高可用集群实战攻略 服务器要求：● 建议最小硬件配置：2核CPU、2G内存、20G硬盘。● 服务器最好可以访问外网，会有从网上拉取镜像需求，如果服务器不能上网，需要提前下载对应镜像并导入节点。软件环境：软件版本操作系统CentOS7.9Docker20.10Kubernetes1.28.0IP主机名角色k8s-master1k8s-master2k8s-node1kubelet、88vip# 关闭防火墙# 关闭selinux。 阅读详情

相关推荐

k8s的部署

裸机搭建一般有两种方式“kubeadm 方式”和”二进制方式“，Kubeadm 是一个 K8s 部署工具，提供kubeadm init 和 kubeadm join，用于快速部署 Kubernetes 集群。二进制方式需要手工将所有的组件安装，非常的复杂，所以一般优选kubeadm方式----此处选择kubeadm第一步：环境准备【所有节点通用：master和worker都要进行】主机名主机ip说明k8s-mastermaster节点k8s-nodenode节点。

Wang_Jing_yao的博客 1013

K8S部署（Kubeadm方式）

Kubernetes 1.8开始要求关闭系统的Swap，如果不关闭，默认配置下kubelet将无法启动。方法一,通过kubelet的启动参数–fail-swap-on=false更改这个限制。1.2环境准备——关闭firewalld和selinux（在k8s集群master和node上都进行操作）默认token有效期为24显示，当过期之后，该token就不可用了。因为通过kubeadm部署k8s时候会默认从google拉取需要的镜像，国内服务器拉取可能会失败。与master节点初始化时的ip保持一致。

qq_42181617的博客 763

CentOS 搭建 K8S

linux发行版：CentOS 8.2安装docker-ce 20.10.5（所有机器）设置k8s环境准备条件（所有机器）安装k8s v1.23.0 master管理节点安装k8s v1.23.0 node工作节点安装flannel（master）

苏酥甜心糕的博客 1361

企业项目实战k8s篇（九）Secret配置管理

Secret配置管理一.Secret概述二.Service Account三.Opaque Secret四.secret应用1.创建secret2.将Secret挂载到Volume中3.向指定路径映射 secret 密钥4.将Secret设置为环境变量五.docker registry 一.Secret概述 Secret 对象类型用来保存敏感信息，例如密码、OAuth 令牌和 ssh key。 敏感信息放在 secret 中比放在 Pod 的定义或者容器镜像中来说更加安全和灵活。 Pod 可以用两种方式使用

qq_42003848的博客 348

部署一套完整的企业级K8s集群

部署一套完整的企业级K8s集群 一、准备环境 服务器要求： • 建议最小硬件配置：4核CPU、4G内存、50G硬盘 • 服务器最好可以访问外网，会有从网上拉取镜像需求，如果服务器不能上网，需要提前下载对应镜像并导入节点 软件环境： 软件 版本 操作系统 CentOS7.8_x64 Docker 19+ Kubernetes 1.20 服务器整体规划： 角色 IP 其他单装组件 k8s-master1 192.168.1.1 d

lee_yanyi的博客 2853

无人机避障——卡内基梅隆大学（CMU）CERLAB 无人机自主框架复现

CMUCERLAB无人机自主框架是一个模块化的无人机自主导航系统，包含感知、测绘、规划和控制等组件。安装过程中遇到的主要问题包括：(1)cv_bridge路径未正确识别，需手动指定路径；(2)OpenCV版本冲突（4.2与4.6），导致动态导航节点崩溃。解决方案包括：完全卸载OpenCV4.2，重新编译安装OpenCV4.6，并修改相关CMakeLists文件指定版本。最终成功运行仿真环境，实现无人机在Gazebo和RViz中的自主避障导航功能。

weixin_45390670的博客 1644

使用 Kubeadm 部署 Kubernetes 集群详细指南

本文中，介绍了使用 Kubeadm 部署具有一个主节点和两个工作节点的。是一个优秀的工具，可以在更短的时间内建立一个有效的 kubernetes 集群。它在设置所有 kubernetes 集群组件方面完成了所有繁重的工作。此外，它还遵循 kubernetes 集群的所有配置最佳实践。什么是 Kubeadm？Kubeadm 是一个无需复杂配置即可设置最小可行 Kubernetes 集群的工具。

一览无遗 5075

用VASP计算GW+BSE

VASP在5.3以后的版本都能用解BSE方程的方法，在计算光吸收的过程中考虑激子效应。 下面就来写一个用BSE计算bulkSi的例子 首先，介电函数的计算是在GW计算的基础之上的。这里首先介绍G0W0的计算（我们这里直接在PBE的波函数基础上进行G0W0计算）。 1.PBE自恰计算，写WAVECAR System= Silicon groundstate occupied

ultra1989的专栏 2万+

制作本地kubernetes镜像仓库(使用reposync、createrepo、httpd)

记录：331 场景：在CentOS 7.9操作系统上，使用reposync从开源镜像站下载kubernetes镜像仓库的rpm包；使用createrepo制作本地kubernetes镜像仓库；使用httpd发布服务。解决内网中使用yum命令安装kubernetes的需求。

zhangbeizhen18的博客 2425

svn co --depth和svn up --set-depth 只check out下一层文件 只更新指定文件 只更新下一层的用法

svn的工程可能很大 有时我们只需要部分文件即可 这里介绍几个命令 1.svn co(check out) --depth --depth=empty,files,immediates,infinity 假设某svn结构如下 svn://root/PRO/A_dir/a svn://root/PRO/B_dir/b svn://root/PRO/c_file svn co --depth=emptysvn://root/PRO 此时只会在本地check out出 PRO/的空目录。 sv.

cy413026的博客 1万+

使用kubeadm搭建高可用的K8s集群

kubeadm是官方社区推出的一个用于快速部署kubernetes集群的工具。

furenqiang的博客 1077

VMware虚拟机调用NVIDIA显卡全攻略：从3D加速到直通与vGPU

显卡虚拟化技术是虚拟化领域的关键组成部分，它通过在虚拟机中模拟或直接分配物理GPU资源，实现了图形渲染与通用计算的加速。其核心原理在于通过Hypervisor层对GPU指令进行拦截、转换或直接映射，从而平衡资源隔离与性能损耗。这项技术的核心价值在于提升资源利用率、实现计算环境隔离，并支持AI训练、3D渲染、科学计算等高性能负载的灵活部署。在应用场景上，轻量级图形界面加速、CUDA学习验证适合使用虚拟3D加速；而追求极致性能的机器学习训练、专业渲染则需依赖PCIe直通技术；对于企业级GPU资源池化与多租户共享

weixin_32308101的博客 990

部署一套完整的K8s高可用集群kubeadm-V1.21教程：深入掌握Kubernetes集群部署

部署一套完整的K8s高可用集群kubeadm-V1.21教程：深入掌握Kubernetes集群部署 去发现同类优质开源项目:https://gitcode.com/ 在云计算与容器技术日益成熟的今天，Kubernetes（K8s）作为容器编排领域的佼佼者，已经成为了企业级应用交付和运维的标准。本文将向您推荐一款开源项目——部署一套完整的K8s高可用集群（kubeadm-V1.21）教程，助您轻松掌...

gitblog_06730的博客 815

FFmpeg入门详解之110：RTSP协议讲解

TCP/IP 协议体系中的一个应用层协议，该协议定义了一对多应用程序如何有效地通过 IP 网络传送多媒体数据。RTSP在体系结构上位于RTP和RTCP之上，它使用TCP或UDP完成数据传输。HTTP与RTSP相比，HTTP传送HTML，而RTSP传送的是多媒体数据。正在上传…重新上传取消RTSP是基于文本的协议，采用ISO10646字符集，使用UTF-8编码方案。行以CRLF中断（\r\n:10,13:0x0A,0x0D），包括消息类型、消息头、消息体和消息长。

福优学苑@音视频+流媒体 2528

Transformer实战（38）——视觉Transformer (Vision Transformer, ViT)

Transformer 在自然语言处理 (NLP) 领域取得了显著成就，在许多不同的任务中都表现出色。在本节中，我们将探索视觉 Transformer (Vision Transformer, ViT) 模型。正如 NLP 领域创建了多种模型一样，视觉领域也开发了多种模型，每种模型都为计算机视觉提供了新的视角。通过本节，将学习如何使用 ViT 等模型进行计算机视觉任务，了解基于 Transformer 的预训练计算机视觉模型的工作原理，以及如何针对特定任务进行微调。

盼小辉丶的博客 2811

kubeadm搭建高可用集群

kubeadm搭建高可用集群 标签： k8s kubeadm etcd 文章目录kubeadm搭建高可用集群1.安装环境2.准备工作3.安装haproxy4.安装ETCD集群（可选）5.安装docker6.安装k8s7.部署Kubernetes Master8.加入k8s集群9. 测试kubernetes集群10.rancher部署（可选）11.部署 Dashboard（可选） 1.安装环境 5...

qq_35623011的博客 1011

连续相位调制通信调制方法的载波同步和定时同步研究及MATLAB仿真

本文将探讨CPM调制方法中的载波同步和定时同步问题，并提供MATLAB仿真源代码。本文讨论了连续相位调制通信中的载波同步和定时同步问题，并提供了相应的MATLAB仿真源代码。通过适当的载波同步和定时同步方法，可以实现对CPM信号的准确解调。希望本文对您理解连续相位调制通信调制方法的载波同步和定时同步问题有所帮助，同时也为您提供了一些MATLAB仿真实现的思路和示例代码。在CPM系统中，载波同步的主要任务是估计接收信号的载波频率偏移和相位偏移。在CPM系统中，常用的定时同步方法是基于自相关函数的峰值检测。

2301_79331230的博客 692

k8s1.27.2 kubeadm 高可用安装

某些情况下， 将 kubelet 和容器运行时配置为使用 cgroupfs、但为剩余的进程使用 systemd 的那些节点将在资源压力增大时变得不稳定。一台兼容的 Linux 主机。下载地址：https://github.com/projectcalico/calico/blob/v3.26.0/manifests/calico-etcd.yaml。下载地址：https://github.com/kubernetes-sigs/cri-tools/blob/master/docs/crictl.md。

小五 2022

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

kubeadm部署k8s1.17.0

kubeadm部署k8s1.17.0集群。傻瓜教程。

学习学习再学习 841

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

Centos7.6部署k8s v1.16.4高可用集群(主备模式)

一、部署环境 主机列表： 主机名 Centos版本 ip docker version flannel version Keepalived version 主机配置 备注 master01 7.6.1810 172.27.34.3 18.09.9 v0.11.0 v1.3.5 4C4G contro...

Ww3651425的博客 629

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Kubernetes集群自动化部署

本实验通过使用 kubeadm 实现自动化部署 Kubernetes 集群，并用 nginx+Keepalived 实现高可用。

wzpny的博客 1251

k8s自动化安装脚本（kubeadm-1.21.1）

通过ansible脚本自动化部署k8s基础集群https://download.youkuaiyun.com/download/qq_44246980/85695007

北城半夏 2565

通过keepalived+nginx实现 k8s apiserver节点高可用

K8s 主机配置：配置： 4Gib 内存/4vCPU/60G 硬盘网络：机器相互可以通信k8s 实验环境网络规划：podSubnet（pod 网段） 10.244.0.0/16serviceSubnet（service 网段）: 10.96.0.0/12物理机网段：192.168.1.0/242个控制节点2个工作节点上面的安装到第三步，安装初始化 k8s 需要的组件，

冰恋云的专栏 2439

【Kubernetes】搭建和排错

本文详细介绍了在Ubuntu系统上部署Kubernetes 1.23集群的完整流程。主要内容包括：1) 环境准备，包括主机配置、关闭swap分区、网络优化和时间同步；2) Docker安装与配置，包括安装特定版本、配置镜像加速器；3) Kubernetes组件安装，使用阿里云镜像源；4) 集群初始化，包括镜像拉取、配置文件修改和kubeadm初始化；5) 节点加入集群。整个过程涵盖了从基础环境配置到完整集群部署的关键步骤，特别针对国内网络环境进行了优化配置。

2401_86695867的博客 899

kubeadm搭建K8S集群完整实战指南

Kubernetes 作为容器编排领域的事实标准，已成为运维工程师的必备技能。本文以生产环境推荐的 1.23.17 版本（最后一个默认支持 Docker 运行时的版本）为例，从集群架构、环境准备、组件部署到业务上线的全流程，手把手带你完成一套完整的 K8S 集群搭建。所有步骤均经过生产验证，可直接复用。

m0_74808779的博客 425
上一篇： Springboot读取Jar包内文件
下一篇： Kubeadm搭建高可用K8S（二）安装高可用master
点赞 0
评论 0
书签 书签 0
AlgebraFly
AlgebraFly
博客等级 码龄9年 260粉丝 21原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AlgebraFly

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值