Linux bootloader squeue AND runlevel info(rc.d init.d daemons S K difference ) RUNLEVEL

BlueCY BlueCY 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 1.6k累计阅读 1.7k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19年
关注
转载 最新推荐文章于 2026-11-09 22:21:11 发布 1.6k 阅读 AI 写同款· GEO 优化 ›
Linux Swap 子系统：架构、内存管理与虚拟化 Swap Linux Swap机制通过将不活跃内存页移至磁盘或压缩内存，扩展系统有效内存容量，缓解内存压力。传统架构中，逻辑Swap槽与物理存储绑定，导致资源浪费，尤其在使用Zswap等压缩技术时。为此，Vswap与Xswap提出虚拟化方案：前者以XArray实现灵活映射，支持多后端迁移；后者采用稀疏映射，简化管理但容量固定。二者在架构设计、资源记账与动态扩展上各有权衡，反映了内核开发中对性能、可维护性与灵活性的深层考量。 阅读详情

1)一个 Linux 系统的引导过程可以分为几个阶段。
本文并不会解释所有的不同阶段，因为我们所关心只是当内核加载后的那一个阶段。您可以运行 /sbin/runlevel 命令来确定您的系统当前的运行级;当内核被加载并开始运行时会调用 /sbin/init 程序(/etc/init.d/*filename*)。这个程序以 root 身份运行，并且在开始引导时按照要求设定为"运行级"。


2)init如何初始化系统 
init 通过一个ASCII配置文件(/etc/inittab)来确定运行级。通常，init 会根据这个配置文件去运行/etc/rc.d/rc 脚本(/etc/rc*.d/"softlink filename")，并将运行级数字传递给这一脚本。 在本文看来，正是从运行 rc 脚本开始，事情才变得有趣;

备注：
rc.sysinit 脚本
在 Red Hat 系统中，在运行 rc 脚本之前，init 将首先运行 /etc/rc.d/rc.sysinit 脚本，这个脚本执行那些必需的底层设置任务，比如设置系统时钟，检查磁盘错误，然后挂载文件系统。
eg:
[root@chenxin rc.d]# ls /etc/rc.sysinit -al
lrwxrwxrwx 1 root root 15 Nov 6 2007 /etc/rc.sysinit -> rc.d/rc.sysinit,
其实/etc/rc.sysinit文件是指向/etc/rc.d/rc.sysinit文件的；同时，/etc/rc.d/rc3.d/下的启动脚本和/etc/rc3.d/下的没有区别，都是指向/etc/init.d/目录下的scripts的；

 服务程序在哪里？ 
可选的服务程序目录：在一些 Linux 系统中，服务程序有时候是在 /etc/init.d 目录下-FEDORA10是这样的。通常在 /etc/rc.d/init.d/ 目录下可以找到服务程序(FEDORA中是在/etc/init.d/目录下)。如果你浏览一下这个目录，你就会发现相当多的(如果不是全部都是的话)服务程序实际上都是shell 脚本，用于调用其他程序完成实际的工作。 

 rc 脚本如何知道在每个运行级下去运行哪些脚本？ 
回顾一下，如果我们不希望在某个运行级下运行某个脚本，我们如何告诉系统这样去做？答案是在 /etc/rc.d/ 目录下，在这个目录下，除了我们已经讨论过的 init.d/ 目录以外，还有一组目录，每一个目录对应一个运行级(/etc/rc.d/rc3.d/和/etc/rc3.d是相同的，没有区别，但为什么FEDORA中设置两个相同的软连接目录呢？是为了方便系统管理员管理系统用的吗？难道提供给不同平台下的管理员都可以用这些脚本吗？答案是/etc/rc3.d/目录是软链接到/etc/rc.d/rc3.d/目录的)。这些目录以 rc<runlevel>.d 的形式来命名，比如，对应运行级5的目录为 /etc/rc.d/rc5.d/　。在这些rc.d目录中，每一个目录下都有一组符号链接，指向 /etc/rc.d/init.d(也可能是/etc/init.d/目录)中的真正的服务程序。实际上，后边我们会发现，每个服务事实上有两个符号链接(为什么是用两个呢？以后考证后再列出吧)。 

 
服务链接名(K S 标记的 Scripts文件，启动顺序和KS的执行顺序):
这些指向实际服务程序的符号链接的名字很重要，它们遵循严格的命名约定，这样 rc 脚本就知道如何处理它们。 为了便于标识，每个链接的名字都以它们所指向的服务的名字做为后缀。前缀由两部分构成：一个大写字母，紧跟着是一个两位的十进制数。前缀中的大写字母是"S"(表示"启动")，或者"K"(表示"杀死"，或者停止)。两位数的大小范围是自00到99。 

启动和停止服务:
如果我们决定让 Linux 机器引导到图形模式(运行级5)，当 init 调用 rc 脚本并传递给它运行级数字时，rc 
脚本将到 /etc/rc.d/rc5.d/ 中查找，并且去运行它所能找到的所有符号链接(也就是说，它将运行每个链接指向的程序/脚本)。它将在两个截然不同的阶段来运行这些链接；首先它会执行所有以"K"开头的链接，同时传递给它们参数"stop"。执行完以后，所有这些链接指向的服务都被停止。 
当 rc 脚本把所有需要停止的服务都停止后，它将去执行所有以"S"开头的链接，同时传递给它们参数"start"。执行完以后，所以这些链接指向的服务都被启动。rc 脚本也把参数"start"传递给每一个程序。
rc 把参数"tart"或者"stop"传递给每一个服务程序，这样做是为了只用一个服务程序可以启动或停止那个服务

——服务程序根据传递给它的参数值分辨系统是正在引导还是正在关闭。
[root@chenxin rc.d]# more /etc/init.d/sshd
#!/bin/bash
#
# Init file for OpenSSH server daemon
#
# chkconfig: 2345 55 25
# description: OpenSSH server daemon
#
# processname: sshd
# config: /etc/ssh/ssh_host_key
# config: /etc/ssh/ssh_host_key.pub
# config: /etc/ssh/ssh_random_seed
# config: /etc/ssh/sshd_config
# pidfile: /var/run/sshd.pid

# source function library
. /etc/rc.d/init.d/functions
#其实，在/etc/init.d/目录下的SCRIPTS和/etc/rc.d/init.d/下的是相同的(FEDORA10);

# pull in sysconfig settings
[ -f /etc/sysconfig/sshd ] && . /etc/sysconfig/sshd

RETVAL=0
prog="sshd"

# Some functions to make the below more readable
KEYGEN=/usr/bin/ssh-keygen
SSHD=/usr/sbin/sshd
RSA1_KEY=/etc/ssh/ssh_host_key
RSA_KEY=/etc/ssh/ssh_host_rsa_key
DSA_KEY=/etc/ssh/ssh_host_dsa_key
PID_FILE=/var/run/sshd.pid
......

start()
{
  # Create keys if necessary
  do_rsa1_keygen
  do_rsa_keygen
  do_dsa_keygen

  echo -n $"Starting $prog:"
  initlog -c "$SSHD $OPTIONS" && success || failure
  RETVAL=$?
  [ "$RETVAL" = 0 ] && touch /var/lock/subsys/sshd
  echo
}

stop()
{
  ......
}

reload()
{
  ......
}

case "$1" in
  start)
  start
  ;;
  stop)
  stop
  ;;
  restart)
  stop
  start
  ;;
  reload)
  reload
  ;;
  condrestart)
  if [ -f /var/lock/subsys/sshd ] ; then
  do_restart_sanity_check
  if [ "$RETVAL" = 0 ] ; then
  stop
  # avoid race
  sleep 3
  start
  fi
  fi
  ;;
  status)
  status $SSHD
  RETVAL=$?
  ;;
  *)
  echo $"Usage: $0 {start|stop|restart|reload|condrestart|status}"
  RETVAL=1
esac
exit $RETVAL

有一个重要的方面我还没有解释——链接名的数字部分。在"S"或者"K"之后的两位十进制数是 rc 脚本用来确定启动链接(就是链接指向的服务)的 顺序的。数字较小(比如00，01，等等)的链接在数字较大(99是最大的)链接之前运行。我们会在本文后边的内容中再次提到这一重点问题。 
这看起来好象是非常复杂的系统，但实际上它提供了极好的灵活性，因为如果您想临时禁止某个特定运行级中的服务，只要把适当的符号链接删除即可。不过，手工管理这些链接可能会让人感觉厌烦，并且容易出错(尤其当您累了的时候)，所以可以采用一个相对好一些的方法，使用 chkconfig 命令。

如何找出激活的服务:
想查看您已经激活了多少服务，运行这个命令： 
/sbin/chkconfig --list 

激活服务与运行服务的对比:
有时服务会由于某种原因无法启动，用下面这个命令查看当前有哪些服务正在运行： 
/sbin/service --status-all 
这个命令将为每个服务输出一行或多行，指出每个服务是否在运行，如果在运行，则列出服务的一些特定的输出，比如服务运行的PID(进程号)。service 命令没有手册页，但是您可以在运行这个命令时使用--help 选项，您就可以得到有关它的操作的一些帮助信息

(或许一个很明显的加快服务启动速度的方法是并行地启动所有的服务，这样它们就可以同时启动。不幸的是，虽然这听起来很吸引人，却不可行。原因是各个服务之间存在依赖的关系。Linux没有把这些依赖关系完全显式地表示出来，但是事实上这些依赖关系是存在的。还记得我们先前讨论的关于链接名字格式的问题吗？在"S"和"K"之后的两位数决定了链接(也就是它们指向的服务)的运行顺序。这些数字确定了一个硬性的顺序，这样一定程度上也强化了服务之间的依赖关系。)


关于作者
  James Hunt 是 英国 IBM Hursley 实验室的一名软件工程师。他不是一名赛车手，他的汽车也显然不是赛车。James 自己公开承认是一个Linux 迷，他一有机会就向其他的人来讲述相关的话题，并以此度过了很多美好的时光。他的工作内容是分布式平台(AIX，HP－UX，Linux，OS/400，Solaris和Windows)上的 WebSphere MQ 产品。他曾经做过 UNIX 系统管理员、数据库的管理和编程。他对 Linux 的文件系统和编译器感兴趣，并且他可能是现在仅有的 Perl 编码标准文档的作者。James 是一个古怪的人，喜欢写技术文档。在他的业余时间，他弹吉他，学瑜珈，开游艇，虽然他还未能设法把这些活动并行化。

 

http://chenxin6676.blog.163.com/blog/static/28950876200922031827758/

收录于
suse linux

当前文章被收录于：

suse linux
31 篇文章 0 人学习
订阅专栏 查看详情
标签
#linux #脚本 #websphere #solaris #server
#random
PADS Layout差分对布线实战：从规则设置到高速信号优化 本文详细讲解了在PADS Layout中进行差分对布线的完整实战流程。从在Layout中定义差分对网络，到进入Router配置线宽、间距等关键规则，再到布线实战技巧与高速信号完整性优化，系统阐述了如何确保差分信号（如USB、HDMI）的稳定传输，是高速PCB设计的核心技能。 阅读详情

相关推荐

一篇文章将三极管讲透：三极管从原理到应用，从参数到特性，从入门到精通

晶体三极管（Transistor）是一种半导体电子器件，也是电子工程中最基本的元件之一。它有三个区域，分别是P型半导体，N型半导体和P型半导体，从而形成PNP型晶体三极管或者NPN型晶体三极管。

学习帮的博客 9万+

【linux】通过/etc/rc5.d/文件注册开机启动项

查看当前运行级别 runlevel 编写启动脚本 vim /etc/init.d/autorun.sh 写入内容 #!/bin/sh date >/root/date.log 赋予脚本执行权限 chmod 777 /etc/init.d/autorun.sh 将脚本链接到/etc/rc5.d/目录下 ln -s /etc/init.d/autorun.sh /etc/rc5.d/S99autorun ...

qq_43017750的博客 2671

数据结构：五岔路口交通管理红绿灯设计

我们可以知道这是一个“图”的着色问题，首先要考虑，为什么可行路线是13条？当然可以通过穷举得出，如果用公式：则是： 或者 因为一条路线必须包括一出一进两个方向 第一种答案的解法： 一、固定E为入口，则有C_4^1=4的可能； 二、除去E（因为E只有一个入向），剩下ABCD四个路口，然后因为C只有一个出方向，所以从剩下 的ABD中选择一个入口，即C_3^1； 三、再从剩下的三个出口任选

潘猫猫的世界 1万+

linux系统脚本启动顺序 /etc/rc.d/ 与/etc/rc.d/init.d

(1)fireware(固件)开机自检，检验硬件设备是否正常,如果正常则读取硬盘上面存放数据的第一个位置MBR（Master Boot Record）里面的bootloade (2)BootLoader里面最重要的是存放了一个自举程序(GRUB) (3)GRUB 载入内核(kernel) 驱动硬件、启动init进程 (4)init进程读取/etc/inittab,根据initdefault查到默认的运行级别并且去/etc/rc*.d/rcN.d下执行脚本，以S开头的脚本是启动服务的脚本，以K开头是关闭服

u013921164的博客 5791

SOLIDWORKS转CAD字体终极选择：TrueType vs SHX，哪个才是你图纸协作的“安全牌”？

本文深入探讨SOLIDWORKS转CAD工程图中的字体选择问题，对比TrueType与SHX字体在DWG文件协作中的表现。通过真实案例揭示字体映射的兼容性陷阱，提供企业级字体管理方案，帮助工程师规避版本差异、系统依赖和法律风险，确保图纸协作的稳定性。

weixin_34233974的博客 264

Gartner DSG数据安全治理 架构及解读

目录背景：架构图： 解释：英文解释：（自上而下）平衡业务与风险、威胁、合规之间的关系（5个维度之间的平衡）优先处理数据集制定安全策略实施安全工具策略配置同步从上到下，从需求调研开始实施数据安全治理。千万不要跨过数据摸底、治理优先级分析、制定治理整体策略，而直接从技术工具开始对数据安全进行治理。 先明确选择需要治理的对象，优先选择重要数据进行数据安全治理工作。可以通过数据梳理、分类分级等手段，完成数据资产盘点和筛选，在纷杂的数据中理清头绪。

锦慈的技术博客 7216

对/etc/rc.d/init.d/目录的一点理解

辅助环境：rh9,fc7另：本文如无特殊解释，init.d指的就是/etc/rc.d/init.d目录。本文包括3部分内容1、        Linux的引导过程2、        运行级别3、        /etc/rc.d/ 与/etc/rc.d/init.d的关系都仅限于自身的理解，如有差错和不足的地方请指正和补充！一起学习，一起进步。        “/etc/rc.d/init.d/目

cradmin的专栏 8925

手把手解决GD32H759I-EVAL以太网通信三大坑：IP冲突、端口绑定失败、LWIP内存泄漏

本文针对GD32H759I-EVAL开发板在以太网通信调试中常见的三大难题——IP地址冲突、端口绑定失败和LWIP内存泄漏，提供了详细的实战排障指南。文章深入分析了问题根源，并给出了具体的网络配置、端口管理策略和内存泄漏检测方法，帮助开发者快速定位并解决嵌入式网络通信中的棘手问题，确保系统稳定运行。

weixin_29196315的博客 140

linux 运行级别，linux执行流程 /etc/rc.d/init.d目录理解

一、Linux的引导过程 　　系统启动之后，在进入init.d之前，我们先来看看系统都做了什么工作。系统加电之后，首先进行的硬件自检，然后是bootload对系统的初始化，加载内核。 内核被加载到内存之后，就开始执行了。一旦内核启动运行，对硬件的检测就会决定需要对哪些设备驱动进行初始化。 从这开始，内核就能够挂装根文件系统（这个过程类似于Windows识别并存取C盘的过程）。内核挂装了根文件...

boyemachao的专栏 945

An工具介绍之摄像头

An工具介绍之摄像头

人生得意须尽欢 6185

《派出你的AI同事：WorkBuddy案例实战》055：客服工单自动分类与话术生成

客服工单自动分类与话术生成 —— 《派出你的AI同事：WorkBuddy案例实战》系列文章，配图已统一为规范示意图。

LuckyHanMo的博客 283

linux启动流程

linux的基础启动流程 1. 加载BIOS的硬件信息，并获取第一个启动设备的代号。 2. 读取第一个启动设备的MBR的引导加载程序（即lilo、grub、spfdisk等）的启动信息。 3. 加载操作系统的核心信息，核心开始解压，并尝试驱动所有的硬件设备。 4. 核心执行init程序并获得运行信息。 5. init执行/etc/rc.d/rc.sysinit文件。 6. 启动核心的外

wangwenwen的专栏 3560

【原理图PCB专题】Allegro模块化移动器件报...has the LOCKED property怎么解锁？

正常来说做好一个模块化，如果不需要再动，最好还是lock，防止不明白的工程师异动导致问题。如果复用布局设计时，因为有些器件和拓扑并不完全一致，那需要调整部分器件，被锁之后只能全选，无法修改。所以解开锁定后，就能正常编辑了。

一点硬件 2391

linux 系统rc.d启动脚本剖析

linux有自己一套完整的启动体系，抓住了linux启动的脉络，linux的启动过程将不再神秘。 本文中假设inittab中设置的init tree为： （0-6对应系统的7个运行级别） /etc/rc.d/rc0.d /etc/rc.d/rc1.d /etc/rc.d/rc2.d /etc/rc.d/rc3.d /etc/rc.d/rc4.d /etc/rc.d/rc5.d

Coohx 4159

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")

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

理解 Linux 动态库加载：LD_LIBRARY_PATH

flyfish

二分掌柜的 340

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

Linux-iostat命令详解

Linux命令学习记录

m0xin的博客 106

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

【Linux】APT 本地 deb 安装与 `-f` 参数总结笔记

apt install ./xx.deb 可自动解析并安装依赖，无需 -f；-f 仅用于修复已损坏的依赖状态，非首次安装时必需。apt install -f 可单独运行，修复 broken dependencies。两者职责不同：前者是安装与依赖解决，后者是故障修复。完全离线时需提前准备依赖包或本地源。

hknaruto的专栏 210

Linux 服务器性能排查手册（2026）：CPU、内存、磁盘IO、网络四大瓶颈定位

iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级，避坑改了防火墙把自己挡在服务器外面的翻车事故。

2502_91473995的博客 299

Linux rm 误删文件恢复实操教程

Linux使用rm删除文件时，并不会直接抹除磁盘上的数据，只是移除文件索引，让系统不再识别这块空间。只要没有写入新数据，原有扇区内容就会保留。新文件写入才有可能覆盖这些区域，一旦覆盖就很难找回。恢复的本质就是扫描磁盘，找到这些还存在、但索引丢失的数据条目，再把它们导出保存到其他分区。越早停止写入，恢复成功的概率越高。

海天数据恢复-winhex数据恢复教程 227

Windows/Linux下强实时运动控制内核(二)：基于Qt的Delta机械手的开发应用

强实时运动控制内核MotionRT750下Qt开发Delta机械手的完整开发流程。

weixin_57350300的博客 241

Linux sudo

如果输出 → 无 sudo 权限 如果输出 → 拥有全部 sudo 权限 辅助验证命令 ⚠️ 注意：在 wheel 组 ≠ 一定能 sudo，必须 开启 Ubuntu/Debian： ✅ 重要：修改组之后，用户要重新登录才生效！ 或者执行 临时生效 看到这行（没有 #注释）才生效： 方式 2：visudo 直接单独给用户授权（精细化权限） 找到 ，下面添加一行： 自带语法校验，写错会告警，不要直接 vim 改 ，写错直接 sudo 炸掉！ 想免密 su

fengliyang_的博客 178

Linux epoll 一篇讲透：从 select/poll 到红黑树、LT/ET，再到完整 TCP 服务器

一万个客户端已经连上服务器，眼下只有十个客户端发来了数据。服务器怎样把时间花在这十个连接上？理解这个问题，就抓住了 epoll 的主线。接下来，我们沿着“为什么需要它 → 接口怎么用 → 内核如何实现 → LT/ET 怎么写 → 完整服务器怎么运行”的顺序，把知识连起来。**阅读基础：**了解socketbindlistenaccept的基本用途即可。本文示例面向 Linux，服务器使用 C++17，实验脚本使用 Python 3。

2601_94861874的博客 157

Linux 网络基础详解：IP、子网、路由与 ip、ss 命令实战

建库建表、增删改查、连接查询（内连左连右连）、聚合函数、权限控制 GRANT/REVOKE，每条命令配可运行示例，零基础也能跟着敲会 SQL 基础。

2502_91473995的博客 614

Linux、Shell、MySQL 测试卷逐题细讲（下篇：MySQL）

本文为Linux、Shell、MySQL测试卷下半段MySQL部分逐题讲解，包含填空、选择与SQL分析三类题型。填空题覆盖COUNT、HAVING、DISTINCT、事务、约束、索引等核心语法；选择题辨析存储过程、索引类型、ACID、存储引擎、用户管理等考点。SQL大题围绕员工、部门、职位、地点四张关联表，考察多表连接、分组聚合、自连接、相关子查询、NULL处理等高频写法，标注LEFT JOIN统计计数、NULL判断、子查询别名等易错坑点，同时梳理试卷OCR识别带来的干扰问题，重点提示SQL实操中的常见失误

dongziwen1的博客 181

深入浅出聊聊 Linux 的 PageCache 与系统极致性能

本文深入浅出解析了 Linux PageCache 的核心机制，揭示其如何通过“延迟写、预读读”提升系统性能。以监控告警为切入点，阐明 free -h 中 buff/cache 并非真正占用，真正可用内存由 available 决定。结合 Kafka、Elasticsearch、MySQL 等实战场景，说明中间件如何依赖 PageCache 实现极致性能。强调不可手动清理缓存，并建议合理调优脏页参数，避免卡顿。最终指出：内存满≠危机，而是系统高效运行的体现。

小小默：进无止境 390

Linux 下 OpenCode 接入自定义大模型 API 教程：以 DeepSeek-V4.1-Flash-1017 为例

本文介绍在Linux下通过Python脚本配置OpenCode接入自定义大模型API（以DeepSeek-V4.1-Flash-1017为例），实现永久化、非侵入式配置。通过修改~/.config/opencode/opencode.json文件，添加OpenAI兼容服务商BLSC，注册模型并设置APIKey。支持命令行测试、默认模型设定及安全权限控制，操作简单且不影响原有配置。适用于各类支持OpenAI接口的自定义模型服务，提升开发灵活性与安全性。

qq_15060477的博客 123
上一篇： 挫折！！
下一篇： openSUSE添加启动脚本
点赞 0
评论 0
书签 书签 0
BlueCY
BlueCY
博客等级 码龄19年 22粉丝 84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
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