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
800+累计阅读
806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
操作系统版本：openEuler-22.03-LTS-x86_64-dvd.iso
安装步骤：
1 VMware主页位置创建新的虚拟机
2 选择典型配置
3 选择ISO文件
4 选择客户机操作系统及版本
5 编辑虚拟机名称并选择安装路径
6 配置磁盘容量及内存
7 开启虚拟机
8 选择系统语言
9 查看安装目的地，查看本地磁盘是否被选择，存储配置选择【自动】
10 设置密码，建议大写字母、小写字母、数字组合
11 开始安装
12 安装完成，重启系统，输入用户名及密码，注意密码不显示
13 至此，openEuler安装完成
如需安装dde界面环境，请参考我另一篇博客：
https://blog.youkuaiyun.com/CSD_Yang/article/details/136284506?spm=1001.2014.3001.5502
VMware16虚拟机安装OpenEuler避坑指南：从镜像下载到网络配置全流程
本文提供了一份详尽的VMware16虚拟机安装OpenEuler的避坑指南。内容涵盖从镜像版本选择、虚拟机创建策略、图形化安装关键步骤，到安装后的网络深度配置（包括NAT与桥接模式下的静态IP设置）、软件源更新及常见问题排错。旨在帮助开发者快速、稳定地搭建本地OpenEuler开发测试环境。
在VMWare上安装openEuler 22.03-LTS
本次实战围绕 openEuler 22.03-LTS 展开，从虚拟机创建安装到软件包管理及网络配置等多方面进行操作。成功创建虚拟机并安装 openEuler，设置静态 IP 地址确保网络稳定连接。熟练运用 yum 和 dnf 工具进行软件包的安装与卸载，掌握了相关命令及操作流程。还学会配置本地 yum 源，深入了解 BaseOS 和 AppStream 的作用，并通过多种命令查看软件包信息，为 openEuler 系统的管理与应用开发奠定基础，提升了对该操作系统的综合运用能力。
安装VMware(安装属于自己的openeuler服务器)
安装VMware 配置属于自己的openeuler服务器
超详细！！VMware安装欧拉操作系统（openEuler）
通过本文步骤，您已成功在VMware中部署openEuler系统。该环境可用于开发测试、学习Linux及国产化系统适配。如需进一步优化，可参考openEuler官方文档配置防火墙、SELinux等高级功能。相关标签#VMware#openEuler#欧拉系统安装#虚拟机教程版权声明：本文采用CC BY-SA 4.0协议，转载请注明出处。
VMware下手动安装OpenEuler22
OpenEuler，开源欧拉操作系统的手动安装步骤记录
在VMware上快速部署openEuler22.03：从零到精通的完整指南
本文提供在VMware虚拟机上从零部署openEuler 22.03操作系统的完整教程。内容涵盖镜像下载、虚拟机关键参数配置、系统安装步骤及基础网络与安全设置，旨在帮助用户快速掌握在VMware环境中高效部署和配置openEuler的实践技能。
vmware安装openEuler 操作系统
文件名：openEuler-22.03-LTS-SP2-x86_64-dvd.iso。这里选择 openEuler 22.03 LTS SP2 版本 标准镜像包。
给运维新人的保姆级教程：在VMware上一步步安装openEuler 22.03 LTS SP3
本文提供了一份详细的保姆级教程，指导运维新手在VMware上安装openEuler 22.03 LTS SP3。从环境准备、镜像获取到虚拟机创建和安装配置，每一步都配有详细说明和实用命令，特别适合初学者快速上手。教程还涵盖了安装后的基础配置和常见问题排查，帮助用户顺利完成openEuler的部署。
VMware 16 PRO安装openEuler22.03
设置root用户密码，注意密码至少包含3类字符。至此，openEuler安装完成！输入用户名及密码，注意密码不显示。主页位置创建新的虚拟机。
openEuler Linux 22.03虚拟机系统：安装与操作指南
openEuler Linux 22.03，作为基于Linux内核的开源操作系统，是Euler社区的重要里程碑，它不仅继承了传统Linux系统的优势，如稳定性、灵活性和安全性，还引入了众多创新技术，如针对企业级用户的安全增强、性能优化以及对新兴硬件架构的支持。本章节将探讨openEuler Linux 22.03的基本特性和其在现代计算环境中的定位，为读者提供一个全面了解该操作系统的基础框架。openEuler Linux 22.03的主要特点包括：创新的技术架构。
Apache Hop集成Spring Boot实战：从配置到执行HPL文件
本文详细介绍了将Apache Hop集成到Spring Boot应用中的完整实战方案。通过配置核心依赖、初始化Hop环境、编写服务层逻辑，实现了在Java应用中程序化执行HPL管道文件，从而将可视化ETL能力无缝嵌入微服务架构，提升数据处理的自动化与可维护性。
VMware16虚拟机快速部署OpenEuler实战手册
本文提供了一份详细的VMware16虚拟机安装教程，指导用户快速部署OpenEuler操作系统。内容涵盖从官网下载镜像、配置虚拟机硬件、系统安装步骤，到首次登录后的网络配置、软件更新及必备工具安装，旨在帮助用户高效搭建一个稳定、安全的Linux学习和开发环境。
STM32 CubeMX LwIP + freertOS 移植
生成代码，烧录即可ping通。这里要注意的是，要修改freertOS的任务栈大小，默认128，修改为1024，不修改就跑不起来。生产代码，下载进开发板。开发板网口与电脑网口通过网线直连，设置电脑本地网卡在同一网段。在以上无系统的cubeMX配置下继续添加freertOS。无系统LWIP协议栈设置，静态IP地址，关闭DHCP。先用裸机测试LAN8742A的网卡驱动。MCU型号：STM32F746NGH。下面进行freertOS系统移植。网卡型号：LAN8742A。系统时钟和时基定时器如下。
vmware安装部分虚拟机时无法加载网卡设备
找到虚拟机的xxxx.vmx源文件，直接在源文件中加一行网卡类型的条目，例如：ethernet0.virtualDev = “e1000e”，保存，再次启动虚拟机即可。3.查询发现可能是由pcnet32网卡型号太老，系统不兼容导致，驱动无法加载。环境描述：使用的vmware版本为16，镜像为openEuler22.03。下载源码，导入虚拟机进行编译安装（太麻烦了，适配工作就不好办）虚拟机的设置之中的网卡适配器能够修改网卡类型的话，直接修改即可。问题描述：1.ip addr show 查询只有本地回环。
告别效率低谷：用ADS仿真手把手教你设计高回退Doherty功放（附1:2非对称案例）
本文详细解析了如何使用ADS仿真设计高回退Doherty功放，特别针对1:2非对称架构进行深入探讨。通过优化功率分配比、峰值管开启阈值等关键参数，显著提升功放在9dB回退点的效率至75%以上，适用于LTE等高PAPR信号场景。文章还提供了ADS仿真环境搭建、参数优化及工程化设计的实用技巧。
手把手教你用USBasp给Arduino UNO烧写程序（ICSP模式，含BootLoader选择指南）
本文详细介绍了如何使用USBasp编程器通过ICSP模式为Arduino UNO烧写程序，包括硬件连接、软件配置、Hex文件处理和BootLoader选择指南。内容涵盖从新手入门到高级优化的全流程，帮助开发者高效完成烧写任务，特别适合需要修复BootLoader或进行量产烧写的用户。
VMware安装openEuler-22.03-LTS版本的虚拟机
本文详细介绍了VMware如何安装openEuler22.03-LTS版本的虚拟机
如何理解Fourier Neural Operator (FNO)
2022年Nvidia发表在arXiv上的的FourcastNet作为几乎是最早的一篇气象大模型的工作（之前Google Research的MetNet主要还是对于降水的预报）。除了Transformer的backbone之外，使用到了2021年发表在ICLR上的Fourier Neural Operator。为了更好的理解模型的理论基础，可以详细学习一下以及他的前期工作GNOFNO作者对这两篇文章的解析blog。
VMware Workstation虚拟机安装openEuler 22.03 LTS SP4 详细操作步骤
openEuler社区发行版 | openEuler下载 | openEuler社区官网openEuler是面向数字基础设施的操作系统,支持服务器、云计算、边缘计算、嵌入式等应用场景,支持多样性计算,致力于提供安全、稳定、易用的开源服务器Linux操作系统。欢迎访问openEuler官网，下载使用。架构：选择 x86_64版本：选择openEuler 22.03 LTS SP4。
实战指南：Qwen3-ASR-1.7B 语音识别
本文介绍了Qwen3-ASR语音识别模型的安装与使用。
冠层分析法提取叶面积指数及其应用
冠层分析法是利用植物冠层空间结构分析LAI的方法。其基本原理是通过相机或扫描仪对植物冠层垂直方向的照片或图像进行获取，再运用图像处理方法实现植被的自动识别和覆盖度计算，以此推算LAI。假设有一块田地，需测量其LAI，首先在田地中央设置一杆高度为3米、朝向田地中心、覆盖角度为50度的相机。利用上述函数，对相机采集到的图像进行处理，即可得到田地的LAI。在Matlab中，读取图片可以使用imread函数，对图片进行预处理可以使用imadjust函数调整灰度，使用imbinarize函数进行二值化处理。
Vmware 17 安装 openEuler 22.03 LTS SP4，配置静态IP
Vmware 17 安装 openEuler 22.03 LTS SP4，配置静态IP
纳米尺度仿真软件：GROMACS_（3）.分子动力学模拟原理
分子动力学（MD）模拟是一种强大的计算方法，通过数值积分牛顿运动方程，追踪粒子在时间上的位置和速度变化，提供关于体系动力学行为的详细信息。选择合适的力场、设置初始条件、应用边界条件、控制温度和压力、选择合适的时间步长、计算能量和力，是 MD 模拟的关键步骤。通过这些步骤，可以对各种化学、生物和材料体系进行模拟和分析，揭示其结构、动力学和热力学性质。高级应用如反应路径模拟和蛋白质折叠研究，进一步扩展了 MD 模拟的应用范围。
用VMware Workstation 17 Pro 安装openEuler 详细教程
【参考博客】：https://www.openeuler.org/zh/download/ openEuler-22.03-LTS-SP1-x86_64-dvd.iso根据下载的openEuler版本。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
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');```[](https://bitdeli.com/free "Bitdeli Badge")
VMware WorkStation安装，OpenEuler安装
5.在客户机操作系统中选择“Linux”，版本选择“Other Linux 5.x or later kernel 64-bit”(根据OpenEuler实际情况选择），点击“下一步”。17.找到CD/DVD点击，然后点击右侧使用IOS映像文件，点击浏览选择准备好的OpenEuler映像文件，最后点击确定。2.在网站中找到“下载”选项，进入下载页面。2.在新建虚拟机向导中，新手选择“典型（推荐）”，熟练可以选择“自定义（高级）”，点击“下一步”。11.根据需求选择磁盘类型，选择推荐，然后点击“下一步”。
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
OpenEuler系统安装与MySQL数据安装
openEuler操作系统安装与MySQL数据库安装步骤。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
159
扫一扫
