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
2k累计阅读
2.1k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
第一种是ubuntu专有的方式：
ls /etc/ld.so.conf➜ /etc cat ld.so.conf
include /etc/ld.so.conf.d/*.conf/home/lhw/wwwsudo ldconfig
Ubuntu 16.04 LTS 安装minishift
Ubuntu 16.04 LTS 安装minishift 安装KVM 安装Docker Machine KVM Driver $ sudo curl -L https://github.com/dhiltgen/docker-machine-kvm/releases/download/v0.7.0/docker-machine-driver-kvm -o /usr/local/b...
Ubuntu14.04中添加环境变量
在 参考资料 [1] [2]
ubuntu LTS 18.04安装NS2 配置方法
下载好NS2.35 all in one版本。 已成功在Ubuntu18.04版本上安装多次，所需全部配置列出，作为备忘。 有些地方的文字解释可能不详细，可以搭配着网上其他安装文档进行配置。 经试验在虚拟机VMware Workstation Pro上的Ubuntu1804也可成功安装。 sudo apt-get update sudo apt-get install build-es...
ubuntu14.04环境变量设置
ubuntu14.04环境变量设置
Tensorflow-GPU版本安装（Ubuntu14.04LTS+Cuda8+Quadro K1200）
前言之前装过Caffe，踩过一些坑，现在装Tensorflow相对从容一些，不过还是值得记录一下流程。我的系统配置是：系统：Ubuntu 14.04LTS 显卡：Nvidia Quadro K1200 CUDA 8.0安装1.安装必要的一些库sudo apt-get install build-essential 下载CUDA toolkit 8.0 官网地址 友情提示：最好下载本地文件安装.
LoRa模块选型指南：正点原子ATK-LORA-01与SX1278芯片深度评测（含实测距离/功耗数据）
本文深度评测了正点原子ATK-LORA-01与SX1278芯片的性能表现，通过实测数据展示其在复杂环境中的通信距离与功耗表现。特别适合智慧农业、工业监测等物联网应用场景，提供详细的配置指南和优化技巧，帮助开发者实现高效、低功耗的LoRa通信解决方案。
ubuntu系统添加环境变量3种方法
工作中，我们自己编译安装的软件，在系统中是无法在全局目录下自动识别的，只能进入到相关目录下才能运行，如在命令行下运行编译安装的php程序，就得 /usr/local/LAMP/php/bin/php 文件路径/test.php 这样才能运行（/usr/local/LAMP/php 这个为自己编译安装的软件目录）。如果希望在终端命令行任意位置都可以 php 文件路径/test.php 这样运行，那这个时候就需要我们自己配置全局环境变量了。
Cadence Virtuoso实战：用gm/Id方法搞定折叠式共源共栅放大器设计（附完整仿真流程）
本文详细介绍了在Cadence Virtuoso设计环境中，运用gm/Id方法高效设计折叠式共源共栅放大器的完整实战流程。该方法通过工艺特征曲线，将设计指标映射到晶体管尺寸与偏置，有效克服深亚微米工艺下传统方法的不足。文章以TSMC 180nm工艺为例，从指标拆解、参数查找、电路搭建、仿真验证到问题调试，提供了清晰、可复现的操作指南，并探讨了自动化脚本与版图考量，助力工程师和学生提升模拟IC设计效率与成功率。
Ubuntu 14.04环境变量修改
首先要认识几个和环境变量有关的文件：•/etc/profile —— 此文件为系统的每个用户设置环境信息,当用户第一次登录时,该文件被执行.并从/etc/profile.d目录的配置文件中搜集shell的设置；•/etc/environment —— 在登录时操作系统使用的第二个文件,系统在读取你自己的profile前,设置环境文件的环境变量；•/etc/bashrc —— 为每一个运行bash ...
基于Simulink的魔术公式轮胎动力学仿真
本篇博文主要用来记录汽车系统动力学课程的学习，仅供课程阶段参考，与实际工程应用还有较大距离。基于Simulink的魔术公式轮胎动力学仿真本实例主要有以下任务。1.建立魔术公式轮胎动力学仿真模型。2.绘制不同载荷下的轮胎纵向力—滑动率关系曲线。3.绘制不同载荷下的轮胎侧向力—侧偏角关系曲线。4.绘制不同载荷下的轮胎回正力矩—侧偏角关系曲线。提示：以下是本篇文章正文内容，下面案例可供参考。
MoCap 动作捕捉开源库教程
数据通过 tf2 和支持不同 QoS 设置的 /poses 主题直接发布。该软件包最初是为 Crazyswarm 开发的，用于跟踪多达 50 个飞行机器人。
Ubuntu14.04设置PATH环境变量(一)
一、环境变量的好处 “/bin”、“/sbin”、“ /usr/bin”、“/usr/sbin”、“/usr/local/bin”等路径已经在系统环境变量中了。如果可执行文件在这几个标准位置，在终端命令行输入该软件可执行文件的文件名和参数(如果需要参数)，回车即可。如果不在标准位置，文件名前面需要加上完整的路径。不过每次都这样跑就太麻烦了，一个“一劳永逸”的办法是把这个路径加入环境变量。二、U...
【AI产品思路】用户旅程图与用户全生命周期：到底是什么关系？
用户旅程图(User Journey Map)和用户全生命周期(User Lifecycle)是两种不同的分析框架。用户旅程聚焦单次交易体验的完整过程（如浏览→下单→售后），关注触点、情绪和优化点；而用户生命周期则关注用户与平台的长期关系（从认知到流失），着重提升留存和LTV。两者互为补充：生命周期是时间维度的关系框架，旅程图是行为维度的体验路径。电商运营中，旅程优化改善单次体验，生命周期优化解决长期增长问题，二者结合才能实现体验提升与商业效率的双赢。
在Ubuntu 20.04 LTS中配置Java开发环境（jdk-14.0.1）
在Ubuntu 20.04 LTS中配置Java开发环境 下载Java开发工具包jdk jdk的下载地址为：http://www.oracle.com/technetwork/java/javase/downloads/index.html。点击红色方框中的JDK Download链接。 在下载页面中根据自己的系统选择对应的jdk版本，此处以Ubuntu 20.04 LTS（64bits）系统为例，选择压缩类型的jdk-14.0.1_linux-x64_bin.tar.gz进行下载。 安装步骤 ..
STM32H743的FDCAN使用方法（1）：STM32CubeMX初始化代码生成
STM32H743的FDCAN使用方法（1）：STM32CubeMX初始化代码生成。
VCAST创建单元测试工程
选择工作目录，后面创建胡UT工程将会生成到这个目录。
Linux（Ubuntu14.04LTS) 安装配置MPICH-3.1.2
MPICH-3.1.2稳定版无法使用apt-get install 命令zhi'j
光学系统仿真软件：Finesse_（6）.噪声分析与优化
在Finesse中，噪声源的定义可以通过在光学元件的参数中添加噪声项来实现。以下是一个简单的示例，展示了如何在激光器和反射镜中定义噪声源。# 定义噪声传递函数# 绘制噪声传递函数plot NTF1在这个例子中，定义了一个噪声传递函数NTF1，描述了激光器L1到反射镜M1的噪声传递过程。plot NTF1命令绘制了噪声传递函数的频谱图。# 定义耦合路径# 绘制耦合噪声频谱图plot C1在这个例子中，定义了一个耦合路径C1，描述了激光器L1和反射镜M1之间的噪声耦合关系。plot C1。
Jetson Orin Nano安装（烧录）Ubuntu22.04.4LTS（并配置基础环境）
最后就是耐心等待安装，STEP 04的时候点击finish，拔下板子上短接的线，重新给板子上电，就可以开始jetson orin nano的使用了。将板子FC REC和GND引脚短接（核心板下方载板的第二和第三个引脚），进入刷机模式（recovery，也就是烧录模式）下面红色框的就是系统，其他的都是可以之后安装的，看个人需求，选择好了之后就点击continue。在安装过程中，会让输入用户名和密码，存储设备根据设备进行选择，我的是固态，“NVMe”选项。主机（也可以是虚拟机，只要是ubuntu系统就可以）
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
如何在Ubuntu 18.04和16.04 LTS上安装Go 1.10
Go是一种由谷歌团队开发的开源编程语言。它提供了易于构建的简单、可靠和高效的软件。这种语言是为编写服务器而设计的，这就是为什么现在它被广泛使用的原因。本教程将帮助您在Ubuntu 18.04 LTS、16.04 LTS和14.04 LTS系统上安装Go 1.10。 1. 安装Go语言 使用ssh登录您的Ubuntu系统并升级，以便在那里应用最新的安全更新。 ...
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
Ubuntu14.04LTS下使用eclipse搭建Cocos2d-x的Android环境
from://http://www.58player.com/blog-2534-94136.html 最近想玩玩游戏制作，于是选择了目前流行的游戏引擎Cocos2d-x，这个东西虽然有Android的版本，但是亲测有bug，而且版本更新特别慢，不成熟，所以还是选择Cocos2d-x吧，使用eclipse这么多年了，非常喜欢这个编译器，安土重迁，于是就打算继续使用eclipse作为
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")
Ubuntu 14.04.4 LTS 修改环境变量导致无法进入桌面系统
Ubuntu 14.04.4 LTS 修改环境变量过后，导致无法进入桌面系统，一直卡在输入密码的界面，输入的密码也是对的，但是就是进不去桌面系统。1.按下Ctrl + Alt + F5 进入Terminal，输入帐号，密码进入系统（不同的系统 Ctrl + Alt + F1-F6之间） 2.如果不散root用户，请用root用户登录 3.命令行输入 export PATH=//usr/local
Ubuntu20.04.6 安装Qt5.14.2并初步配置开发环境
Ubuntu20.04.6 安装Qt5.14.2并初步配置开发环境
Ubuntu14.04—tencent NCNN运行环境搭建
操作系统：Ubuntu 14.04 LTS版本，OpenCV 2.4.10 在Ubuntu14.04上安装NCNN 1、准备工作 1.1 首先安装protobuf protobuf是一种轻便高效的结构化数据存储格式。 1.1.1、下载protobuf代码 git clone https://github.com/protocolbuffers/protobuf...
Ubuntu 14.04 LTS嵌入式交叉编译环境arm-linux-gcc搭建过程图解
1、将压缩包arm-linux-gcc-3.4.5-glibc-2.3.6.tar.bz2存放在一个目录下，这个目录就是你等会解压缩的目录，以后这个目录就不能随便删掉了，我的存放路径是/home/gcc-3.4.5-glibc-2.3.6如下图，记住这个路径，等会还会用到。 2、使用tar命令：tarzxvf arm-linux-gcc-3.4.5-glibc-2.3.6
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1210
扫一扫
