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
600+累计阅读
636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
在Linux服务器环境中，软RAID（Redundant Array of Independent Disks）是一种通过将多个磁盘组合起来以提供数据冗余和性能增强的方法。本文将详细介绍在Linux环境下建立软RAID的过程，并提供相应的源代码示例。
步骤1：检查磁盘
首先，我们需要检查服务器上的可用磁盘。可以使用以下命令来列出系统中的磁盘设备：
fdisk -l
该命令将显示所有可用的磁盘及其分区信息。
步骤2：创建分区
接下来，我们需要为每个磁盘创建分区。可以使用fdisk命令来创建分区。例如，假设我们要创建两个磁盘的RAID 1阵列，可以按照以下步骤为每个磁盘创建分区：
fdisk /dev/sdX
其中，/dev/sdX 是要分区的磁盘设备。在fdisk命令提示符下，按照提示操作来创建分区。一般来说，选择默认选项即可。
完成后，重复以上步骤为每个磁盘创建分区。
步骤3：创建RAID设备
一旦磁盘分区创建完毕，我们可以使用mdadm命令来创建RAID设备。以下是创建RAID设备的示例命令：
Linux：raid技术及软raid管理命令mdadm详解
RAID技术及软raid管理mdadm详解RAID是什么，常见的RAID有哪些？ RAID是什么，常见的RAID有哪些？ RAID： 磁盘阵列（Redundant Arrays of Independent Disks，RAID），有“独立磁盘构成的具有冗余能力的阵列”之意。 磁盘阵列是由很多块独立的磁盘，组合成一个容量巨大的磁盘组，利用个别磁盘提供数据所产生加成效果提升整个磁盘系统效能。利用这项技术，将数据切割成许多区段，分别存放在各个硬盘上。 磁盘阵列还能利用同位检查（Parity Check）的观念，
linux☞如何实现软RAID 0，软RAID 1，软RAID 10
RAID的实现： RAID：廉价冗余磁盘阵列，是将几块硬盘变成一个整体使用 后来因为它失去了原有的廉价目的，变得很昂贵，就更名为 独立冗余磁盘阵列 虽然我们无法实现硬件上得RAID因为实力有限，没有买那些设备，但是我们还是能实现RAID的 下面我们就来看一下如何实现软R
软 RAID 工具 mdadm
# 一、RAID 和 RAID 级别 RAID 的全称是 “Redundant Arrays of Inexpensive Disks”，磁盘阵列。 RAID 就是把几个物理磁盘组合在一起成为一个大的虚拟物理磁盘，主要目的和用途主要有： + 把若干小容量物理磁盘组成一个大容量虚拟存储设备 + 提高物理存储效率，或提供冗余以提高数据存储的安全性。 ## 1.1 硬件RAID和软件RAID RAID 分为硬件 RAID 和软件 RAID，硬件 RAID 通过 RAID 卡来实现，而软件 RAID 通过软件来实现
【linux】服务器创建RAID1（软件配置RAID1）
【linux】服务器创建RAID1
在Linux中轻松实现RAID1磁盘阵列
RAID1，也称为镜像阵列，是最简单的RAID级别之一，它通过在两个或多个磁盘上复制相同的数据来提供冗余。为了确保在系统重新启动后仍然可以访问RAID阵列，我们需要将其添加到/etc/fstab文件中。这将创建一个名为/dev/md0的RAID1阵列，并将/dev/sda和/dev/sdb作为其成员磁盘。假设我们有两个磁盘，即/dev/sda和/dev/sdb，我们将在这两个磁盘上创建一个RAID1阵列。创建阵列后，我们需要对其进行格式化，以便能够在其上创建文件系统。首先，我们需要检查服务器上的可用磁盘。
Drupal远程代码执行漏洞(CVE-2018-7600)实战复现：从检测到写入WebShell的全过程
本文详细解析了Drupal远程代码执行漏洞(CVE-2018-7600)的实战复现过程，从环境搭建、漏洞检测到WebShell写入的全流程。该高危漏洞影响Drupal 6.x至8.x版本，允许攻击者未经授权执行任意代码。文章提供了多种POC构造方法和高级利用技巧，帮助安全研究人员深入理解漏洞原理并掌握验证技术。
Kindle电子书DRM破解全攻略：从下载到转换的完整流程（含最新DeDRM插件配置）
本文详细介绍了2025年最新Kindle电子书DRM移除的完整实战流程。针对亚马逊加密机制的升级，文章重点讲解了如何配置最新的DeDRM插件、从新版Kindle客户端提取密钥，并利用Calibre完成电子书的解密与格式转换，为个人备份提供了一套可行的解决方案。
zynq+LWIP 裸机双网口实现（MIO+EMIO）+程序下载
芯片型号： ZYNQ: XC7Z010clg400开发软件：Vivado2022 + Xilinx Vitis 2022网卡芯片：RTL8211FDI（需要根据网口芯片型号修改对应的硬件配置代码。
MacOS蓝牙连接疑难杂症：从基础排查到高级修复全攻略
本文提供了一份全面的MacOS蓝牙故障排查与修复指南。从基础的菜单栏检查、终端命令诊断，到软/硬重启蓝牙服务、删除配置文件，再到使用blueutil工具、重置NVRAM等高级方法，系统性地解决了蓝牙无法连接、连接不稳定等常见问题。最后还分享了环境干扰排查、预防措施及硬件故障自检方法，帮助用户彻底解决Mac蓝牙连接难题。
rk3399开发环境的介绍
由于Bluez的介绍文档有限，以及对Linux 系统/驱动概念、D-Bus 通信和蓝牙协议都有要求，加上网络上其实没有一个完整的介绍Bluez系列的文档，所以不管是蓝牙初学者还是蓝牙从业人员，都有不小的难度，学习曲线也相对较陡，所以我有了这个想法，专门对Bluez做一个系统性的介绍，尽可能的涵盖所有内容。
STM32堆栈溢出问题及解决方法
堆栈是用于存储函数调用和局部变量的内存区域，它是一种先进后出的数据结构。如果函数嵌套层级过深或者局部变量占用的内存空间过大，堆栈的大小可能不足以容纳这些信息，从而导致堆栈溢出。在一些特殊情况下，可以使用堆内存替代堆栈，以避免堆栈溢出问题。在STM32的工程中，可以通过修改链接脚本文件（.ld文件）中的堆栈大小参数来增加堆栈空间。通常，堆栈大小设置为RAM的一小部分，但需要根据具体应用的需求进行调整。堆栈溢出是嵌入式系统开发中常见的问题之一，特别是在使用STM32微控制器时。3.3 使用堆内存替代堆栈。
SAP Group Reporting入门指南（1）--开篇及系统环境搭建
文章介绍了SAP GR的发展历程、与BPC的对比优势，数据收集的多种方式（实时同步、外部导入等）以及合并整体流程，并推出《SAP Group Reporting入门指南》专栏。
在iPad上使用Python进行编程
如果你拥有一台iPad，并且想在上面编写和运行Python代码，你会发现iPad提供了一些适用的工具和应用程序来满足你的需求。安装一个Python解释器应用程序，编写和运行Python代码，使用第三方库和模块，以及存储和共享代码，这些步骤将帮助你在iPad上进行Python编程。要在iPad上运行Python代码，首先需要安装一个Python解释器。这些应用程序提供了一个交互式的开发环境，允许你编写、编辑和运行Python代码。一旦你安装了Python解释器应用程序，你可以开始编写Python代码了。
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
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")
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
3903
扫一扫
