W3M(Linux下的文字式网页浏览器)

Ubuntu 22.04 “软件与更新”装了NVIDIA驱动,WiFi等设备不见了 在Win10装了Ubuntu22.04的双系统,台式机里面有NVIDIA 3080Ti的独立显卡,Ubuntu默认使用的nouveau驱动,需要更换成NVIDIA相应的驱动,在软件和更新里面一键安装了NVIDIA-driver-535-server之后,发现wifi、蓝牙等设备消失了。这个问题的根源据说跟这个nouveau驱动有关,希望linux社区可以解决这个问题。命令安装后 sudo reboot就可以重新看到WiFi以及蓝牙等设备图标了。然后用U盘拷贝到不能上网的Ubuntu22.04系统上,利用。 阅读详情

w3m:WWW browsable pager with excellent tables/frames support
w3m is a text-based World Wide Web browser with IPv6 support. It features excellent support for tables and frames. It can be used as a standalone file pager, too.
* You can follow links and/or view images in HTML. * Internet message preview mode, you can browse HTML mail. * You can follow links in plain text if it includes URL forms. * With w3m-img, you can view image inline.
For more information, see http://sourceforge.net/projects/w3m


w3m的默认快捷键列表
页面操作
SPC,C-v 向下翻页
b,ESC v 向上翻页
l,C-f 焦点向右
h,C-b 焦点向左
j,C-n 焦点向下
k,C-p 焦点向上
J 向上滚动一行
K 向下滚动一行
^,C-a 到行首
$,C-e 到行尾
w 到下一个单词
W 到上一个单词
> 右移一屏
< 左移一屏
. 屏幕右移一列
, 屏幕左移一列
g,M-< 到首行
G,M-> 到末行
ESC g 到指定行
Z 当前行居中
z 当前列居中
TAB 转到下个超链接
C-u,ESC TAB 到上个超链接
[ 到第一个超链接
] 到最后一个超链接


超链接操作
RET 打开超链接
a, ESC RET 链接另存为
u 查看链接url
i 查看图片url
I 查看图片
ESC I 图片另存为
: 标记rul字符串为锚点
ESC : 标记ID串为锚点
c 查看当前页面的URL
= 显示当前页面属性
C-g 查看当前行号
C-h 查看历史记录
F 提交表单
M 用外部浏览器打开当前页面 (use 2M and 3M to invoke second and third browser)
ESC M 用外部浏览器打开链接 (use 2ESC M and 3ESC M to invoke second and third browser)


文件/流 操作
U 打开URL
V 打开文件
@ 执行外部命令并导入
# 执行外部命令并浏览


缓存操作
B 返回
v 查看源代码
s 选择缓存
E 编辑缓存代码
C-l 重画屏幕
R 刷新
S 页面另存为
ESC s 源码另存为
ESC e 编辑图片


缓存选择模式(也就是按了s以后)
k, C-p 上一缓存
j, C-n 下一缓存
D 删除当前缓存
RET 转至选择的缓存


书签操作
ESC b 打开书签
ESC a 添加当前页到书签


搜索
/,C-s 向前搜索
?,C-r 向后搜索
n 下一个
N 上一个
C-w 打开/关闭 循环搜索


标记
C-SPC 设定/取消 标记(这个键一般被输入法占用了)
ESC p 转至上一标记
ESC n 转至下一标记
" 使用正则表达式标记


杂项
! 执行外部命令
H 帮助
o 设置选项
C-k 显示接受到的cookie
C-c 停止
C-z 挂起(退出)
q 退出(需确认)
Q 退出而不确认


行编辑模式
C-f 光标向后
C-b 光标向前
C-h 删除前一字符
C-d 删除当前字符
C-k 删除光标后所有内容
C-u 删除光标前所有内容
C-a 光标到行首
C-e 光标到行尾
C-p 取得历史记录中的前一个词
C-n 取得历史记录中的后一个词
TAB,SPC 自动完成文件名
RETURN 确定


话外篇:


这些功能也不一定都用的到,有选择的学习吧,Linux下的网页浏览器比较有名的还有lynx浏览器和Links浏览器,简单说下Lynx,Lynx是比较老的经典全功能WEB浏览器,可运行在多种操作系统下,更详细的内容如下,这段资料来自百度百科,偷懒了


在Lynx下有两种浏览方式:


1. 以方向键选择超链结,而Lynx会强调选择的超链结的文字来回应。


2. 由Lynx先将网页上所有超链结都编号,再输入号码选择超链结。


目前版本的Lynx支持SSL。也支援不少HTML功能。


表格是将各格内容排成一条线来呈现,而没有呈现成表格结构。框架则是呈现成像是具有数个不同名字的分散网页。


Lynx是“Distributed Computing Group within Academic Computing Services of The University of Kansas”的产品,原先由Lou Montulli、Michael Grobec和Charles Rezac开发。后来Garrett Blythe(DosLynx的原作者)也加入Lynx团队。接著Foteos Macrides将Lynx移植到VMS系统,并且维持了这个软件一段时间。1995年,Lynx在GPL下发布,自此至今由一群志愿者维护。


Lynx本来是为Unix和VMS设计,而且一直是GNU/Linux中最受欢迎的console浏览器。也有DOS版本。近来更有Microsoft Windows版本。也有Macintosh版本(所谓“for System 7 and later”),虽然并不时常更新。


因为其接口适合文字转语音技术和点字显示器,Lynx一度很受视障者欢迎,但后来更好的萤幕阅读器减少了Lynx对盲人的吸引力。


其主要竞争者是Links浏览器(有几种不同版本)和w3m浏览器。


Lynx是一款全功能WEB浏览器,可运行在多种操作系统下。


Lynx在被命令行方式调用的时候,由于对回车和换行符缺少正确处理,远程攻击者可以利用这个漏洞增加HTTP头信息操作HTTP请求信息。


当URL使用以命令行方式给出或者在WWW_HOME环境变量中,Lynx不会删除或者在构建HTTP下查询前对一些危险的字符如空格,TAB,CR和LF进行编码,这表示攻击者可以通过在正常URL后增加空格+"HTTP/1.0" + CRLF + 部分头信息 + CRLF + CRLF来重新构建URL并发送任意伪造的HTTP头。


当程序启动Lynx时,URL主机部分如果由程序提供而路径由用户提供的情况下(如"lynxhttp://www.site3.st/$path ",这里的路径由用户提供),攻击者可以让这个程序访问www.site3.st之外的WEB站点,如果在www.site3.st机器上存在虚拟主机,只要在类似上面描述的头信息上增加"Host:",就可以访问其他虚拟主机的内容。


还有:


现在在windows的dos下也有网页浏览器,下面给出来自DOS联盟的一段资料:DOS下网络浏览器的使用


DOS是个功能十分强大的操作系统,因此它的功能也比较全面。近年来随着网络的发展,网络软件就非常重要了。因此,DOS下近年来也出现了不少相应的软件,其中最重要的莫过于网络浏览器了。这些DOS下的网络浏览器可以分为图形浏览器和文本浏览器两大类。其中Arachne是前者中功能最强大的一个,也最为出名。而后者则有Lynx,Minuet等,下面介绍一下它们的用法。


Arachne的最新版本是1.70,可在“DOS软件”中下载。它自带众多网络功能,除通常的FTP,HTTP功能外,还支持POP3/SMTP收发邮件,安装各种插件等功能。也可以将它作为离线浏览器来使用,就像图形方式的文件管理器那样,可以用来运行程序(包括看图,听音乐等)及文件操作等。它支持多种上网方式,像拨号上网、网卡上网(包括CABLE,ADSL等)它都支持。然而,要想实现上网,并非只要有了这些硬件就可以了,除了硬件的调制解调器以外,要实现使用其它的设备上网必须安装其驱动程序,否则无法使用。具体方法,请见“DOS使用”中的“DOS下联网的方法”。


下面就开始介绍Arachne的设置与使用方法。下载了它的大小不到1M的安装程序ARCHN170.EXE以后,可直接在DOS下运行。输入您想安装的路径后,它会自动进行解压,不用进行人工操作。解压完后它会提示选择您所使用的显卡,一般选择VGA或VESA即可。一旦它开始运行,它会出现设置向导,比如计算机类型,它会自动进行选择,只需按NEXT(下一步)即可。不久后就到了上网的设置菜单(file://setup.htm),其中有三项选择,左边那项(PPP Wizard)是用调制解调器拨号上网,中间那项(Packet Wizard)是用网卡实现CABLE,ADSL等上网,右边那项(Manual Setup)是使用手动设置。一般情况下,您可以根据您的上网情况选择左边或中间的那项。Arachne的设置都非常简便,您可以根据它的设置向导进行就可以了,而且随时还可以回头。比如检测完调制解调器后它会提示您输入要拨号的电话号码,用户名及密码,随后就到了拨号屏幕,选择"Dial"就会进行自动拨号。而检测完网卡后可选择“BOOTP/DHCP”或设置TCP/IP协议,如果您认为已设置好了的话,可直接选择前者,它就会自动初始化BOOTP/DHCP,一般只要硬件接好了的话就不会有问题。当然,您也可以手工设置TCP/IP协议,有时可以取得更好的效果。


Arachne的功能非常多,当然绝不仅仅只有网络设置的功能。您还可以设置它的屏幕显示效果,安装插件以完成更多的功能等。屏幕的上方不是有许多图标吗?比如“Desktop”,就是桌面的意思,那里有很多功能,比如可浏览您的计算机,使用应用程序,以及设置个人选项等。您可以在选项中设置Arachne的显示色彩、各种效果、主页等,还有很多其它的。屏幕上方的图标还有很多,如查看历史记录和电子邮件等。Arachne还有全屏幕的帮助功能,您可以随时按F1键以取得很详细的帮助。除F1键外,还有许多其它的功能键,如F3键在地址栏中输入网址,F4键编辑文档,F5键可以在多种显示界面之间进行选择,F6键查看网页的源代码,F7键是查找功能,F9键重画屏幕,F10键返回桌面,ESC键中断网页的调入或退出Arachne,Ctrl+左键头是后退到上一页,Ctrl+右键头是前进到下一页,*键切换全屏幕(就像IE中的F11键),其它的请看F1帮助中的“功能键列表”。除了功能键外,还有许多快捷键,如Alt+D立即拨号,Alt+E则Shell到DOS,按EXIT返回,Alt+Q进入快捷记事本,Alt+X则退出Arachne,Alt+F1转到主页,Ctrl+L查找下一个,Ctrl+P打印屏幕等。如果您经常使用的话,随着操作的熟练,您会发现一切都十分简单。


Arachne的功能虽然非常强大,但它对国人来说却有一个很大的弱点,那就是不支持中文(即中文只能显示为乱码)。虽然它支持很多语言,但主要是欧洲的其它语言,并没有中日韩(CJK)语言。要想查看中文,图形方式的浏览器显然是不合适的(除非它有中文版本),只能用文本方式的浏览器,在中文DOS系统下使用,比如Lynx。从界面来说,Lynx当然远不如Arachne,但它因为是文本方式的,所以速度快,而且可以查看中文网页,也可以输入汉字。查看或输入中文网页的方法很简单,先启动汉字系统(例如CCDOS97、UCDOS等,建议使用CCDOS97以取得最好的效果)再运行Lynx即可。不过,如果就这样简单的运行的话看中文网页时部分汉字还有些乱码,这是因为Lynx默认的字符集被设置为西方字符集,需要改变它的默认设置才能彻底消除这些乱码,方法是在LYNX.CFG文件中设置“CHARACTER_SET:euc-cn”,以后再启动Lynx就可以完全正常地显示汉字了。为了方便大家的使用,我在这儿提供已进行了修改的LYNX.CFG文件,大家可以在这儿下载(直接用其替换原有的LYNX.CFG文件即可):http://firststep.ahwww.com/dosware/lynx.cfg


Lynx虽没有Arachne强大的设置向导,不过也比较简单,比如加载了网络设备(例如网卡、调制解调器等)的Packet驱动程序(具体可看本站的“DOS使用”栏目中的“DOS下联网的方法”)后运行Lynx,它会自动初始化BOOTP/DHCP(也可手工指定IP地址等),成功后就可以上网了。它的按键有很多,比如按左右箭头前进/后退,上下箭头切换链接,G键输入网址,Q键退出,O键设置选项,H键查看帮助等等。在运行Lynx的任何时候都还可以按Ctrl+C或Ctrl+Break键退出它以返回DOS。其实它的功能也还不少,比如支持HTTPS协议、支持Frame结构(不过它并不会同时显示所有Frame,而是显示所有Frame的名称,可以选择相应的名称以进入各自Frame中的内容)等。另外,Lynx也可以做为离线浏览器来使用,来查看电脑中的各种中英文HTML网页文件,效果很不错。如果只想将其作为离线浏览器的话,可编辑LYNX.CFG文件将Lynx的起始页设为本地地址,然后加载任何Packet驱动程序(包括其自带的NULLPKT,即空的Packet驱动程序,如执行NULLPKT 0x60命令)再启动Lynx即可。


以上谈的是DOS下的两种较有名的网络浏览器的使用方法,您可以自己试一下,体验一下DOS下的上网能力和功能。其实,还有一些更强大的DOS浏览器,比如国内的一家公司就提到了他们开发出一个“可以与Windows下的Internet Explorer浏览器相比的中文DOS浏览器”。而且,大家也可以来参加“DOS开发”,开发出DOS下的更强大的中文浏览器,来更加壮大DOS吧!


写到这里发现有点跑题,其实w3m只是一小部分,插入的资料太多了,文章一下子这么长,不过本站的一站式购齐服务方便懒人了,呵呵,害怕命令行的同学相信一定有了新的认识,共同学习吧


为了您的安全,请只打开来源可靠的网址
Python经典编程习题100例:第25例:求各个阶乘的和 不要自卑,去提升实力 互联网行业谁技术牛谁是爹 如果文章可以带给你能量,那是最好的事!请相信自己 加油o~ 本人初学Python,只为熟悉语法编写,大神请勿理会 点击下面链接 Python经典编程100例习题汇总 题目描述: 求1+2!+3!+…+20!的和。 解题思路: > 调用math模块中的factorial函数 代码: import math sum=0 for i in range(1,21): sum+=math.factorial(i) print(sum) .. 阅读详情

相关推荐

单细胞monocle3分析流程再整理

定义root cell, 推断拟时方向# 结合先验知识自定(示例数据)# 可视化示例数据,起点是随便点的。

zfyyzhys的博客 2101

有意思的w3m(Linux下的文字式网页浏览器)

有意思的w3m(Linux下的文字式网页浏览器) 2010-02-07 16:06        最近在红联论坛上看到一个关于htmlview命令的文字浏览器,在Ubuntu下试了一下,不管用,不知当时作者使用的哪个版本的Linux,但是Ubuntu下集成了另一个文字浏览器w3m,使用方法挺简单,直接在终端界面输入w3m URL就可以了,比如w3m http://hi.

tilzl的专栏 4206

Ubuntu终端AI编程助手配置:Claude Code接入DeepSeek模型全攻略

在软件开发领域,AI编程助手正成为提升开发效率的重要工具。其核心原理是通过大语言模型理解自然语言指令,生成、解释或调试代码。这类工具的技术价值在于将AI能力无缝集成到开发工作流中,减少上下文切换,实现更流畅的人机协作。常见的应用场景包括代码生成、错误调试、代码重构和技术问答等。本文聚焦于在Ubuntu系统中,将流行的终端AI助手Claude Code的后端模型从原版Claude替换为DeepSeek。通过配置环境变量实现API端点和模型的映射,这一过程涉及Node.js环境管理、npm包安装和关键环境变量设

weixin_42527654的博客 378

linux w3m命令

w3m是个开放源代码的命令行下面的网页浏览器。一般的linux系统都会自带这个工具,可以通过它在命令行下面浏览网页。本文介绍这个工具的使用方法。 [功能] w3m是个开放源代码的命令行下面的网页浏览器。 它支持表格、框架、SSL连线、颜色。如果是在适当的terminal上,甚至还支持“inline image”。 这个软件通常尽量呈现出网页本来的编排。 *常用交互式命令: 下面列出启动w3m

CherishL_的专栏 9660

蓝桥杯STM32G431RBT6学习——GPIO

蓝桥杯STM32G431RBT6学习——GPIO

weixin_44098974的博客 2234

SiamFC++笔记

SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines 文章根据这些思路:引入分类和目标状态估计分支(G1),无歧义的分类得分(G2),无先验知识的跟踪(G3)和评估质量得分(G4)来设计SiamFC ++。 SiamRPN ++和SiamFC ++的比较(红色部分代表得分高的区域): guide: G1 : 分类和状态估计任务的分离:分类任务将目标从干扰物和背景中分类出来,目标状态

木木JL的博客 9433

w3m linux,Linux 终端浏览器 w3m

搜索热词三款比较有名的 w3m、links2、lynx、其中w3m 对中文的支持很好,没出现乱码,而那两款都会有乱码w3m 安装sudo apt-get install w3msudo apt-get install w3m w3m-img如果出现乱码,可以用w3m打开任意网页,键盘键入o,然后将显示语言调整为chinese如果你的locale不是gbk的话还是会乱码的。所以运行 export L...

weixin_32512187的博客 697

ORCAD原理图关联封装时出现ERROR(ORCIS-6245)、ERROR(ORCIS-6013)问题

1、当你进行如下操作时: 系统先是提示你出现ERROR(ORCIS-6245)然后再确定后再出现ERROR(ORCIS-6013)问题 是由于你的数据库的路径不对。 具体操作方法如下:1、先找到你的CAPTURE.INI文件。 2、用记事本打开CAPTURE.INI。找到下图路径 3、在你的Orcad capture CIS原理图软件中点击 Options------>CIS con...

weixin_42304393的博客 2万+

3个常用基于Linux系统命令行WEB网站浏览工具(w3m/Links/Lynx)

一般我们常用的浏览器肯定是基于可视化界面的图文结合的浏览界面效果,比如FireFox、Chrome、Opera等等,但是有些时候折腾和项目 的需要,在Linux环境中需要查看某个页面的文字字符,我们需要简单的浏览网页页面,但是也不需要特别复杂的视频、图片功能。 我们可以采用本地客户端的浏览然后再去校队,但是效率比较低,或者直接在Linux服务器中用wget类似的下载工具到本地,然后再去搜索字符,...

weixin_30292843的博客 2727

安卓刷Windows太难?这款手机平板双系统刷机工具,小白也能轻松拿捏!(小白福音!手机平板专用,一键搞定安卓刷 Windows 双系统!)

安卓刷Windows太难?这款手机平板双系统刷机工具,小白也能轻松拿捏!(小白福音!手机平板专用,一键搞定安卓刷 Windows 双系统!)

XiaoqiangClub的博客 4676

OpenClaw实战系列07:定时任务与自动化工作流实战——让AI从“被动响应”到“主动执行”

通过本文的学习,你已经将 OpenClaw 从“被动应答”升级为“主动执行”的自动化引擎。定时简报:每天8点自动生成行业简报推送飞书/钉钉GitHub事件触发:PR合并自动触发Code ReviewAgent间协作:数据采集→分析→报告全自动流水线系统监控:定时检查服务器状态,异常自动告警核心收获掌握 OpenClaw 内置 Cron 系统的三种调度模式学会 Webhook 配置和事件触发机制理解 Agent 间通信的两种方式(sessions_spawn / sessions_send)

PeterPan的博客 691

w3m 使用笔记

前情提要用了links,links2,elinks,lynx还有w3m这款text-based浏览器,最后决定使用w3m。 ------------ 刚发现一个新功能安卓下ConnectBot可以用音量键控制字的大小! 个人之见这里是作为一个新手刚刚学会使用的一些见解和感悟,欢迎大牛来喷 :) 我是通过安卓平板连接Linux的,终端背景黑色,文字绿色。 elinks是我觉得很简单很直观最和GUI浏览

Smile in a sunny day 6104

华为校招&实习&留学生机试真题目录+算法分类+在线OJ+通过率+视频讲解

全网最新最全华为校招&实习&留学生机试真题题库

m0_73659489的博客 6872

linux文字界面浏览器,文字式网页浏览器w3m (默认快捷键列表)

文字式网页浏览器w3m (默认快捷键列表)发布时间:2008-08-23 00:52:14来源:红联作者:kaiqi刚接触到linux的时候就知道了lynx此老古董式的网页浏览器,所谓是宝刀哈之后玩linux都是在xwindow下捣弄前不久翻看了下lynx的使用方法,之后就知道了w3m,在ubuntu7.10上默认是安装了w3m的,用起来还不错因为之后想在命令行模式下认认真真的去学习linuxw3...

weixin_27828313的博客 581

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

第4篇 Raspberry常用软件分享-Raspberry

本章介绍一下在树莓派上(支持Python)一些常用的软件,分享笔者的使用目的,以便大家在遇到类似问题的时候可以利用这些软件来解决。 W3M *问题解决:*树莓派上使用都是浏览器自带的下载程序,在SSH情况下,无法使用(至少我不会用),但是需要下载一下已确定了网址的程序。那么W3M就是你的解决方案。 **软件介绍:**w3m是个开放源代码的文字式网页浏览器。w3m支持表格、框架、SSL连线、颜色。如...

weixin_38074499的博客 628

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Linux下用W3M浏览网页

1.安装$sudo apt-get install w3m-img w3m2.启动吧$w3m www.google.cn你就会看到熟悉的google主页了3.一些常用的快捷键H 显示帮助 q 退出,会有提示的 j,k,l,h 移动光标,就像vim中一样 J/K 向下/向上滚屏 < > 左右滚屏 在文本框里press Enter会提示TEXT:然后就可以输入了.输入后press E

耗子、 1343

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Linux下用w3m上网

在linux终端中输入命令w3m,后接任意网址。如:w3m http://www.baidu.com,回车,会显示OpeningSocket……,稍后即可显示网页,界面类似于windows下界面,不过没有windows下界面的图片,如下图所示: 2.将光标移到红线上,回车,在窗口最底侧出现“TEXT:”,在后面输入想要搜索的关键字,如sql,然后回车,文字将显示到红线上,按Tab键,光标移动

随便写写 9883

linux w3m 使用方法,CentOS下安装w3m,及w3m的使用

centos下安装软件的命令不是apt-get,而是yum,如果安装w3m,利用sudo yum install w3m w3m-img -y即可△△△△△△△△如果你用的是centos或readhat企业版,可以用下面的命令安装。△△△△△△△△△△sudo yum install w3m△△△△△△△△如果你用的是Debian或ubuntu,可以用下面的命令安装。 △△△△△△△△△△△△△s...

weixin_35075144的博客 2187

w3m的使用方法

1.安装 $sudo apt-get install w3m-img w3m 2.启动吧 $w3m www.google.cn 你就会看到熟悉的google主页了 3.一些常用的快捷键 H 显示帮助 q 退出,会有提示的 j,k,l,h 移动光标,就像vim中一样 J/K 向下/向上滚屏 < > 左右滚屏 在文本框里press Enter会提示TEXT:然后就可以输入了.输入后press Enter,最后按搜索键 T 打开一

明阳 3273

linux下命令行浏览器w3m,Linux 终端浏览器 w3m

三款比较有名的 w3m、links2、lynx、其中w3m 对中文的支持很好,没出现乱码,而那两款都会有乱码w3m 安装sudo apt-get install w3msudo apt-get install w3m w3m-img如果出现乱码,可以用w3m打开任意网页,键盘键入o,然后将显示语言调整为chinese如果你的locale不是gbk的话还是会乱码的。所以运行 export LC_AL...

weixin_42361635的博客 654

Linux 下的文字浏览器 w3m

【代码】Linux 下的文字浏览器 w3m。

我想我是海 冬天的大海 心情随风轻摆 2000

linux终端运行w3m,W3M - 一款终端浏览器

w3m是一个基于文本的网页浏览器,支持多种操作系统,在命令行终端可以很好的支持中文。即使在没有鼠标支持的情况下也可以检查网页的输出。本文列出常用的快捷键。如果你浏览的关注点是文字,而网页上又有很多干扰你的广告,在终端下使用w3m浏览将是一个很好的选择。w3m可以自动为你去除哪些无聊的广告,专注于文字本身,而且超链接的跳转也很方便。看下文本浏览效果,示例如下,以浏览https://linux265....

weixin_33835122的博客 857

3个常用基于Linux系统命令行WEB网站浏览工具(w3m/Links/Lynx)

一般我们常用的浏览器肯定是基于可视化界面的图文结合的浏览界面效果,比如FireFox、Chrome、Opera等等,但是有些时候折腾和项目 的需要,在Linux环境中需要查看某个页面的文字字符,我们需要简单的浏览网页页面,但是也不需要特别复杂的视频、图片功能。 我们可以采用本地客户端的浏览然后再去校队,但是效率比较低,或者直接在Linux服务器中用wget类似的下载工具到本地,然后再去搜索字

1万+

linux w3m浏览器

开源shij http://article.yeeyan.org/view/90729/346957

jypeitao的专栏 1278

三款比较有名的终端浏览器(w3m links2 lynx)

三款比较有名的终端浏览器(w3m links2 lynx)

qq_44906416的博客 1497

linux终端中使用 w3m 浏览器

$w3m www.google.cn 你就会看到熟悉的google主页了 几个必用键  a 在文本框里输入文字  g 页面顶端  G 页面底部  b 空格 翻页  s 切换历史(buffer)  S 保存网页至文件  v 网页/源码切换  h j k l 左下上右,和vim同  w 以word右进  Tab 在各连接之间切换 H     显

xiaoshang的专栏 2358
上一篇: update replace语句的使用
下一篇: JS获取屏幕大小
HackProgramer
博客等级 码龄12年 255粉丝 23原创
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
 
 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