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
698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
查看系统当前使用的shell，并且看看是否安装过zsh
echo $SHELL
cat /etc/shells
没有安装
yum -y install zsh #安装zsh
cat /etc/shells #查看安装是否成功
chsh -s /bin/zsh #切换shell
reboot
安装 oh my zsh
wget https://github.com/robbyrussell/oh-my-zsh/raw/master/tools/install.sh -O - | sh
选择主题
vim ~/.zshrc
#ZSH_THEME 修改为想要的主题，默认为robbyrussell
source ~/.zshrc #更新配置
【终端美化】Ubuntu 下 Zsh 与 Oh-My-Zsh 美化与插件配置指南
当从 Bash 切换到 Zsh 时，如果你之前在 Bash 中定义了一些环境变量、别名或函数，那么需要手动迁移这些配置到 Zsh 才能继续使用。extract插件：一键解压，省去记忆复杂命令的麻烦。web-search插件：快速搜索，无需打开浏览器即可发起在线查询，提高效率。
ubuntu zsh安装与oh-myshell配置
ubuntu zsh安装与oh-my-shell配置
【Qt】QByteArray详解
对象共享同一份数据，直到修改时才进行深拷贝，以节省内存和计算资源。：可存储任意二进制数据（如图片、音频、协议数据），不依赖字符编码。与编码（如 UTF-8、Latin-1）之间的桥梁（例如。• 补零规则确保奇数字符串能正确解析，避免数据截断。：内部自动分配和释放内存，无需手动管理。将输入的字符串视为十六进制编码数据，返回实际数据长度（不包括结尾的。的输入必须是有效的十六进制字符（，但针对 Qt 框架做了优化。：处理加密后的二进制结果（如。• 如果输入字符串长度为奇数，• 若输入长度为奇数，自动在。
Oh My Zsh 强大炫酷的Shell
前言 Zsh介绍 zsh 完全兼容 bash zsh 官网：http://www.zsh.org/ zsh具有强大的可定制的特点，支持许多插件,补全功能也强大很多.但是却配置起来十分的麻烦，但有了oh-my-zsh之后，一切变得简单起来了 Oh My Zsh Oh My Zsh 是一款社区驱动的命令行工具 oh my zsh :https://github.com/robbyrussell/...
OAK-D-Pro深度解析：从硬件融合到全天候SLAM实战
本文深度解析OAK-D-Pro硬件架构及其在SLAM领域的实战应用。作为SLAM的"六边形战士"，OAK-D-Pro融合主动双目摄像头、结构光投射器、6轴IMU等传感器，实现全天候稳定工作。通过实测数据展示其在弱纹理环境、动态光照等复杂场景下的卓越表现，并提供SLAM实战技巧与开发指南，帮助开发者快速部署高效SLAM解决方案。
Windows下用Caddy一键搞定LiveKit本地HTTPS部署（含自签名证书避坑指南）
本文详细介绍了在Windows本地开发环境中，如何利用Caddy服务器一键部署支持HTTPS和WSS的LiveKit实时通信服务。文章重点解决了自签名证书的生成与配置难题，提供了完整的避坑指南和防火墙设置，帮助开发者快速搭建安全的WebRTC测试环境，实现局域网内的实时音视频互动。
linux 最强shell,最强Linux shell工具Oh My Zsh 指南
$ chsh -s $(which zsh)安装插件所有插件都列在Plugins，自定义插件可以安装在〜/.oh-my-zsh/custom/plugins中。要使用插件，只需将其添加到〜/.zshrc文件中的插件列表即可。明智地添加，因为太多的插件会减慢shell的启动速度。插件之间使用空格分割。colored-man-pages在这个例子中，我安装了一个有用的插件，为你的手册页提供颜色突出显。...
Blender地形建模实战：5步搞定Gazebo仿真地形（附避坑指南）
本文提供了一份详细的Blender地形建模实战指南，旨在帮助开发者快速创建Gazebo仿真地形。文章通过五个核心步骤，从环境准备、地形雕刻、模型优化导出，到创建Gazebo模型包及问题排错，系统讲解了如何将Blender中的地形模型成功导入Gazebo进行机器人仿真，并重点分享了关键的避坑经验。
Mac下安装shell神器 oh-my-zsh
oh-my-zsh是Mac下一个强大炫酷装逼的一个终端神器，安装方法如下： 1.终端下输入命令安装 curl -L https://raw.github.com/robbyrussell/oh-my-zsh/master/tools/install.sh | sh 2.备份配置文件 cp ~/.oh-my-zsh/templates/zshrc.zsh-template ~/.zshrc 3...
从拧螺丝到精密装配：三菱伺服电机扭矩控制在工业自动化中的实战解析
本文深入解析三菱伺服电机扭矩控制在工业自动化中的实战应用，重点介绍MR-J4系列伺服系统的高精度扭矩响应技术。从螺丝紧固到精密装配，详细讲解扭矩控制模式的选择、硬件配置、参数设置及典型故障排查方案，帮助工程师提升生产效率和产品质量。
别再为镜面物体检测发愁了！手把手教你用PMD相位偏折术增强2.5D形状图细节（附Python代码）
本文详细解析了PMD相位偏折术在工业视觉中镜面物体检测的应用，通过2.5D成像方案增强形状图细节。文章提供了Python代码示例，介绍了一种计算高效的局部特征增强算法，帮助解决产线环境中的噪声问题，提升缺陷识别准确率。
Oh My Bash vs Oh My Zsh：终极Shell框架选择指南
在Linux和macOS系统中，**Shell框架**是提升终端体验的关键工具。对于开发者和系统管理员来说，选择合适的Shell框架能够显著提高工作效率。本文将深入比较**Oh My Bash**和**Oh My Zsh**两大主流框架，帮助您做出明智的选择。 ## 🤔 为什么需要Shell框架？ 传统的Bash和Zsh虽然功能强大，但配置复杂且缺乏美观性。**Shell框架**通过提供丰富
第一章 千牛实时获取消息之ws服务端搭建
以上就是今天要讲的内容，本文仅仅简单介绍了ws服务端的搭建，后面将介绍ws客户端的搭建和配合ws服务器的测试。
利用zsh+oh-my-zsh+powerlevel10k为Linux终端配置一个漂亮的shell
利用zsh、oh-my-zsh、powerlevel10k以及一些插件为Linux终端配置一个漂亮的shell，自己踩过一些坑，分享配置流程
数字盲水印嵌入和提取的实现基于小波变换DWT算法
数字盲水印是指在不知道原始图像的情况下，在其上嵌入水印并在后续的提取过程中能够恢复出原始水印的一种技术。本文介绍的数字盲水印嵌入和提取的实现方法基于小波变换DWT算法。具体来讲，DWT将信号或图像进行二次下采样和卷积滤波，使得高频分量的图像信息被集中在一个小区域内，方便进行嵌入和提取操作。其中 a 表示嵌入强度，而 watermark 则是用于嵌入的水印图像，这里我们嵌入的是一个全灰的图像。通过以上的代码，我们可以实现数字盲水印的嵌入和提取，并在一定程度上保护数字图片的版权安全。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Oh My Zsh实战指南：从终端美化到高效Shell配置
终端环境是开发者日常效率的基石，Shell作为人与操作系统交互的桥梁，其配置直接影响工作流体验。传统Bash虽功能完备，但默认缺乏人性化的提示与补全机制。Oh My Zsh作为构建于Zsh之上的配置管理框架，通过模块化的插件和主题机制，将Shell环境从“能用”升级为“好用”。其生态中诸如Powerlevel10k主题可提供高性能的Git状态展示，配合zsh-autosuggestions等插件，实现命令自动建议与语法高亮。在实际应用中，开发者常结合终端复用工具如tmux管理多会话，或对接Claude Co
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 20.04 安装 Zsh 并配置 oh-my-zsh：提升终端体验的完整指南
本文详细介绍了在Ubuntu 20.04上安装和配置Zsh及oh-my-zsh的完整流程。Zsh作为比Bash更强大的Shell，提供了智能补全、语法高亮、丰富插件和主题等特性。文章包含检查当前Shell、安装Zsh、设置默认Shell、安装oh-my-zsh框架、配置常用插件（语法高亮和自动补全）、修改.zshrc文件等步骤，并针对常见问题提供解决方案。最后还介绍了主题更换和快捷键配置等个性化设置方法，帮助用户打造高效终端环境。通过本指南，用户可以轻松升级终端体验，享受Zsh的强大功能。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
mac上更好看的终端shell选择：zsh与 oh_my_zsh
为什么要安装zsh这个shell呢？ 无非是为了装x哈哈哈哈 说实话，有个酷炫一点的主题以及可视化的界面会大大的提升编码的幸福感 安装：分别安装zsh以及oh_my_zsh 安装流程： `在这里插入代码片# 安装zsh brew install zsh git -y #安装oh-my-zsh # via curl（使用的是这个安装方法） curl -L https://raw.github...
ubuntu更改zsh终端主题与配色
0 写在前面 由于ubuntu默认的bash窗口没有zsh好，所以推荐也改为zsh脚本环境，本博客接本人上一个博客mac终端自定义主题与配色，其实同理，下面简要列出。 1 安装zsh 首先输入运行cat /etc/shells查看当前的shell脚本环境，一般是没有zsh的。 然后sudo apt-get install zsh安装。 将shell配置默认为zsh参考网页 2 安装oh-my-zs...
Mac iTerm命令行配置iterm2+zsh+oh-my-zsh
所需软件 iterm2：终端工具 zsh：Linux的另一种shell，Mac默认是bash oh-my-zsh：管理zsh的工具，可以提供插件，主体等 安装iTerm2 直接去官网下载安装即可 选择配色 打开Preferences->Profiles->Colors->Solarized Dark 安装zsh Mac默认自带了zsh 可以通过cat /etc/...
iTerm2 + on my zsh 配置和美化
安装iTerm2 https://iterm2.com/ 调整Status Bar Preferences-Appearance-General-Theme/Status bar location 以达到顶栏沉浸式的效果 Preferences - Profiles - Session - Status bar enabled 开启并调节
oh-my-hermes：Zsh终端效率与Shell配置实战
终端是开发者与计算机交互的核心入口，而Shell配置的合理与否直接决定了工作流效率的高低。Zsh作为Bash的超集，凭借强大的兼容性和丰富的钩子机制（如chpwd），成为提升命令行效率的理想基底。通过自定义提示符、注册快捷命令以及实现项目级配置自动加载，可以把高频操作变成一键触发，显著降低上下文切换成本。在微服务治理、后端开发与DevOps场景中，这种围绕项目上下文构建的Shell自动化方案，能够帮助团队统一开发环境、加快部署与日志排查速度。oh-my-hermes正是这样一套轻量级Zsh配置框架，它聚焦于
ZSH终端优化--Oh my zsh
查看系统支持shell类型。更改默认shell为zsh。
Linux终端配置与美化(zsh+oh-my-zsh+powerlevel10k+terminator终端)
linux终端美化（zsh+terminator）
Mac 终端 oh-my-zsh 配置
Mac 终端默认 shell 为 bash。 zsh 可能是目前最好的 shell ，至于好在哪里可自行百度。 本文主要介绍使用 zsh 以及 oh-my-zsh 的配置。 使用 zsh 查看当前使用的 shell echo $SHELL /bin/bash 查看安装的 shell cat /etc/shells /bin/bash /bin/csh /bin/ksh...
你的终端神器之Oh My Zsh
注意：templateName、createAsContainerDatabase必須指定。修改db_install.rsp文件中以下内容。12.1.编辑dbca.rsp安装文件。1.7.关闭防火墙还有selinux。10.2.静默安装Oracle软件。1.6.解析/etc/hosts。6./etc/profile配置。10.静默安装Oracle数据库。查看是否安装有Oracle软件。4.配置Oracle的环境变量。以下在root用户下操作。oracle用户下操作。oracle用户下操作。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4759
扫一扫
