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
100+累计阅读
139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
虚拟机
虚拟机缺点
Linux容器
容器和虚拟机的区别
Docker安装环境
Docker架构图
Docker的组成
仓库和镜像
Docker仓库，容器，镜像概念
查看docker配置文件
配置阿里云镜像加速
获得阿里云docker加速地址
centos6.8配置docker阿里云镜像仓库
重启docker并且查看docker运行参数
如果centos7以上可以修改配置文件，讲json串粘贴在docker文件后面，并且重新加载重启docker
使用docker run hello-world
docker run 干了什么
docker是怎么工作的
docker为什么比VM快
docker ，nvidia-docker，docker-compose和nvidia-docker-compose的安装配置
预先安装：Ubuntu14.04，SSH，GIT，CUDA-8.0一、安装docker安装最新版// 1. 安装必要的一些系统工具 sudo apt-get update sudo apt-get -y install apt-transport-https ca-certificates curl software-properties-common // 2. 安装GPG证书 curl -f...
【docker】linux系统docker的安装及使用
然后，只要一个命令，就能同时启动/关闭这些容器。阿里云：http:**//mirrors.aliyun.com/docker-ce/linux/centos/**docker-ce.repo 清华大学源：https:**//mirrors.tuna.tsinghua.edu.cn/docker-ce/linux/centos/**docker-ce.repo。注：所有docker容器的卷，没有指定目录情况下（具名挂载和匿名挂载），都在 /var/lib/docker/volumes/ 下。
【Docker】使用 Docker Compose 部署 Docker Registry
在内网环境中，我们期望能够在本地共享镜像。registry服务就是我们镜像仓库的服务，web服务会给我们提供一个可视化的web页面，方便我们查看镜像，web服务中配置的环境变量就是我们仓库服务registry的ip和端口。通过使用 Docker Compose，我们可以轻松地在本地部署 Docker Registry，并开始使用自己的私有镜像存储。如果我们想把镜像推送到公网，那么我们就可以使用阿里云容器镜像，虽然个人容器镜像托管服务是限额使用的，但额度对于我们个人使用的话已经足够了。
Linux docker及docker-compose安装教程
本文介绍了Linux系统中Docker和Docker-Compose的安装方法。在x86架构下，提供了联网和离线两种安装方式：对于Ubuntu系统可使用阿里云源在线安装，CentOS/AnolisOS系统可通过官方仓库或阿里镜像源安装；离线安装则需下载对应版本的安装包进行手动配置。同时详细说明了Docker服务配置、权限设置和开机自启等步骤。对于Docker-Compose的安装，给出了在线下载最新版本的命令。文中包含完整的代码示例，涵盖从安装到验证的全部流程，适用于不同Linux发行版的Docker环境部
docker images找不到镜像，docker ps找不到进程，Cannot connect to the Docker daemon at unix:///var/run/docker.sock
分析发现，docker依赖docker.sock查找docker engine的配置文件daemon.json，从而将client连接到server。
[FreeRTOS+STM32CubeMX] 03 USART串口调试-基于中断实现接收和发送数据
我们接着上一小节，上一节讲到，接收上位机传来的数据时，需要事先知道传来的数据的字节数，这一操作实在有些反人类，那么如何解决这个问题，上位机输入多少，我们就接收多少数据呢？ 接下来我将把USART引入中断，在接收数据的回调函数中引入二值信号量、消息队列，来让我的接收数据能够存储在队列中，并一个一个的在任务中输出出来，并最终在上位机回显。
Java技术栈 —— Docker入门
docker的本意是码头工人。Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的 Linux或Windows操作系统的机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口。[1]一、参考文章或视频链接[1]《Docker》- 百度百科[2]Docker - 官方。
（蓝桥杯）STM32G431RBT6（SysTick timer）
选用最基础的定时器。
docker in docker使用方式
挂载主机docker文件 方式1：挂载主机上的docker.sock以及docker二进制文件 docker run -it \ -v /var/run/docker.sock:/var/run/docker.sock \ -v $(which docker):/usr/bin/docker \ centos docker version 方式2：挂载主机docker.sock并在容器中安装docker客户端 docker run -it \ -v /var/run/docker.sock
从零搭建宝兰德BES单机版：分离式安装、环境变量配置到控制台访问的避坑指南
本文详细介绍了从零搭建宝兰德BES单机版的完整流程，包括分离式安装、环境变量配置和控制台访问的避坑指南。针对中间件安装部署中的常见问题，提供了账号规划、JDK配置、实例创建和防火墙设置等实用解决方案，帮助开发者和运维人员高效完成BES中间件的部署工作。
发那科机器人Modbus通讯配置全攻略：从IP设置到信号调试
本文详细介绍了发那科机器人Modbus通讯的配置方法，从基础认知到IP设置、端口配置、信号调试及故障排查。重点讲解了UOP和DI/DO信号的配置技巧，帮助工程师快速实现机器人与PLC的稳定通讯，提升自动化系统效率。
docker in docker 在CI中应用解析
docker里嵌套运行docker，本文讲解其在jenkins和gitlab-runner 种的调用流程。
Python爬虫实战：股票历史数据抓取与量化回测全流程详解
我们以**东方财富网（eastmoney.com）和雪球网（xueqiu.com）**为主要目标，演示如何爬取A股历史行情。最常用的HTTP请求库，简单易用，适合静态页面数据请求。本文详细介绍了从股票历史数据抓取到简单回测的完整流程，代码示例基于最新技术，结构清晰，适合初学者和进阶者学习量化投资实战。希望对你入门Python爬虫和量化交易有所帮助！
Docker in docker 实现
Docker in docker 文章目录Docker in docker原理实现（centos7）常见问题参考 在docker容器内运行docker一般是不被倡导的。但有些场景和业务上，需要在容器内使用docker对组件进行编译构建，不同的组件所需的依赖有不一致，不同自建相互之间的依赖很可能相互干扰（比如需要同一个组件的不同版本），因此docker-in-docker的解决方案被提出来了， 一般被用于CI或集成测试。 原理 通过将主机上的docker.sock挂载至容器内，实现共享主机的docker.so
YOLO11改进-注意力-引入Deformable Large Kernel Attention (DLKA) 解决多尺度、小目标、遮挡等问题
Deformable Large Kernel Attention (DLKA) 是一种用于视觉任务的注意力机制，旨在提升模型在处理不同尺寸和形状对象时的灵活性和性能。DLKA 的设计灵感源自传统的注意力机制，但通过引入可变形核（deformable kernel）来增强对局部特征的适应能力。
pandas教程：2012 Federal Election Commission Database 2012联邦选举委员会数据库
里面包含了支持者的名字，职业和雇主，地址，赞助金额。我们可以已经能想到如何切割、整理数据，来提取赞助者的统计数据，或提取宣传活动的模式，这里我们展示一些不同的分析方法。可以看到有些职业是同一种工作类型，指代的是同一个东西。这两个连续操作是分别独立执行的，一个结束后，另一个才开始。上，这里我是把数据集压缩成了ZIP格式，解压后能正常导入）。我觉得也有必要好好了解一下，这个网站做了很好的讲解，），所以我们最好添加这样的信息。这样的情况，即把两个索引操作连在一起。，发现映射关系被正常执行了，所以这里的。
此docker compose非彼docker-compose
维度docker-composedocker compose安装方式独立可执行文件（standalone）Docker 插件（plugin）对应版本Compose V1Compose V2命令格式短横线连接（docker-compose）空格分隔（docker compose）集成度独立工具，需单独安装集成在 Docker CLI 中推荐程度旧版，逐步淘汰官方推荐 ✅依赖独立二进制文件依赖 docker-compose-plugin。兼容性：docker-compose 在旧版本中更稳定，适合遗留系统。
【QT开发教程】Qt中的跨平台文件系统操作
文件系统操作是应用程序开发中经常需要处理的任务。Qt提供了一套跨平台的文件系统操作API，使开发者能够在不同操作系统上无缝地进行文件和目录操作。本文将介绍Qt中的跨平台文件系统操作，包括基本概念、常用类和方法以及实际示例。
dind（docker in docker）学习
docker in docker 说白了，就是在docker容器内启动一个docker daemon，对外提供服务。 优点在于： 镜像和容器都在一个隔离的环境，保持操作者的干净环境。 想到了再补充 ：） 一：低版本启动及访问 启动1.12.6-dind docker run --privileged -d --name mydocker docker:1.12.6-dind 在其他容器访问 d...
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")
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
ubuntu20.04 安装docker，docker-compose
ubuntu20.04 安装docker，docker-compose
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
ARM架构下安装新版docker及docker-compose
【代码】ARM架构下安装新版docker及docker-compose。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
Docker API（Registry API、Docker Hub API、Docker Remote API）
一、Docker API简介 在Docker生态系统中一共有3种API： Registry API：提供了与来存储Docker镜像的Docker Registry继承的功能 Docker Hub API：提供了与Docker Hub继承的功能 Docker Remote API：提供与Docker守护进程集成的功能 这3种API都是RESTful风格的 本文我们主要介绍Remote API，因为它是通过程序与Docker进行继承和交互的核心内容 二、初识Remote API Remo
Kylin安装docker
建议使用离线方式安装。下面是离线包下载路径，根据服务器架构信息下载对应的安装包。本文将介绍离线安装的方式。六，创建docker配置文件 /etc/docker/daemon.json。根据操作系统及架构下载对应的docker，麒麟V10下载20版本为好。四，测试docker位置，命令： /usr/bin/dockerd。五，配置docker.service文件。八，查看docker版本及配置。一，下载docker安装文件。1 ，查看版本信息和架构。三，docker安装。
Docker与Firewalld冲突怎么办？教你几招搞定docker网络
为啥要研究这个问题？docker-ce 默认会采用桥接网络，它会通过iptables来管理它的容器之间的通信和容器与宿主机的通信，如果同时启用了firewalld服务，他们都会对iptables里面的转发链写入规则，而让人头疼的是，firewalld每次启动或者重启都会强制覆盖docker的转发链，同时，docker也会通过更高优先级的策略使firewalld里面配置的条目失效。
docker 下安装docker私服仓库docker-repository以及webUI查看页面
docker 下安装docker私服仓库docker-repository 文章目录docker 下安装docker私服仓库docker-repository1、首先下载镜像并执行操作docker registrydocker-compose 启动2、容器操作 1、首先下载镜像并执行 拉取docker registry的镜像 拉取一个webUI的项目docker-registry-frontend...
Docker——Docker命令集合
本博文介绍docker命令集合,帮助大家更好的使用docker容器。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2834
扫一扫
