搭建青龙面板图文教程 2.11.3稳定版

青龙面板安装及配置 青龙面板安装 阅读详情
AI摘要

文章介绍了如何在国内服务器上通过宝塔安装Docker和青龙面板,包括安装步骤、UCloud设置以及青龙面板的多容器安装、依赖安装和常用Docker命令。

购买服务器就不谈了 ,国内的就腾讯 阿里 华为 百度 谁家便宜用谁家就行

至于国外 甲骨文 搬瓦工 绿云 v.ps vir 以及别家 谁家便宜搞谁

但是用宝塔安装docker内存一定要大于860M好像 之前甲骨文开了俩 都是内存在这个范围 根本不让安装 只能删鸡重来 

教程这边从宝塔开始

一、安装宝塔

Centos安装脚本

yum install -y wget && wget -O install.sh https://download.bt.cn/install/install_6.0.sh && sh install.sh ed8484bec

Ubuntu/Deepin安装脚本

wget -O install.sh https://download.bt.cn/install/install-ubuntu_6.0.sh && sudo bash install.sh ed8484bec

Debian安装脚本

wget -O install.sh https://download.bt.cn/install/install-ubuntu_6.0.sh && bash install.sh ed8484bec

输入脚本,回车

输入y ,回车

安装完成  保存好下面这个 ,同时去服务器后台 放开宝塔这个端口  

 外网面板地址: http://1.1.1.1:21403/28f2a6c7
 内网面板地址: http://1.1.1.1:21403/28f2a6c7
 username: 6pl3nhz5
 password: 1915d1d7
 

 我的是ucloud 在图下设置,一般来说 名字都是(安全组、安全规则、防火墙之类的)

六千服务器都是大同小异,名字差不多,找找就找到了。放开就行哈。

说句题外话,ucloud这家是真垃圾,千万不要买,还得实名,买来基本都是闲置了

二、安装docker

进入宝塔之后 ,直接软件商店

稍等几分钟就好了,看下图就是安装好的界面。

三、安装青龙面板

开始准备安装青龙面板,回到ssh软件

1.执行下方命令拉取镜像
docker pull whyour/qinglong:2.11.3

接下来创建容器  

docker run -dit \
   -v $PWD/ql/config:/ql/config \
   -v $PWD/ql/log:/ql/log \
   -v $PWD/ql/db:/ql/db \
   -v $PWD/ql/repo:/ql/repo \
   -v $PWD/ql/raw:/ql/raw \
   -v $PWD/ql/scripts:/ql/scripts \
   -v $PWD/ql/jbot:/ql/jbot \
   -p 5600:5700 \
   --name qinglong \
   --hostname qinglong \
   --restart unless-stopped \
   whyour/qinglong:2.11.3

这样就算完成了 

2.进入青龙容器 ,开始一键安装
docker exec -it qinglong bash

qinglong 这根据你自己设置的名字来 

一键安装指令,时间有点久,等等就行了。

curl -fsSL https://ghproxy.com/https://raw.githubusercontent.com/FlechazoPh/QLDependency/main/Shell/QLOneKeyDependency.sh | sh

假如国外服务器拉取失败 ,就拉取这个 (删除了https://ghproxy.com/)

curl -fsSL https://raw.githubusercontent.com/FlechazoPh/QLDependency/main/Shell/QLOneKeyDependency.sh | sh

出现上面的字就是安装完成了  接下来退出 然后重启下青龙就好

exit
docker restart qinglong

qinglong 这个还是根据你自己设置的名字来 

3.多容器安装

整了一个脚本对比  不知道大家能不能看出区别来,下面把脚本贴上了,有需求的到时候可以一键复制

注意:一键安装那 拉的时候 就是改个名字的事,到时候注意下就行了。

docker run -dit \
   -v $PWD/ql/config:/ql/config \
   -v $PWD/ql/log:/ql/log \
   -v $PWD/ql/db:/ql/db \
   -v $PWD/ql/repo:/ql/repo \
   -v $PWD/ql/raw:/ql/raw \
   -v $PWD/ql/scripts:/ql/scripts \
   -v $PWD/ql/jbot:/ql/jbot \
   -p 5600:5700 \
   --name qinglong \
   --hostname qinglong \
   --restart unless-stopped \
   whyour/qinglong:2.11.3
docker run -dit \
   -v $PWD/ql1/config:/ql/config \
   -v $PWD/ql1/log:/ql/log \
   -v $PWD/ql1/db:/ql/db \
   -v $PWD/ql1/repo:/ql/repo \
   -v $PWD/ql1/raw:/ql/raw \
   -v $PWD/ql1/scripts:/ql/scripts \
   -v $PWD/ql1/jbot:/ql/jbot \
   -p 5700:5700 \
   --name qinglong1 \
   --hostname qinglong1 \
   --restart unless-stopped \
   whyour/qinglong:2.11.3
docker run -dit \
   -v $PWD/ql2/config:/ql/config \
   -v $PWD/ql2/log:/ql/log \
   -v $PWD/ql2/db:/ql/db \
   -v $PWD/ql2/repo:/ql/repo \
   -v $PWD/ql2/raw:/ql/raw \
   -v $PWD/ql2/scripts:/ql/scripts \
   -v $PWD/ql2/jbot:/ql/jbot \
   -p 5800:5700 \
   --name qinglong2 \
   --hostname qinglong2 \
   --restart unless-stopped \
   whyour/qinglong:2.11.3
4.进入青龙,安装依赖

创建完成后,去浏览器输入你的青龙所在服务器的IP:和你设置的端口。

例如本教程最新版的青龙端口是5600,那就访问你服务器的ip:5600

接下来开始安装依赖

4.1 node.js依赖 

按照下面图来就行。

crypto-js
prettytable
dotenv
jsdom
date-fns
tough-cookie
tslib
ws@7.4.3
ts-md5
jsdom -g
jieba
fs
form-data
json5
global-agent
png-js
@types/node
require
typescript
js-base64
axios
cheerio
data-fns
ds

4.2 python3 依赖

requests
canvas
ping3
jieba
aiohttp
bs4
userAgent
selenium

4.3 linux依赖

这个感觉装不装都一样,还有之前装pkc时候报错,发现是这的锅,所以后来我基本上不装了。

大家根据自己情况来吧。

bizCode
bizMsg  
lxml

依赖都安装完成 等个几分钟

四、青龙面板仓库合集

什么值得买签到+任务

 项目地址 :传送门

ql repo https://github.com/hex-ci/smzdm_script.git "" "env.js|bot.js|sendNotify.js" "env.js|bot.js|sendNotify.js"
BiliBiliTool 登录、投币、点赞、分享视频

  项目地址 :传送门

ql repo https://github.com/raywangqvq/bilibilitoolpro.git "bili_task_"

注意青龙面板,配置文件页。

修改 RepoFileExtensions="js py" 为 RepoFileExtensions="js py sh"

保存配置。

某东

撸豆的,几个用过的库,集合库(包含开卡)拉1个就行,有农场,种豆等活动自动做,太多了自己发掘吧。
开卡是指店铺会员卡,邀请其他人加入店铺会员得豆的活动,开多了会有许多骚扰电话或短信,
天天喊让人上车的就是为了做他工具人助力各活动(俗称韭菜)。

jdpro(集合库)

项目地址:传送门
点评:更新勤,无重复,内部互助,有原创,比较纯净默认不会购物车不会加购乱七八糟的商品,入门推荐,博主目前在用的。

ql repo https://github.com/6dylan6/jdpro.git "jd_|jx_|jddj_" "backUp" "^jd[^_]|USER|JD|function|sendNotify"
Faker2(集合库)助力池版

项目地址:传送门

点评:只搬运,比原创更新慢些,准确来说就是大杂烩,我以前也是用的这个,走助力池,后来太麻烦了就换脚本了。

ql repo https://github.com/shufflewzc/faker2.git "jd_|jx_|gua_|jddj_|jdCookie" "activity|backUp" "^jd[^_]|USER|function|utils|sendNotify|ZooFaker_Necklace.js|JDJRValidator_|sign_graphics_validate|ql|JDSignValidator|magic|depend|h5sts" "main"
Faker3(集合库)

项目地址:传送门
点评:同faker2,就是这个助力是自己的。

ql repo https://github.com/shufflewzc/faker3.git "jd_|jx_|gua_|jddj_|jdCookie" "activity|backUp" "^jd[^_]|USER|function|utils|sendNotify|ZooFaker_Necklace.js|JDJRValidator_|sign_graphics_validate|ql|JDSignValidator|magic|depend|h5sts" "main"
smiek2121(开卡库)

项目地址:传送门
点评:纯开卡(店铺会员卡)库,有原创,无开卡活动不更新,有更新需及时跑,晚了就等补水吧,集合库也会有开卡,拉集合库了不用再单独拉开卡库。

ql repo https://github.com/smiek2121/scripts.git "jd_|gua_" "" "ZooFaker_Necklace.js|JDJRValidator_Pure.js|sign_graphics_validate.js|cleancart_activity.js|jdCookie.js|sendNotify.js"

五、docker青龙命令

1.重启青龙容器

docker restart 你的容器名

容器名一般为qinglong或者ql等,不知道的跑一下下面命令可以看到

docker ps -a

2.更新青龙

docker exec -it qinglong ql update

3.更新青龙并编译

docker exec -it qinglong ql restart

4.拉取单个脚本,以Faker库的资产变更通知为例

docker exec -it qinglong ql raw https://github.com/shufflewzc/faker2/blob/main/jd_bean_change_new.js

5.导出互助码

docker exec -it qinglong ql code

6.通知测试

docker exec -it qinglong notify test test

7.立即执行脚本,以资产变更通知为例

docker exec -it qinglong task jd_bean_change_new.js now

8.并行执行脚本

docker exec -it qinglong task jd_bean_change_new.js conc

9.查看青龙密码 注意你的容器及文件夹名称

docker exec -it qinglong cat /ql/config/auth.json

10.删除7天前的所有日志

docker exec -it qinglong ql rmlog 7

11.启动青龙bot 前提你已配置好青龙BOT

docker exec -it qinglong ql bot

六、青龙内置命令

1.更新并重启青龙

ql update

2.运行自定义脚本extra.sh

ql extra

3.添加单个脚本文件

ql raw <file_url>

4.添加单个仓库的指定脚本

ql repo <repo_url> <whitelist> <blacklist> <dependence> <branch>

5.删除旧日志

ql rmlog <days>

6.启动tg-bot

ql bot

7.检测青龙环境并修复

ql check

8.重置登录错误次数
如果是docker容器执行先执行

docker exec -it qinglong bash

再执行下面的即可

ql resetlet

9.禁用两步登录

ql resettfa

10.依次执行,如果设置了随机延迟,将随机延迟一定秒数

task <file_path>

11.依次执行,无论是否设置了随机延迟,均立即运行,前台会输出日,同时记录在日志文件中

task <file_path> now

12.并发执行,无论是否设置了随机延迟,均立即运行,前台不产生日,直接记录在日志文件中,且可指定账号执行

task <file_path> conc <env_name> <account_number>(可选的)

13.指定账号执行,无论是否设置了随机延迟,均立即运行

task <file_path> desi <env_name> <account_number>

内容多借鉴落幕笔记,以及csdn大佬 wokeymo 情叔2 也算是缝合怪,请谅解!!

青龙面板APP: 2.1.1版本(2024-03-10) 本APP基于青龙面板接口开发,支持面板大部分原生功能 ,同时提供拓展模块,帮助用户快捷管理。 阅读详情

相关推荐

02. 青龙面板应用——安装依赖拉取仓库运行京东脚本(保姆级图文)

青龙面板拉取仓库(保姆级图文)

MZH 6万+

最新青龙面板安装+京豆脚本拉取

更新青龙面板一些使用方法和脚本订阅地址

北游南倾的博客 4万+

Docker核心名词实战解析:从镜像分层到容器隔离的故障排查地图

Docker不是简单的进程封装或镜像打包,而是基于Linux内核Namespace、Cgroups、Rootfs和OCI标准构建的资源隔离与调度体系。理解镜像分层(Layer)、容器运行时(Run-time)、网络模式(bridge/host)和卷(Volume)等核心概念,是解决OOM killed、Connection refused、port already in use等高频问题的前提。这些名词背后对应着真实的资源生命周期——从构建时的缓存复用、运行时的内存限制与PID 1管理,到协同态下的DNS解

weixin_34274029的博客 365

最新版青龙面板V2.15.0略微详细安装教程

目录 操作前我们要明白什么是青龙面板? 准备工作: 1.首先进入宝塔面板,安装Docker为接下来做准备: 2.安装青龙面板 3.青龙面板基础命令 4.拉取各种库的脚本如下 5.获取京东cookie 6.添加Cookie 操作前我们要明白什么是青龙面板? 青龙面板是个web可视化的任务管理系统,它基于Docker容器来安装的。 有了青龙面板你可以添加定时任务,去实现定时执行的功能。 例如:自动签到 这也是接下来要讲的。 准备工作: 个人推荐腾讯云轻量服务器 ,新人有优惠,2核2G一

CTF_zhang的博客 8万+

2024年最新最全傻瓜式教学青龙面板拉取,rabitpro短信登录,账密登录对接无界spy自动监控JD线报自动运行开卡教程(一)。

青龙面板配置,短信登录账密登录,无界spy对接,自动监控线报,傻瓜式教学,保姆级图文。

p1210217382的博客 1万+

SimNow模拟环境实战:用vnpy_ctp连接期货市场的5个关键配置步骤

本文提供了一份详细的量化交易实战指南,重点讲解如何使用vnpy_ctp插件连接SimNow期货模拟环境的5个关键配置步骤。内容涵盖SimNow环境选择、vnpy_ctp核心参数解析、实战连接脚本编写、深度排错技巧以及向实盘迁移的准备,旨在帮助量化交易开发者快速搭建可靠的测试环境,避免常见陷阱。

weixin_29063035的博客 1269

小柏实战学习Liunx(图文教程十)

小柏实战学习Liunx(图文教程十)

chinassj的博客 1194

robomimic实验复现全流程指南:从数据集下载到训练视频生成

本文提供了RoboMimic实验复现的完整实战指南,重点解析了从数据集下载、配置文件定制到模型训练与评估的全流程。以tool_hang任务为例,详细说明了环境准备、数据获取、训练监控及视频生成等关键步骤,并针对常见问题给出了排查方案,帮助研究者高效完成机器人模仿学习实验的闭环验证。

2w3e4r5t6y的博客 1030

JD_tencent_scf 多账号管理终极指南:一条命令配置 N 个京东账号

JD_tencent_scf 是开源社区最受欢迎的京东脚本集合之一,涵盖了签到、种水果、萌宠、京豆兑换等几十个日常任务。而它最强大的能力,莫过于**多账号管理**:无论你有 2 个还是 20 个京东账号,只需配置一次 `JD_COOKIE` 环境变量,就能用一条命令同时驱动所有账号运行全部脚本。本文为零基础用户准备,手把手教你完成 JD_tencent_scf 多账号配置,全程无压力,跟着做就能搞

gitblog_00719的博客 1005

EEGLAB+ERPLAB实战:从.cnt文件到情绪ERP差异波,一份避坑指南

本文详细介绍了使用EEGLAB和ERPLAB处理Neuroscan的.cnt格式脑电数据的全流程,从数据导入、预处理到情绪ERP差异波生成。重点解决了采样率验证、事件标记检查、重参考选择、滤波策略与ICA组合等实操难题,并提供了情绪图片ERP研究中P1、EPN和LPP成分的分析技巧,帮助研究者避免常见错误,提升数据处理效率。

weixin_26795617的博客 264

STM32F103+W5500网络通信

STM32F103+W5500网络通信一、W5500模块(一)W5500以太网模块介绍(二)模块排针功能表二、 modbus协议(一)modbus协议原理(二)Modbus 通讯方式1.Modbus三种通讯方式2.在Modbus网络上传输3.以太网(modbus tcp/ip)三、参考资料 一、W5500模块 (一)W5500以太网模块介绍 D-W5500 EVB以太网模块是一款基于WIZnet W5500芯片的以太网模块,且性价比高的以太网模块。W5500是一款全硬件TCP/IP嵌入式以太网控制器,为

”一只特立独行的猪“的博客 1万+

LibreVNA 开源矢量网络分析仪完全指南:100kHz–6GHz 双端口 USB VNA 的架构、安装与实战使用

> LibreVNA 是一个开源的、基于 USB 的双端口矢量网络分析仪(VNA)项目,标称频率范围覆盖 100kHz 至 6GHz。本文以项目根目录 [README.md](https://link.gitcode.com/i/225c0bdac56956020ec7be076cad1d10) 为骨架,结合仓库内的框图文稿、初步规格表(specsheet)、嵌入式固件、FPGA 源码、构建脚本与

gitblog_01003的博客 900

Python爬虫实战:5分钟搞定东方财富网股票数据抓取(附完整代码)

本文详细介绍了如何利用Python爬虫技术,快速抓取东方财富网的实时股票数据。通过逆向分析其JSONP数据接口,构建了包含请求处理、数据清洗、分页调度及多格式存储的完整自动化采集系统,并提供了应对反爬策略与生产部署的进阶优化思路,附有可直接运行的完整代码。

weixin_29084231的博客 870

【23年2月23日更新】搭建宝塔面板、青龙面板“京东代挂”

本文章仅供学习 青龙面板可以运行某东脚本,你在网上搜索“京东代挂”,都是用青龙面板。

种一棵树最好的时间是十年前,其次是现在 3万+

使用 Visual Studio Code 连接 ABAP On-Premise 系统做开发的详细配置步骤

本文详细介绍了如何在Visual Studio Code中通过ABAP Development Tools扩展连接ABAP On-Premise系统。关键步骤包括:通过Ctrl+Shift+P打开命令行面板选择「ABAP: New Destination...」创建RFC连接(仅支持SSO单点登录),选择本地SAPGUI中已有的系统,输入Client ID、语言和用户名(无需密码),最后将目标系统添加到工作区即可开始开发。文章强调了企业安全考虑下仅支持SSO的设计理念,并展示了连接配置的JSON格式示例。整

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 983

学Simulink——控制执行场景实例:基于Simulink的智能车辆电子稳定控制(ESC)仿真

本文完成了基于 Simulink 的智能车辆电子稳定控制(ESC),实现了:✅ 构建含轮胎非线性的车辆动力学模型✅ 设计滑模横摆稳定性控制器✅ 实现四轮制动力分配逻辑✅ 验证在双移线低附着场景下的卓越稳定性✅ 为主动安全控制系统开发提供完整范式。

xiaoheshang_123的博客 528

2024最新青龙面板安装教程

青龙面板是一个支持 Python3、JavaScript、Shell、Typescript 的定时任务管理平台,我们能用它做些定时任务,比如自动获取京豆,或者一些app的签到获取福利。做难而正确的事,江湖走马,风也好!安装完毕点击弹出来的访问链接,进行初始化配置,通知配置可以跳过,用户名密码请记住。任何时候,再难也要记住:无人扶我青云志,我自踏雪至山巅!很快安装完毕,点击管理,设置好访问端口号,并点击安装应用。初始化配置完毕,点击登录,咱们就安装好了。点击会提示安装,等待安装完毕即可。

俺滴的博客 1万+

[明道云] -基础教学5- 明道云 40 种控件详解与场景解析

明道云工作表提供40种业务控件,涵盖文本、数值、关联、公式等类型,支持各类业务场景。文本类支持多行输入、正则校验;数值/金额类提供进度条、百分比显示等功能;关联类实现多表数据引用;公式/函数类支持复杂逻辑运算;自动化类包括打印模板、API调用等控件。合理使用这些控件可提升数据收集质量和自动化效率,同时需注意控件联动的性能影响和权限配置。关键控件包括关联记录、级联选择、公式计算等,适用于订单管理、客户信息关联等业务场景。

每日出拳老爷子的博客 8541

青龙面板搭建教程

要搭建一个青龙面板,您需要为您的云服务器安装Docker,这是一个非常重要的步骤。安装 Docker 将使您能够在服务器上运行容器,而青龙面板就是运行在容器中的。在您的服务器上创建一个文件夹,命名为“qinglong”,然后在文件夹下创建一个名为“config.sh” 的文件,并在其中填写青龙面板的配置信息。首先您需要前往云服务器的销售网站购买一台云服务器,在选择云服务器时,根据您的需求选择不同的配置方案。如果您只需要搭建一个小型的青龙面板,可以选择更为经济实惠的配置方案。步骤六:创建青龙面板的配置文件。

j123456va的博客 6373

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

宝塔青龙面板零基础搭建教程

大家好,目前本人也处于学习状态从事于计算机学习,本期教学如何使用青龙面板,拿宝塔做案例

瑜众不同 1万+

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")

青龙面板仓库合集(不断更新)

青龙面板,脚本库,自动签到,自动任务,集合仓库

mybook 11万+

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

青龙面板全教程

青龙脚本全教程

Anubis 1万+

手机安装青龙面板,低功耗,随时随地的薅羊毛(无需服务器)

(无需购买服务器)自从手机安装好青龙面板之后,就完全抛弃电脑版青龙面板。

daodan35的博客 5万+

青龙面板的安装和使用

这里我就测试了下jd的,所以名称是这个,值的话要去抓包,其实就是电脑登陆,右键检查,然后点网络里面会有pt_pin和pt_key。这个依赖我感觉就是跑这些脚本会用到的,分为node.js,python3,linux。访客下宿主机的5700端口,就可以进去了,中文的界面无脑下一步跳过即可。不行,就把防火墙关了。玩nas除了看看电影,那肯定还得玩转docker,这期讲的就是青龙面板,一个跑脚本的神器。你安装完docker那就很简单了,不懂可以看看我这篇博客。镜像源一定要搞,要不然可能拉的是旧版本的青龙。

weixin_43487532的博客 5578

2024青龙面板京东教程

格式为:pt_key=app_openAAJxxxxx;这样的是京东APP获取的 时效为24小时,也就是说24小时需要更新一次.先点我的👉浏览器底部中间👉向右划到第2页👉工具箱👉开发者工具🔧👉选择Cookies拷贝👉然后随便粘贴到一个地方,找“pt_pin”和”pt_key”格式为:pt_key=AAJxxxxx;设置完毕点击运行,等拉库完毕然后搜索依赖,运行一下安装依赖。腾讯云轻量服务器2核2G4M,只要79一年,可续费一次。至此青龙面板京东的拉库配置,以及代理配置介绍完毕。

俺滴的博客 1万+
下一篇: 无界 | Bncr | 安装教程
评论 4
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