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
3.2k累计阅读
3.2k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
1、删除Harbor的UI中的镜像标签
2、停止Harbour。
cd /usr/local/harbor
docker-compose stop
3、在部署Harbour的主机上运行以下命令以预览会影响哪些文件/镜像
docker run -it --name gc --rm --volumes-from registry vmware/registry-photon:v2.6.2-v1.5.0 garbage-collect --dry-run /etc/registry/config.yml
4、验证上述测试的结果，执行垃圾回收。
docker run -it --name gc --rm --volumes-from registry vmware/registry-photon:v2.6.2-v1.5.0 garbage-collect /etc/registry/config.yml
5、重启harbor各组件镜像
docker-compose start
6、执行命令查看服务器内存是否清理
df -h
Harbor是如何删除镜像的
Harbor是如何删除镜像的 版本：v2.1.2 1.harbor中的删除tag操作 // 调用接口 Request URL: http://10.20.9.36/api/v2.0/projects/test/repositories/hello-word/artifacts/sha256:90659bf80b44ce6be8234e6ff90a1ac34acbeb826903b02cfa0da11c82cbc042/tags/v3 // 调用方法 此方法位于harbor/src/server/v2.0/
docker镜像仓库harbor之清理镜像
这里通过清理的对比实验，可以看出“策略”–》“立即运行”，也可以清理掉无用的构建物；那么外面单独的菜单–“清理服务”是起何作用？清理服务，从日志内容可以看到，它清理的是垃圾：“xx个 blob(s) 和 xx个 manifest(s) 将被删除”，另外它还可以清理harbor本身的日志记录。
删除harbor镜像仓库上的镜像脚本实现
之前部署了一套harbor服务，存储配置一般，因此在使用harbor的时候，经常会出现空间满了，需要删除镜像，harbor管理页面上提供了删除的功能，有时候操作起来也不是很方便（比如批量删除多个仓库的精镜像），我在这里实现了通过脚本删除的工具。 镜像删除原理 在镜像删除之前，说明一下删除镜像的基本原理，如果需要批量删除某个镜像仓库，基本逻辑如下： 获取所有镜像仓库列表； 获取镜像仓库； 获取...
Harbor中镜像清理
项目的每日构建中，由于微服务比较多，每天会产生比较多的镜像，导致Harbor服务器很快被占满。所以要定期去清理不需要的镜像来释放存储空间。使用的Harbor版本是2.5.0镜像清理可以手动在Harbor页面上操作。根据Harbor官方文档，当我们删除某个镜像时，存储空间不会被真正的释放，必须要手动去执行垃圾清理来释放不再被引用的blobs文件。首先在页面删除不需要的镜像信息。然后在系统管理->垃圾清理，选择立即清理垃圾，手动GC。 在立即清理右边有一个模拟运行，运行这个会打印出符合删除条件的blobs，并且
Harbor 定期清理镜像，释放磁盘空间
项目中每次构建时，会推送容器镜像到 Harbor 镜像仓库。由于是开发环境，构建次数非常多，导致 Harbor 占用的存储越来越大。点击“日志”，即可看到具体那些会被删除或保留。Retention 列中 RETAIN 表示保留，DEL 表示删除。经过在 Harbor 页面的摸索，发现 Harbor 有一些策略，通过策略，可以配置指定的容器镜像定期被删除掉。现在希望定期清理掉一些没有 tag 的容器镜像，释放掉一部分磁盘空间占用。哈哈哈，这样就能愉快的玩耍了！最后，配置为每天定时执行。
Harbor 2.0版本API删除镜像【亲测，有效！】
通过Harbor api获取项目名、仓库名、镜像名和镜像tag，交互删除需要删除的镜像
harbor仓库镜像的删除
docker镜像仓库中镜像的清理，一直是个比较麻烦的事情。尤其是在测试环境当中，每天都会有大量的构建。由此会产生大量的历史镜像，而这些镜像，大多数都没有用。 在harbor中，清理镜像，也得分为两步，第一步是从ui中删除历史镜像。这个时候镜像并不会被真正删除，好在harbor集成了镜像删除的功能。 废话不多说，直接给操作。 清理UI中的镜像 清理ui中的镜像，如果直接通过图形界面...
射频电路设计——射频器件基础
本文仅供自己复习使用，请勿转载！ 射频电路制作方法 MCM工艺 CMOS工艺 趋肤效应、深度 频率越高趋肤效应越明显 高频器件 高频电阻 绕线的比贴片的多一个电感，是因为绕线的因为是线绕制的，只有有线就会有电感，所以绕线电阻等效模型会比贴片的多一个电感 多晶硅电阻模型 深线性区MOS电阻 高频电阻的频率响应 记忆的话就后面的频率特性有点像电容的 高频电容 作用 单层贴片式电容 多层贴片式电容 MIM电容 MOM电容 由于是并联的，所以总的电容值是单个的直接相加 PN结电容 M.
Harbor镜像删除空间回收
Harbor私有仓库运行一段时间后，仓库中存有大量镜像，会占用太多的存储空间。直接通过Harbor界面删除相关镜像，并不会自动删除存储中的文件和镜像。需要停止Harbor服务，执行垃圾回收命令，进行存储空间清理和回收。 1、首先，删除Harbor的UI中的存储库。这是软删除。您可以删除整个存储库或仅删除它的标签。软删除后，Harbour中不再管理存储库，但是存储库的文件仍然保留在Harbour的...
C# emgu.cv图像识别 从大图中寻找小图,判断存在图的相似度
这是2个问题，我采用emgu.cv来解决这个识别问题，这里需要在nuget中引用emgu。最近写了一个在一张图片中，截取一部分，通过机器判断截取图片是这张图片的。第一、通过小图去找判断是否存在大图中，第二、小图存在大图的什么位置。
SpringBoot3 + OAuth2.1实战：5分钟搞定授权码模式（含完整代码）
本文详细介绍了如何在SpringBoot3环境中快速实现OAuth2.1的授权码模式，包括环境配置、核心安全实现及完整代码示例。通过Spring Security集成，开发者可以高效构建企业级安全认证系统，解决版本兼容性问题，提升开发效率。
如何快速删除harbor镜像
微信公众号：运维开发故事，作者：华仔 github地址：https://github.com/sunsharing-note/harbor 背景 最近在巡检过程中，发现harbor存储空间使用率已经达到了80%。于是，去看了一下各项目下的镜像标签数。发现有个别项目下的镜像标签数竟然有好几百个。细问之下得知，该项目目前处于调试阶段，每天调试很多次。既然存储空间不多了，那就去harbor上删除掉之前的镜像标签，保留最近的几个就好了。在手动删除的过程中，发现几百个，每页才展示十个。我得先按照推送时间排序，然后.
避坑指南：群晖DSM 7.X挂载NTFS硬盘，为什么你的SATA口不行？从原理到实战一次讲清
本文深入解析群晖DSM 7.X系统挂载NTFS硬盘的底层原理与实战排查方法，揭示SATA接口权限配置的关键参数（如esataportcfg和internalportcfg），并提供安全修改端口配置的详细步骤。针对不同型号群晖NAS的配置差异，给出替代方案与常见故障排查技巧，帮助用户解决NTFS硬盘挂载问题。
关于Harbor上镜像删除
参考：https://github.com/vmware/harbor/blob/master/docs/user_guide.md 关于Harbor上容器镜像的删除，有如下的介绍： 可以简单概括为：Harbor的UI界面上先删除镜像，但这个操作并没有删除磁盘上存放的镜像文件，只是镜像文件manifest的映射关系，还需要通过GC来删除。先停止Harbor：docker-compose stop通
GCdepth散点图绘制
基因组组装完成后，需要对组装结果进行评估，其中GC_depth图是一个比较重要的指标，改图的横坐标是GC含量，纵坐标是平均深度。以30k为窗口(window)无overlap计算其GC含量和平均深度。如果存在样品污染，通常能够从GC含量分析中呈现出来。下文探索了几种绘制GC_depth散点图的方法思路。
常用元器件使用方法36：USB转串口芯片CH340X
本文介绍了CH340X芯片的使用方法
Harbor 2.0版本API删除镜像脚本使用说明
Harbor 2.0版本API删除镜像脚本使用说明 【下载地址】Harbor2.0版本API删除镜像脚本使用说明 这款脚本工具专为Harbor 2.0版本设计，帮助用户通过API高效管理镜像资源。它能够自动获取Harbor中的所有项目、仓库、镜像及Tag信息，并通过简洁的命令行交互界面，让用户轻松选择并删除指定的镜像。支...
PCL Fast Global Registration 快速全局配准（源码版）
Fast Global Registration（FGR）是一种经典的点云粗配准算法，已集成到Open3D和CloudCompare等软件中。本文介绍了该算法的源码实现及优化方法，包括如何通过修改源码直接读取点云进行配准，而不依赖文件中读取特征描述子。文章还提供了关键参数设置（如最大迭代次数、匹配距离等）。算法实现简单高效，未来计划发布基于纯PCL的版本。源码和论文链接已附上，供开发者参考。
批量删除harbor中的镜像
一 说明 这个是我第一篇博客，所以我想放上原创的东西，尽管我一直都很担心自己写得太low，但是总要学会尝试，学会改变自己，相信自己。在写这个脚本时，由于我接触LInux不是很多，能力有限，仅仅是为了让自己心情好点，可以说只是为了完成任务，并没有考虑其中比如代码重复，注释不完整等诸多问题。这是9月份做的事情了，因为各种原因，后续也没去关注脚本中问题。请多多包含。 二 背景 ...
(王道408考研操作系统)第三章内存管理-第一节1：内存基础知识、程序编译运行原理
注意：本节内容和《计算机组成原理》“存储器”那一部分内容相关性很强，组成原理是从硬件角度，操作系统是从软件角度。因此如果没有学习过这部分的同学，强烈建议先看这一部分 王道计算机组成原理笔记 本文主要会涉及以下必要的内存知识 文章目录一：内存及其作用 一：内存及其作用 内存：内存又称之为主存。是一种硬件设备，作为CPU和硬盘的缓冲区，用于解决其速度不匹配的问题，提高整机性能。程序执行前需要放入内存才能运行 ...
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")
harbor api 删除所有镜像 不用安装jq
harbor 删除所有镜像 不用安装jq
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
centos卸载harbor_在Linux主机使用命令行批量删除harbor镜像
在Linux主机使用命令行批量删除harbor镜像脚本使用说明:此脚本不是万能脚本,根据自身环境要调整很多能用harbor的域名就不要用IP脚本前半部分可以套用,后半部分需一步一步试错,结合自己的环境#! /bin/bash# 通过Harbor提供的API来批量删除镜像，人工删除费时费力# 经过测试发现，通过接口去删除时提供的是的标签，但实际上删除的时候通过的是镜像的IMAGE_ID,也就是说# ...
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
救我狗命之Harbor仓库镜像策略删除之后如何恢复！！！
Harbor镜像误删恢复方案 摘要：博主因操作失误删除了生产环境Harbor仓库的所有镜像。经研究发现，页面删除仅逻辑删除，实际文件仍保存在： repositories目录存储镜像索引 blobs目录保存镜像层文件 恢复方法： 通过_manifests/tags找到对应标签的link文件 解析link获取镜像层结构信息 从blobs提取各层文件并打包 使用docker load重新导入镜像 提供自动化恢复脚本images.sh，可快速重建指定镜像并推送回Harbor。同时配套findimages.sh脚本可
Harbor: 如何删除镜像的磁盘空间问题。
我们知道，在harbor GUI界面上删除docker image镜像后，发现磁盘空间并没有减少（linux上用 df -h就能发现）。那如何才能删除这些东西呀？步骤如下： 1. 登录harbor GUI 管理页面，删除那些docker 镜像。 软删除后，Harbour中不再管理存储库，但是存储库的文件仍然保留在Harbour的存储中。 2. 修改common/config/regis...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1110
扫一扫
