docker命令

Docker常用命令汇总(100条) 管理不同的Docker守护进程上下文。- 搜索一个Docker仓库中的镜像。- 显示Docker守护进程的事件。- 显示Docker守护进程的信息。- 启动Docker后台守护进程。- 从一个压缩文件中加载一个镜像。- 登录一个Docker镜像仓库。- 登录到一个Docker仓库。- 查看Docker的系统信息。- 查看Docker的版本信息。- 查看容器中正在运行的进程。- 从一个归档文件中加载镜像。- 将一个镜像打包为归档文件。- 列出所有正在运行的容器。- 导入一个tar包为镜像。 阅读详情

目录

1、常用命令

2、容器生命周期管理

 创建一个新容器并运行一个命令

杀掉一个运行中的容器 

  删除一个或多个容器

3、容器操作 

列出容器

获取容器/镜像的元数据 

 从服务器获取实时事件

将文件系统作为一个tar归档文件导出到STDOUT 

 4、容器rootfs命令

从容器创建一个新的镜像

检查容器里文件结构的更改

 容器与主机之间的数据拷贝

 5、镜像仓库

登陆到Docker镜像仓库

登出Docker镜像仓库

从镜像仓库中拉取或者更新指定镜像

 将本地的镜像上传到镜像仓库

从Docker Hub查找镜像

6、本地镜像管理 

 列出本地镜像

删除本地一个或多个镜像

使用 Dockerfile 创建镜像

标记本地镜像

 查看指定镜像的创建历史

将指定镜像保存成 tar 归档文件

 导入使用 docker save 命令导出的镜像

从归档文件中创建镜像

info/version

 7、数据卷命令

 8、network命令

 9、docker compose命令

10、重建docker0网桥 


1、常用命令
docker images # 查看镜像
docker image ls # 列出所有镜像
docker ps # 列出容器
docker rm -f nginx # 强制删除容器nginx
docker volume ls # 查看数据卷
docker volume inspect html # 查看数据卷详细信息

# 创建并运行一个nginx容器并将html文件夹与数据卷挂载映射
docker run -d --name nginx -p 80:80 -network test -v html:/usr/share/nginx/html nginx 
2、容器生命周期管理
docker create   创建一个新的容器但不启动它
docker pause    暂停容器中所有的进程
docker unpause  恢复容器中所有的进程
docker start    启动一个或多个已经被停止的容器
docker stop     停止一个运行中的容器
docker restart  重启容器
  •  创建一个新容器并运行一个命令
dcoker run <参数> <镜像名>   # 创建一个新容器并运行一个命令
参数详情:
	-a stdin: 指定标准输入输出内容类型,可选 STDIN/STDOUT/STDERR 三项;
	-d:后台运行容器,并返回容器ID;
	-i:以交互模式运行容器,通常与 -t 同时使用;
	-P:随机端口映射,容器内部端口随机映射到主机的端口
	-p:指定端口映射,格式为:主机(宿主)端口:容器端口
	-t: 为容器重新分配一个伪输入终端,通常与 -i 同时使用;
	--name="nginx-lb":为容器指定一个名称;
	--dns 8.8.8.8:指定容器使用的DNS服务器,默认和宿主一致;
	--dns-search example.com:指定容器DNS搜索域名,默认和宿主一致;
	-h "mars": 指定容器的hostname;
	-e username="ritchie":设置环境变量;
	--env-file=[]:从指定文件读入环境变量;
	--cpuset="0-2" or --cpuset="0,1,2":绑定容器到指定CPU运行;
	-m:设置容器使用内存最大值;
	--net="bridge":指定容器的网络连接类型,支持bridge/host/none/container: 四种类型;
	--link=[]:添加链接到另一个容器;
	--expose=[]:开放一个端口或一组端口;
	--volume , -v: 数据卷挂载 <数据卷>:<容器内目录>、<本地目录>:<容器内目录>;本地目录需要以"/","./"开头,不然会被识别为数据卷里的文件。
	-network:指定网卡,相同网卡容器会在同一网段,可以通信。docker exec -it mysql | ping 172.16.0.1
  • 杀掉一个运行中的容器 
docker kill <参数>   # 杀掉一个运行中的容器
参数详情:
	-s:向容器发送一个信号
  •   删除一个或多个容器
docker rm <参数>   # 删除一个或多个容器
参数详情:
	-f:通过 SIGKILL 信号强制删除一个运行中的容器。
	-l :移除容器间的网络连接,而非容器本身。
	-v:删除与容器关联的卷。
  •  在运行的容器中执行命令
docker exec <参数>  # 在运行的容器中执行命令
参数详情:
	-d:分离模式: 在后台运行
	-i:即使没有附加也保持STDIN 打开
	-t:分配一个伪终端
3、容器操作 
docker port    列出指定的容器的端口映射,或者查找将PRIVATE_PORT NAT到面向公众的端口
docker top     查看容器中运行的进程信息,支持 ps 命令参数
docker logs    获取容器的日志
docker attach  连接到正在运行中的容器
docker wait    阻塞运行直到容器停止,然后打印出它的退出代码
  • 列出容器
docker ps <参数>  # 列出容器
参数详情:
	-a :显示所有的容器,包括未运行的。
	-f :根据条件过滤显示的内容。
	--format :指定返回值的模板文件。
	-l  :显示最近创建的容器。
	-n :列出最近创建的n个容器。
	--no-trunc :不截断输出。
	-q :静默模式,只显示容器编号。
	-s :显示总的文件大小。
  • 获取容器/镜像的元数据 
docker inspect <参数>   # 获取容器/镜像的元数据
参数详情:
	-f  :指定返回值的模板文件。
	-s :显示总的文件大小。
	--type :为指定类型返回JSON。
  •  从服务器获取实时事件
docker events <参数>  # 从服务器获取实时事件
参数详情:
	-f :根据条件过滤事件;
	--since :从指定的时间戳后显示所有事件;
	--until  :流水时间显示到指定的时间为止;
  • 将文件系统作为一个tar归档文件导出到STDOUT 
docker export <参数>  # 将文件系统作为一个tar归档文件导出到STDOUT
参数详情:
	-o :将输入内容写到文件。
 4、容器rootfs命令
  • 从容器创建一个新的镜像
docker commit <参数>  # 从容器创建一个新的镜像
参数详情:
	-a :提交的镜像作者;
	-c :使用Dockerfile指令来创建镜像;
	-m :提交时的说明文字;
	-p :在commit时,将容器暂停。
  • 检查容器里文件结构的更改
docker diff  # 检查容器里文件结构的更改
参数详情: 
	-L :保持源目标中的链接
  •  容器与主机之间的数据拷贝
docker cp  用于容器与主机之间的数据拷贝
 5、镜像仓库
  • 登陆到Docker镜像仓库
docker login <参数>  # 登陆到Docker镜像仓库,未指定镜像仓库地址默认官方仓库DockerHub
参数详情:
	-u :登陆的用户名
	-p :登陆的密码
  • 登出Docker镜像仓库
docker logout  登出Docker镜像仓库,未指定镜像仓库地址默认官方仓库DockerHub
  • 从镜像仓库中拉取或者更新指定镜像
docker pull <参数>  # 从镜像仓库中拉取或者更新指定镜像
参数详情:	 
	-a :拉取所有 tagged 镜像
	--disable-content-trust :忽略镜像的校验,默认开启
  •  将本地的镜像上传到镜像仓库
docker push <参数>  # 将本地的镜像上传到镜像仓库,要先登陆到镜像仓库
参数详情:	 
	--disable-content-trust :忽略镜像的校验,默认开启
  • 从Docker Hub查找镜像
docker search  # 从Docker Hub查找镜像
参数详情:	 
	--automated :只列出 automated build类型的镜像;
	--no-trunc :显示完整的镜像描述;
	-f <过滤条件>:列出收藏数不小于指定值的镜像。
6、本地镜像管理 
  •  列出本地镜像
docker images <参数>  # 列出本地镜像
参数详情:	 
	-a :列出本地所有的镜像(含中间映像层,默认情况下,过滤掉中间映像层);
	--digests :显示镜像的摘要信息;
	-f :显示满足条件的镜像;
	--format :指定返回值的模板文件;
	--no-trunc :显示完整的镜像信息;
	-q :只显示镜像ID。
  • 删除本地一个或多个镜像
docker rmi <参数>  # 删除本地一个或多个镜像
参数详情:	 
	-f :强制删除;
	--no-prune :不移除该镜像的过程镜像,默认移除;
  • 使用 Dockerfile 创建镜像
docker build <参数>  # 命令用于使用 Dockerfile 创建镜像
参数详情:	 	 
	--build-arg=[] :设置镜像创建时的变量;
	--cpu-shares :设置 cpu 使用权重;
	--cpu-period :限制 CPU CFS周期;
	--cpu-quota :限制 CPU CFS配额;
	--cpuset-cpus :指定使用的CPU id;
	--cpuset-mems :指定使用的内存 id;
	--disable-content-trust :忽略校验,默认开启;
	-f :指定要使用的Dockerfile路径;
	--force-rm :设置镜像过程中删除中间容器;
	--isolation :使用容器隔离技术;
	--label=[] :设置镜像使用的元数据;
	-m :设置内存最大值;
	--memory-swap :设置Swap的最大值为内存+swap,"-1"表示不限swap;
	--no-cache :创建镜像的过程不使用缓存;
	--pull :尝试去更新镜像的新版本;
	--quiet, -q :安静模式,成功后只输出镜像 ID;
	--rm :设置镜像成功后删除中间容器;
	--shm-size :设置/dev/shm的大小,默认值是64M;
	--ulimit :Ulimit配置。
	--squash :将 Dockerfile 中所有的操作压缩为一层。
	--tag, -t:镜像名字及标签,通常name:tag或者name格式;可在一次构建中为一个镜像设置多个标签。
	--network: 默认 default。在构建期间设置RUN指令的网络模式
  • 标记本地镜像
docker tag   标记本地镜像,将其归入某一仓库
  •  查看指定镜像的创建历史
docker history <参数>  # 查看指定镜像的创建历史
参数详情:	 
	-H :以可读的格式打印镜像大小和日期,默认为true;
	--no-trunc :显示完整的提交记录;
	-q :仅列出提交记录ID。
  • 将指定镜像保存成 tar 归档文件
docker save <参数>  # 将指定镜像保存成 tar 归档文件
参数详情:	 
	-o :输出到的文件。
  •  导入使用 docker save 命令导出的镜像
docker load <参数>  # 导入使用 docker save 命令导出的镜像
参数详情:		 
	--input , -i : 指定导入的文件,代替 STDIN。
	--quiet , -q : 精简输出信息。
  • 从归档文件中创建镜像
docker import <参数>  # 从归档文件中创建镜像
参数详情:		 
	-c :应用docker 指令创建镜像;
	-m :提交时的说明文字;
  • info/version
docker version  显示Docker 版本信息 -f :指定返回值的模板文件。				
docker info  显示Docker 系统信息,包括镜像和容器数			
 7、数据卷命令
docker volume ls    查看数据卷
docker volume rm    删除数据卷
docker volume inspect  查看数据卷详情
docker volume prune  删除未使用的数据卷
 8、network命令
docker network create   创建一个网络
docker network ls       查看所有网络
docker network rm       删除指定网络
docker network prune    清除未使用网络
docker network connect  使指定容器连接加入某网络
docker network disconnect 使指定容器连接离开某网络
docker network inspect    查看网络详细信息
 9、docker compose命令
docker compose [OPTIONS] [COMMAND]
[OPTIONS]:
	-f :指定compose文件的路径和名称
	-p :指定project名称
	
[COMMAND]:
	up :  创建并启动所有service容器
	down :停止并移除所有容器、网络
	ps :  列出所有启动的容器
	logs :查看指定容器的日志
	stop :停止容器
	start :  启动容器
	restart :重启容器
	top :  查看运行的进程
	exec : 在指定的运行中容器中执行命令
10、重建docker0网桥 
# 停止docker
systemctl stop docker
# 安装bridge-utils
yum install -y bridge-utils 
# 关闭docker0网桥
ip link set dev docker0 down
# 删除docker0网桥
brctl delbr docker0
# 添加docker0网桥
brctl addbr docker0
# 添加网桥信息
ip addr add 172.16.10.0/24 dev docker0
# 启动docker0网桥
ip link set dev docker0 up
# 查看网桥是否正常
ip addr
# 启动docker
systemctl restart docker

docker 常用命令大全 Docker 常用命令大全 阅读详情

相关推荐

Docker 命令操作

Docker 命令操作

qq_33753147的博客 3679

docker 常用命令总结

注意 stop,restart后的容器,或者commit后的镜像启动环境变量需要重新加载,比如 source /etc/source 我们运行docker容器的时候,使用了-d参数,把容器在后台运行后。 1.启动docker docker run -d -i -t <imageID> /bin/bash 上述命令执行某些命令回报错Failed to get D-Bus co...

~~ LINUX ~~ 2万+

Mathtype公式下标深度调整技巧:解决固定行距下的显示不全问题

本文针对在Word等文档中设置固定行距时,Mathtype公式下标显示不全的问题,提供了专业解决方案。核心在于调整Mathtype软件内部的“下标深度”参数,通过修改单个公式或批量格式化全文,使公式完美适配固定行距,确保下标清晰完整,且不影响文档整体排版。

pepsi的博客 1504

Docker 常用命令大全!!

docker 命令大全

祝你身体健康,美满幸福 7万+

2026 具身智能 VLA/WAM 全栈学习与训练路线:从动作建模、SFT、RL 到世界模型的 RTX PRO 6000 96GB 单卡实战指南

我会把这张表做成“”而不是只列论文名:先核对每个模型截至的公开代码、训练目标和数据接口,再单独给你一套。对于没有公开、只有推理代码或训练细节不完整的模型,我会明确标出来,避免把“论文里提到”误写成“可复现”。目前有一个重要更新:。截至今天 NVIDIA 官方开源主线已经是换成 Cosmos-Reason2-2B/Qwen3-VL 架构,动作端仍是连续路线,而且官方明确给出单卡微调时默认只训练,峰值显存约。所以你的 96GB 单卡对 GR00T SFT 非常宽裕。可以。下面我按,把它整理成一张真正面向“

u013250861的博客 449

ENSP实验一:防火墙基础配置

配置client(内网)、FTP Server(外网)的IP地址。进入防火墙,输入密码:默认为admin@123。

Carohuan的博客 1万+

docker的常用基本命令

docker的常用基本命令

liujiahuan_的博客 3万+

SwinTransformer 改进:SSPCAB模块(2024最新改进方法)

SSPCAB(Spatial Pyramid Pooling with Channel Attention Block)是2024年提出的一种新型神经网络架构改进方法,专注于在保持高精度的同时显著降低计算复杂度和参数量。该方法通过创新的空间金字塔池化与通道注意力机制的结合,实现了网络结构的紧凑化和运算效率的大幅提升。核心创新点1. 混合空间金字塔池化(Hybrid Spatial Pyramid Pooling, HSPP)多尺度动态核池化:根据输入特征图尺寸动态调整池化核大小和步长交叉级联结构。

Henry的博客 1313

docker启动命令,docker重启命令,docker关闭命令

一.docker服务的命令 启动: systemctl start docker 守护进程重启: systemctl daemon-reload 重启docker服务: systemctl restart docker / service docker restart 关闭: docker service docker stop / docker systemctl stop docker 二.关于docker容器的命令 启动: docker start 容器ID或容器名 1. 先查看已经暂停的容器实例信息

m0_67392010的博客 5万+

1、符号回归:原理、应用与实践

本文全面介绍了符号回归(Symbolic Regression)的原理、发展历程、核心算法及其在科学与工程领域的广泛应用。文章从基本概念出发,详细阐述了基于遗传编程的符号回归机制,并探讨了其在游艇水动力学、化学过程、锂离子电池、生物医学等多个领域的实际应用。同时,博文还涵盖了高级技术如知识集成、系数优化、预测区间计算及微分方程发现等内容,对比了开源与商业软件工具,并展望了未来发展趋势,旨在为研究人员和从业者提供一本实用的符号回归指南。

ipfs8storage的博客 252

论文阅读:Training language models to follow instructions with human feedback

这篇论文的目标是通过引入一种基于人类反馈的训练方法,来让语言模型更好地按照用户意图行事。这是因为大规模语言模型虽然强大,但有时候会生成不准确、有偏见或者对用户无帮助的内容,这说明它们和用户的需求之间存在一定的“错位”。论文提出了一个新方法,将 GPT-3 进行优化,称为示例数据与监督学习:让人类标注员生成一些正确行为的示例,并使用这些示例来初步优化模型。比较数据与奖励模型:让标注员比较模型生成的多个输出,并将其排序,从中学到模型输出的优劣规则。强化学习优化:基于这些规则,使用强化学习算法进一步优化模型。

CSPhD-winston的博客 1719

docker命令是linux的命令吗,Docker命令行详解

【编者按】Docker是PaaS供应商dotCloud开源的一个基于LXC 的高级容器引擎,源代码托管在 GitHub 上, 基于Go语言开发并遵从Apache 2.0协议开源。Docker提供了一种在安全、可重复的环境中自动部署软件的方式,它的出现拉开了基于云计算平台发布产品方式的变革序幕。为了更好的促进Docker在国内的发展以及传播,我们决定开设《深入浅出Docker》专栏,邀请Docker...

weixin_42361874的博客 931

【CASS精品教程】013:CASS9.1生成标准图幅案例教程

在CASS中,可以很方便的生成标准图幅,如50*50。本文演示cass中,根据测区范围标准图幅生成过程。

智慧空间实验室 1万+

【Docker】docker常用命令

码头工人。

学了就忘是正常现象 4381

Pre-suite 开发之MFi功能搭建

Pre-suite 固件中只有带无线硬件的Ezairo 7160sl才具备无线通信能力,其无线功能包括标准BLE 5.2 低功耗蓝牙功能以及非标准的低功耗无线音频流功能。Ezairo 7160sl 支持3种低功耗无线音频流协议:来自APPLE的MFi,来自Google的ASHA以及来自onsemi的remote mic。其中MFi音频流走的G.722编码的Mode1,速率为64kbps;而非MFi音频流走的G.722的Mode3,速率为48kbps.

SnowYang2017的博客 1506

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Docker相关命令详解

本文介绍了Docker的安装配置和常用操作命令。安装部分提供了多种安装方式,包括一键安装脚本和镜像站配置。常用命令分为两大类:启动类命令(如启动/停止Docker服务、查看状态、设置自启等)和镜像类命令(如查看/搜索/拉取/运行/删除镜像)。每个命令都配有详细说明和示例,帮助用户快速掌握Docker的基本使用方法。

毛兴宇 5154

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Docker命令

登录到一个 Docker 镜像仓库,如果未指定镜像仓库地址,默认为官方仓库 Docker Hub。这两个选项是用于在命令行中提前指定登录的账号和密码,即使不提前输入,后续在 login 的中途也要输入。且使用 -p 选项提前输入密码,会导致密码信息存储在 history 中,有安全隐患。

laimaxgg 3941

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。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

【Docker】命令

例如,要将宿主机上的/usr/local/tomcat/RUNNING.txt文件拷贝到容器名称为。如果我们想将容器日志输出到某个文件,方便我们查看分析,可以使用>进行重定向输出。: 是镜像名称,如果要推送到仓库,镜像名称前缀必须是 用户名/ 开头。在服务器上使用日志排查问题的时候,一般我们会对日志进行过滤。仅显示 2020 年 1 月 1 日之后产生的日志。仅显示 2020 年 1 月 1 日之前产生的日志。-p 执行容器的端口,如 -p 80:80。参数,可以查看指定时间段内的日志。

weixin_43107124的博客 1090

docker启动命令,docker重启命令

Centos中docker启动命令,docker重启命令,docker关闭命令,可以用容器id和容器名 启动 systemctl start docker 查看docker进程状态 systemctl status docker 守护进程重启 sudo systemctl daemon-reload 重启docker服务 systemctl rest...

qq_40001362的博客 5188

docker命令详解

docker命令详解

m0_62357580的博客 3108

docker 命令整理

docker命令收集

2201_75297369的博客 1201

Docker 常用命令

这个是docker的机制问题,比如你的web容器,我们以nginx为例,正常情况下,我们配置启动服务只需要启动响应的service即可。但是,这样做,nginx为后台进程模式运行,就导致docker前台没有运行的应用, 这样的容器后台启动后,会立即自杀,因为它觉得他没事可做了.在大部分的场景下,我们希望 docker 的服务是在后台运行的,我们可以过 -d 指定容器的后台运行模式。用exit退出,不会导致容器的停止。最佳的解决方案是,将你要运行的程序以前台进程的形式运行,常见就是命令行模式,类似。

Jerry的博客 1219

进入docker的命令和docker命令的基础操作

命令用于在正在运行的 Docker 容器中执行命令,它可以帮助您进行调试、管理和修改容器内部的状态。这将在容器中以交互式模式启动一个 bash shell,并允许您输入命令进行操作。这将显示容器内正在运行的进程信息。这将在容器内安装指定的软件包。这将以交互模式打开容器内的。

weixin_58606202的博客 2348

Docker 命令

功能:创建用户自定义网络,实现容器间的隔离与通信,支持多种驱动(如 bridge、overlay 等)。命令格式常用选项:指定网络驱动(默认bridge,其他如hostoverlaymacvlan等)--subnet:指定子网网段(如--gateway:指定网关 IP--ip-range:指定分配给容器的 IP 范围:允许独立容器连接到 overlay 网络(Swarm 模式下)示例 1:创建 bridge 网络创建一个名为my-bridge的桥接网络,子网为,网关172.20.0.1。

qq_60309351的博客 896
上一篇: docker部署nginx并使外网能访问
下一篇: Dockerfile格式
cherishSpring
博客等级 码龄11年 134粉丝 172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