moon

最新推荐文章于 2025-03-12 15:04:16 发布
转载 最新推荐文章于 2025-03-12 15:04:16 发布 · 117 阅读 · 0

可能是看的科幻太多了,刚开始看了个简介就猜出是克隆人的故事,不过拍的挺不错的,有点创意。最近看电影的频率有所下降。前两天打通了cod6，我是菜鸟，用了修改器，坚决不能让游戏玩自己，cod真是个好游戏！[@more@]

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/91725/viewspace-1028842/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/91725/viewspace-1028842/

csd_1403
关注
zerotier 组网+moon+dns服务器
weixin_44681954的博客
12-05 2525
本文介绍了如何通过ZeroTier搭建虚拟局域网，并结合Moon节点和DNS服务器实现高效的网络管理。首先，用户需要在ZeroTier上创建网络并让客户端加入。接着，在国内公网服务器上搭建Moon节点以优化网络连接。然后，通过部署DNS服务器（如zeronsd）来管理域名解析。需要注意的是，由于国内云服务器通常封禁53端口，zeronsd不能安装在云服务器上，而Moon节点必须部署在具有公网IP的服务器上。文章还详细介绍了在NAS上通过Docker部署zeronsd的步骤，并提供了Windows和Linux
moon服务器 zerotier_Zerotier_MOON配置
weixin_39918588的博客
12-20 3084
Zerotier_MOON配置moon是什么，对于zerotier来说有什么作用zerotier用于搭建虚拟局域网，但是其根服务器在国外，使用人数又多，因此通常压力巨大。moon(月球)其名字本身就比较好地反映了其作用，用于搭建一个国内的“卫星”作为中转服务器，作为根节点速度慢，不稳定的一种补充保障。moon服务器必须拥有一个公网ipmoon配置过程以linux系统为例配置moon服务器TIPS由...
Moon 项目使用教程
gitblog_00358的博客
09-08 683
Moon 项目使用教程 1. 项目目录结构及介绍 moon/ ├── assets/ │ ├── images/ │ └── styles/ ├── config/ │ ├── default.json │ └── production.json ├── src/ │ ├── controllers/ │ ├── models/ │ ├── routes/ │ └─...
搭建zerotier moon
R.S.D.
11-18 1939
Zerotier moon 配置与 加入网络
zerotier搭建免费moon服务器
ChristineTX的博客
03-12 1347
ZeroTier是一种基于P2P的虚拟组网工具，通过搭建==‌Moon服务器‌==可大幅提升跨运营商/跨国节点的连接质量。本文使用三丰云免费云服务器（1核1G/10M带宽）演示部署流程。
moon服务器 zerotier_初探：建立 zerotier 的 moon 服务器
weixin_39756540的博客
12-29 954
(此小段建议不看)如果在 identity 语句下面直接加 IP 地址，经我测试，是不行的。{"id": "284b515a17","objtype": "world","roots": [{"identity": "284b515a17:0:d0a811e14c:0:5634a0ef9680b49d7fa518b3a013ffc61315fe24c0b4750edba82ed28e7d39366...
moon服务器 zerotier_如何建zerotier moon服务器
weixin_39538451的博客
12-20 1456
zerotier的注册，安装比较简单，本文不涉及，本文重点说明如何建moon1、安装 moon,zerotier官方提供了比较方便的安装方式,一条命令即可完成:curl -shttps://install.zerotier.com/| sudo bash装好后，先把moon加入networkzerotier-cli join networkid【这里的id需要事先在zerotier官网注册好】...
Zerotier-Planet-leaf-Moon 小白指南
weixin_38221101的博客
05-21 4340
私有的Planet就是平替的官网界面，云服务器防火墙需要把。云服务器在安装planet后，不用重复安装moon。1、在云服务器上ssh等方式登录，下载运行。保存出来，给各个client留用。有windows端 Linuex端等。3、安装成功后，登录ztncui。现在需要的是配置私有moon。2、保存Planet。
联合学习MOON——无需共享原始数据，通过模型对比联合学习实现准确的图像分类
知来者逆的博客
04-08 2105
**联合学习**是一种在数据分布的情况下，既能以低成本进行机器学习，又能保护隐私的方法，引入这种方法不仅能保护隐私，还能降低更新模型时向中央服务器发送数据的通信成本。这种方法的引入不仅有望保护隐私，还能降低更新模型时向中央服务器发送数据的通信成本。
VulnHub：BlueMoon
Aukum的博客
08-14 1150
VulnHub——BlueMoon: 2021，一个easy难度的新手靶机。知识点涉及：信息收集，hydra爆破，sudo提权，docker提权。
Wind Spirit Moon Shadow Modifier
08-08
Wind Spirit Moon Shadow Modifier
docker-zerotier-moon:一步即可创建ZeroTier卫星的泊坞窗图像
04-29
docker-zerotier-moon 一个在一个setp中创建ZeroTier卫星的泊坞窗图像。 用法 拉图像 docker pull seedgou/zerotier-moon 启动一个容器 docker run --name zerotier-moon -d --restart always -p 9993:9993/udp ...
home-assistant-moon:月相家庭助理
05-26
家庭助理月亮 :crescent_moon: 定制卡，用于使用在显示月球的当前相位。 该卡还（可选）使用来确定卡的背景颜色。 当太阳在地平线之上 当太阳低于地平线时 安装 步骤1 通过将以下内容添加到configuration.yaml来...
Harvest Moon.NET-开源
04-27
"Harvest Moon.NET" 是一个开源项目，旨在为个人计算机平台提供类似经典2D Harvest Moon游戏的体验。这个项目的核心价值在于其开放源代码的特性，允许社区成员和开发者自由查看、修改和分发源代码，以此推动游戏的...
PLC控制变频器：三菱与汇川PLC通过485通讯板实现变频器正反转及调速控制
07-24
内容概要：本文介绍了如何利用三菱和汇川PLC通过485通讯板实现变频器的正转、反转及调速控制。主要内容涵盖硬件配置、软件编程、具体控制逻辑及上机测试。文中详细描述了各个步骤的操作方法和注意事项，包括关键寄存器的设置及其含义。程序中有详细的中文注释，便于理解和维护。最终通过上机测试验证系统的稳定性和可靠性。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是熟悉PLC编程和变频器控制的专业人士。 使用场景及目标：适用于需要对电机进行精确控制的工业应用场景，如生产线、机械设备等。目标是提高控制系统灵活性和效率，确保系统稳定可靠。 其他说明：本文不仅提供理论指导，还附带实际操作经验，有助于读者更好地掌握相关技术和应用。
Python桌面版数独（五版）-优化选择模式触发新棋盘生成
07-24
Python桌面版数独（五版）-优化选择模式触发新棋盘生成
jmeter 下载使用5.6.3
07-24
jmeter 下载使用5.6.3
数据工程ETL工程师全解析：从数据抽取到加载的技术要点与职业发展路径
最新发布
07-24
内容概要：文章详细介绍了ETL工程师这一职业，解释了ETL（Extract-Transform-Load）的概念及其在数据处理中的重要性。ETL工程师负责将分散、不统一的数据整合为有价值的信息，支持企业的决策分析。日常工作包括数据整合、存储管理、挖掘设计支持和多维分析展现。文中强调了ETL工程师所需的核心技能，如数据库知识、ETL工具使用、编程能力、业务理解能力和问题解决能力。此外，还盘点了常见的ETL工具，包括开源工具如Kettle、XXL-JOB、Oozie、Azkaban和海豚调度，以及企业级工具如TASKCTL和Moia Comtrol。最后，文章探讨了ETL工程师的职业发展路径，从初级到高级的技术晋升，以及向大数据工程师或数据产品经理的横向发展，并提供了学习资源和求职技巧。 适合人群：对数据处理感兴趣，尤其是希望从事数据工程领域的人士，如数据分析师、数据科学家、软件工程师等。 使用场景及目标：①了解ETL工程师的职责和技能要求；②选择适合自己的ETL工具；③规划ETL工程师的职业发展路径；④获取相关的学习资源和求职建议。 其他说明：随着大数据技术的发展和企业数字化转型的加速，ETL工程师的需求不断增加，尤其是在金融、零售、制造、人工智能、物联网和区块链等领域。数据隐私保护法规的完善也使得ETL工程师在数据安全和合规处理方面的作用更加重要。
moon联邦学习
06-05
### 联邦学习 MOON 实现方案概述 联邦学习（Federated Learning, FL）是一种分布式机器学习技术，允许多个客户端在不共享数据的情况下协作训练模型[^2]。MOON（Model-Optimization On Non-IID data）是针对非独立同分布（Non-IID）数据问题提出的一种联邦学习优化方法。MOON 的核心思想是通过引入全局对比损失（Global Contrastive Loss），鼓励本地模型在更新时不仅关注本地数据的特征，还关注与其他客户端模型之间的关系。 #### MOON 的核心机制 MOON 在传统联邦学习的基础上引入了对比学习的思想。具体来说，MOON 使用全局对比损失来衡量本地模型和全局模型之间的相似性，从而缓解 Non-IID 数据带来的模型偏差问题。其主要步骤包括： 1. **本地更新**：每个客户端基于本地数据对模型进行更新。 2. **对比损失计算**：通过计算本地模型与全局模型的相似性，以及本地模型与其他客户端模型的差异性，构建全局对比损失。 3. **全局聚合**：将所有客户端的更新结果聚合到全局模型中。 这种机制能够有效提升模型在 Non-IID 数据分布下的性能，同时保持数据隐私[^4]。 #### MOON 的实现教程 以下是一个简化的 MOON 实现代码示例，使用 PyTorch 框架完成： ```python import torch import torch.nn as nn import torch.optim as optim # 定义对比损失函数 class ContrastiveLoss(nn.Module): def __init__(self, temperature=0.5): super(ContrastiveLoss, self).__init__() self.temperature = temperature def forward(self, local_model, global_model, other_models): # 计算相似性矩阵 sim_local_global = torch.cosine_similarity(local_model, global_model) sim_local_others = torch.stack([torch.cosine_similarity(local_model, m) for m in other_models]) # 对比损失计算 numerator = torch.exp(sim_local_global / self.temperature) denominator = torch.sum(torch.exp(sim_local_others / self.temperature)) loss = -torch.log(numerator / (numerator + denominator)) return loss # 定义联邦学习框架 class MOONFramework: def __init__(self, model, clients, temperature=0.5): self.model = model self.clients = clients self.contrastive_loss = ContrastiveLoss(temperature) def train(self, num_rounds=10): global_model = self.model.state_dict() for round_idx in range(num_rounds): local_models = [] for client in self.clients: local_model = client.local_update(global_model) local_models.append(local_model) # 对比损失计算 contrastive_losses = [] for i, local_model in enumerate(local_models): other_models = [m for j, m in enumerate(local_models) if j != i] loss = self.contrastive_loss(local_model, global_model, other_models) contrastive_losses.append(loss) # 全局聚合 global_model = self.aggregate(local_models, contrastive_losses) def aggregate(self, local_models, contrastive_losses): weighted_models = [local_models[i] * (1 - contrastive_losses[i]) for i in range(len(local_models))] aggregated_model = sum(weighted_models) / len(local_models) return aggregated_model ``` 上述代码展示了 MOON 的基本实现逻辑，包括对比损失的定义、本地更新过程以及全局聚合策略[^5]。 ### 相关研究与资源 MOON 的提出为联邦学习在 Non-IID 数据场景下的应用提供了新的思路。更多关于 MOON 的详细信息可以参考相关论文或开源实现。例如，GitHub 上有许多基于 MOON 的联邦学习项目，提供完整的代码实现和实验结果[^6]。
评论
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