不甘平凡的码农

原创 刚安装docker并启动docker服务： systemctl restart docker报错解决

提示：Job for docker.service failed because the control process exited with error code. See “systemctl status docker.service” and “journalctl -xe” for details.2、修改daemon的类型：mv daemon.json daemon.conf。1、进入docker目录：cd /etc/docker/我的就是这样解决的。其他百度的方式不行。

原创 复习一下什么是restful风格

改为使用HTTP协议中请求方式GET、POST、PUT、DELETE表示。原来的增，删，改，查。使用HTTP请求方式，POST、DELETE、PUT、GET分别一一对应。2、restful风格中请求方式GET、POST、PUT、DELETE分别表示查、增、改、删。举例：http://127.0.0.1:8080/springmvc/book/1。示例：http://127.0.0.1:8080/springmvc/book/1。比如：http://ip:port/工程名/资源名/请求参数/请求参数。

原创 在VSCode中安装jupyter跑.ipynb格式文件

个人用vs用的较多，不习惯在浏览器单独打开jupyter，看着不舒服，直接上教程。3、安装扩展后，打开一个ipynb文件，并且在页面右上角配置内核。1、在你的环境中pip install ipykernel。2、在vscode的插件中安装jupyter扩展。

原创 在 Windows 上配置 Ollama 服务并开放局域网访问

为了使其他设备能够访问 Ollama 服务，我们需要在 Windows 防火墙中开放 Ollama 服务运行的端口（例如 11434）。怎么查看本机ip地址，在cmd下输入ipconfig查看，我是用的WiFi，所以选择的是无线局域网适配器WLAN，你连接的宽带的话就看以太网的ip地址，如下所示。如果服务成功启动，页面应显示 Ollama API 的相关信息，表明你的服务已经能够在局域网中正常访问。这一过程简单且高效，能够帮助你快速地将本地 AI 服务共享给局域网中的其他设备，实现更广泛的应用场景。

原创 同时运行两个不同项目（ragflow 和 dify）时，出现了 Redis 容器互相替换的问题

具体表现为，当启动一个项目的 Redis 容器时，另一个项目的 Redis 容器会被停止或替换，导致两个项目的 Redis 容器无法同时存在。确保每个项目的 Redis 容器使用不同的端口映射，避免端口冲突。选项为每个项目指定不同的 Docker Compose 项目名称，确保每个项目的容器和网络独立存在。选项启动 Docker Compose，清理可能残留的孤立容器，避免它们影响当前项目的运行。为每个项目的 Redis 容器配置不同的 Docker 网络，避免网络冲突。文件中应使用独立的网络配置。

原创 Ubuntu，centos下源码安装cmake指定版本

在网上看到直接添加bin目录路径到环境变量的方法，我就猜想，是不是解压后已经安装好了，不需要再编译安装，是的，我猜对了。4.运行下面命令出错bash: ./bootstrap: No such file or directory。1.先把安装包cmake-3.12.4-Linux-x86_64.tar.gz复制到指定目录。但是再进入bin目录，看到了cmake文件。打开一看自己的文件，果然没这个文件。再打开的文件中添加上自己的路径路径。3.进入解压之后的文件夹。4.查看版本号，成功。

原创 初次使用unsloth加载deepseek-r1遇到的问题记录

问题1：RuntimeError: Failed to find C compiler. Please specify via CC environment variable.如果 ping 不通，说明网络有问题，检查网络配置（如虚拟机网络、Docker 网络或代理设置）。如果 ping 成功，说明网络连接正常，可以继续排查 DNS 问题。至此解决此问题，并依次解决了问题1。

原创 本关任务：了解主动信息收集的方法

Nessus号称是世界上最流行的漏洞扫描程序，全世界有超过75000个组织在使用它。该工具提供完整的电脑漏洞扫描服务，并随时更新其漏洞数据库。实验步骤四，点击download进入下载页面。实验步骤五，找到debian版本amd。实验步骤二，找到下载按钮，点击下载。本关任务：了解主动信息收集的方法。实验步骤三，简单注册后开始下载。开始你的任务吧，祝你成功！在实验开始前请安装浏览器。完成NESSUS实验。实验步骤一，进入网页。实验步骤六，同意协议。实验步骤七，下载开始。

原创 ACUNETIX WEB VULNERABILITY SCANNER

实验步骤完成ACUNETIX WEB VULNERABILITY SCANNER实验官方网站：Acunetix | Web Application Security Scanner下载地址：Download Acunetix v24 | Acunetix实验步骤一，使用docker拉取镜像# docker pull tiancizzz/awvs:v13.0 # docker images REPOSITORY TAG IMAGE ID CREATED SIZE tianci

原创 web攻击

本质上是放置在服务器上的脚本文件，由于其调用了操作系统的一些函数，于是拥有了与shell 类似的功能。实验步骤三，创建一个简单的webshell界面。实验步骤四，将页面复制到Web服务器当中。本关任务：了解Webshell。实验步骤一，安装http服务器。安装apache http服务。完成Webshell实验。实验步骤二，安装php。

原创 Transformer从零详细解读(可能是你见过最通俗易懂的讲解)

Transformer是2017年火起来的。

原创 卷积神经网络

在深度学习中，深度学习，深度学习，用更深的网络去提取原始数据当中的特征，是这么理解的吧，那应该是层数越多越好吧，是这样的一个事儿吗。因为在实验当中发现一个事儿，这个事儿挺奇怪的，就是16层的网络要比30层网络，继续堆叠就是重复的加这些卷积和池化，16层的时候比30效果好。边缘填充（padding）：越往边界的点，能够计算的次数越少，越接近中间的点，计算次数越多，为了使得边界的点计算次数多，引入padding，弥补边界信息缺失的问题（边界提取特征不充分问题），使得网络能够更加公平的对待边界特征。

原创 机器学习——主成成分分析PCA

如上图所示，一共有4个属性，身高（ m为单位），身高（cm）,时速（每小时公里），时速（每小时里），身高的两个属性是相关的，时速的两个属性也是相关的，我们把四组具有相关性的变量转换成了两组不相关的变量，我们把转换后的这2组变量称为它的主成分。说白了，就是这两组变量能够代表这个人的身高特征和骑自行车的特征。在实际的数据中，用肉眼可能看不出这些数字的相关性，所以 要通过算法找出哪些特征和哪些特征是线性相关的，这就是主成分要做的事儿。换一种说法，找到一条直线，使得所有点到直线的距离的平方和最短。

原创 过拟合和欠拟合

训练误差会随着模型容量增加，训练误差开始下降；泛化误差会下降，降低到某一个点的时候，开始上升。模型足够复杂，通过各种手段控制模型容量，使得最后泛化误差往下降。通过控制这两个属性来控制模型的复杂度。第一个模型过于简单，第二个过于拟合。我们更多的关注泛化误差。

原创 感知机、多层感知机、激活函数sigmoid

和做内积加上一个偏置常熟b，让其做一个函数，以前回归输出的是实数，softmax回归输出的是概率。

原创 最小二乘法，极大似然估计，交叉熵

我们在训练神经网络的时候，其实就是用神经网络中的各种模型去和人脑中的这个模型去匹配，匹配的方式就是调整图像尽量和它重合。我们想用神经网络的模型去逼近人脑中的概率模型，和这个极大似然估计的过程就非常像。左边是人脑模型，右边是神经网络模型，人脑模型我们对猫有一个明显的识别边界，神经网络中总会有些偏差，我们想让神经网络的模型和我们人脑中的模型尽量一致。极大似然估计，本质上就是在计算神经网络里面的概率模型的似然值，找到那个极大似然值，这个就应该是最接近现实情况的那个概率模型。比较两种概率模型的差距的方法。

原创 机器学习简答题

有监督学习是指训练数据中包含了输入和输出的标签信息，目标是通过已知输入和输出来预测新数据的标签。无监督学习是指训练数据中只有输入特征，没有输出标签，目标是根据数据的内在结构、分布或相似性进行聚类、降维等操作。具体例子：假设我们有一组包含房屋面积和销售价格的数据。如果我们要根据已有数据预测新房屋的销售价格，这就是一个有监督学习的问题。而如果我们只有房屋面积的数据，但没有任何关于价格的信息，我们可以使用聚类算法将相似大小的房屋分组，这是一个无监督学习的问题。

原创 机器学习计算题——朴素贝叶斯

例题1例题2例题3

原创 机器学习计算题——svm支持向量机

引入一点高中的线性规划，我在接下来的题目确实可以用这种思想计算，并且非常快得到答案。

原创 五分钟学完朴素贝叶斯算法

个人感觉如下链接讲的比较好。

转载 五分钟学完决策树用于回归

本文来源于：本文仅为记录。

原创 五分钟学完决策树ID3算法

由于涉及到数学符号不好打字，放几张基础概念图。如果你是小白，你不要被下面的公式迷惑。这其实很简单，你看不懂可以先略过，结合后面的实例来理解这个公式，等看完实例你就懂了。不过下面关于这个公式的描述可以说非常具体了，阅读体验还是不错的。

原创 五分钟学完k-means

聚类算法有很多种，是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据，并且一定要在聚类前需要手工指定要分成几类。

原创 五分钟学完DBSCAN算法

如果P为核心点，Q在P的R邻域内，那么称P到Q密度直达。任何核心点到其自身密度直达，密度直达不具有对称性，如果P到Q密度直达，那么Q到P不一定密度直达。密度可达：如果存在核心点P2，P3，……，Pn，且P1到P2密度直达，P2到P3密度直达，……，P(n-1)到Pn密度直达，Pn到Q密度直达，则P1到Q密度可达。密度可达也不具有对称性。其中Q为非核心点。解释：p1密度直达p2,p2直达p(n),红色点都是核心点，但是Q是非核心点，所以p1密度直达Q。

原创 线性回归中的似然函数、最大似然估计、最小二乘法怎么来的（让你彻底懂原理）收官之篇

如图4，最小二乘法是我们通过误差表达式化简得到的，化简后的表达式一共分为两部分，一个是常数，另一个就是去掉系数后的最小二乘法表达式，规定这个表达式即为最小二乘法。当我们进行求解的时候，对于机器来说，加法比较容易求解，对于乘法求解比较复杂，所以引入对数似然。参数要和所有的数据进行组合，不能仅满足一些样本，要满足所有的样本，要进行整体的一个考虑，要看所有的样本能不能进行一个满足。有些复杂的损失函数，我们很难用数学的方法，求出损失函数的全局最小值以及对应的参数值，这就是为什么需要梯度下降算法的原因。

原创 可能是全网最详细的线性回归原理讲解！！！

所用到的两个矩阵求导公式参考于知乎：https://zhuanlan.zhihu.com/p/273729929，里面有公式的详细证明 梯度下降法参考于知乎 马同学：https://www.zhihu.com/question/305638940/answer/1639782992，个人觉得是讲梯度下降中最直观的一个回答。ps：此处的特征向量有别于线性代数中的特征向量，准确来讲这里的特征向量是一个样本的所有属性值。可以结合视频来学习，本文是一个图片教程，有错误欢迎大家指正，多多交流！

原创 本地电脑如何连接使用腾讯云服务器

连接上后显示的就是一台Windows的电脑，和操作自己的电脑一样用，没什么两样，简单得很。

原创 conda常用命令

pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ labelimg 使用labelimg，这个组件可以使用pip安装，安装指令。出现的原因就是你当前设定的镜像源已经不支持该包了，所以需要重新设定，删除已经设定好滴默认镜像源，执行下面的命令后就恢复了原来的源。阿里云开源镜像站：https://mirrors.aliyun.com/pypi/simple/豆瓣：https://pypi.douban.com/simple/

原创 torch.cuda.is_available()=false的原因

3、命令行cmd输入nvidia-smi（中间没有空格），查看显卡信息，cuda9.2版本只支持Driver Version>396.26；如果小于这个值，那么你就需要更新显卡驱动，可以通过各种的软件管家更新，或者通过英伟达的官网。下图是个提示，提示你安装cuda的时候，不是看这里的cuda,这个cuda仅仅是你电脑支持的最大的cuda的版本。2驱动程序安装成功后，记得再次检查命令行检查nvidia-smi的显卡驱动版本有没有变化。1、检查是否为nvidia显卡；2、检查GPU是否支持cuda;

原创 pytoch安装指定版本教程&pytorch1.3安装笔记

2、然后进入到以下界面，点击torch，这里会有更多的torch版本以及torchvision版本。如果电脑里安装了其他的torch版本，另外生成一个环境可以防止原先torch版本被替换掉。返回图4界面，点击torchvision进入以下界面，找到我所要的版本啦啦啦。但我安装的是cuda9.2版的torch，安装就没有这么方便了。4、在anconda终端需要联网安装，不支持提供包安装，如下图。3、终于找到了torch1.3，于是点击链接，下载安装。以上仅为个人学习笔记，如有错误，请不吝赐教，不胜感激！

原创 数据库复习——闭包

先列出X(0)的非空子集，即AB的非空子集为{A，B，AB}。然后扫描F集合，寻找{A，B，AB}可能存在的函数依 赖，就可以得到：AB→C，B→D。然后判断X(0)如果等于X(1)就结束，所求即为答案，如果X(0)不等于X(1)就继续计算。同第二步求X(1)得非空真子集，然后在F中一次寻找函数依赖，可以得到：AB→C，B→D，C→E，AC→B。【例】关系模式R<U，F>，其中U={A，B，C，D，E}，F={AB→C，B→D，C→E，EC→B，AC→B}，求（AB)+第一步，令X(0)=AB。

原创 操作系统之微内核架构

然而，需要注意的是，微内核架构在某些方面具有优势，例如更好的可维护性和可扩展性，以及更高的系统稳定性。更高的性能优化机会：宏内核通常具有更大的内核空间，允许进行更多的性能优化，如内核函数之间更高效的调用和数据共享。微内核架构是不能够提供什么实际功能的，而内存管理、进程管理、设备管理和文件管理服务等，都被做成一个个服务进程，它们和用户进程一样，只是它们能够提供宏内核里边提供的功能。优化的系统调用：在宏内核中，系统调用通常更加高效，因为它们直接调用内核中的功能，而微内核的系统调用通常需要更多的层级。

原创 软件开发生命周期模型

每一次迭代过程由需求、设计、编码、测试和集成等阶段组成，为整个系统增加一个可定义的、可管理的子集。也可将该模型看做是重复执行的多个“瀑布模型”。“迭代”意味着模型中的开发活动常常需要多次重复，每次重复都会增加或明确一些目标系统的性质，但却不是对先前工作结果的本质性改动。是一种将系统按软件生命周期划分为制定计划、需求分析、软件设计、程序编写、软件测试和运行维护等6个基本活动，并且规定了它们自上而下、相互衔接的固定次序的系统开发方法。是瀑布模型的一种演变模型，将测试和分析与设计关联进行，加强分析与设计的验证。

原创 用例图包含关系、扩展关系、泛化关系解析（最全总结，非常详细）

一般用户有很多功能，其中包括各种信息的查看，这时可以建立一个查询信息这一个用例，然后下面在包含查看余额、查看上机记录、查看充值记录这三个小用例。

原创 java网络编程

java网络编程1、软件体系结构2、网络通信协议1、软件体系结构C/S架构B/S架构两种架构各有优势，但是都离不开网络的支持。网络编程，就是在一定的协议下，实现两台计算机的通信程序。2、网络通信协议TCP/IP协议： 传输控制协议/因特网互联协议( Transmission Control Protocol/Internet Protocol)，是 Internet最基本、最广泛的协...

原创 请说明一下JAVA虚拟机的作用是什么?

Java虚拟机能够将class字节码解释成可执行的机器码。Java与平台无关其实是Java字节码与平台无关，Java源文件被编译成class字节码文件，class字节码在Java虚拟机中被解释成机器码，所以在不同的平台，只要有Java环境，那么就可以把字节码解释成对应平台的机器码，即Java被称作“与平台无关的编程语言”；...

原创 数据结构——时间复杂度的计算各类题型

转载 KMP模式匹配

转载 如何解决Xshell连接VMware中centos 失败？

如何解决Xshell连接VMware中centos 失败？CentOS安装好了后,在Linux中操作都是使用命令行,虽然CentOS可以输入命令行,但是,并不好用,这时我们可以选择第三方命令行工具比较好用的命令行工具有:– Putty– Xshell– SecureCRT当然,并不止这些,还有很多,我只选择这几个,用得比较多的就是:Xshell如何获...

转载 IDEA下运行web项目 页面出现中文乱码解决方案

一、说明：出现页面乱码的原因有多种，这里我的项目配置文件以及html文件都配置了字符集为UTF-8；所以文件配置错误的可能性较小；上网查了可能是tomcat或者idea本身配置有问题，这里重新配置tomcat后问题解决了，下面给出tomcat的解决方案；二、解决方案：1、tomcat---->Edit Configurations2、选择Startup/Connection---...