<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[egbert123的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/egbert123</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; egbert123]]></copyright><item><title><![CDATA[HTTPS认证一：认证原理]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/103834620</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/103834620</guid><author>egbert123</author><pubDate>Sat, 04 Jan 2020 16:19:37 +0800</pubDate><description><![CDATA[HTTP超文本传输协议用于在web浏览器和网站服务器之间传递信息，有以下缺点：

1、通信使用明文，内容可能被窃听

2、不验证对方的身份

3、无法验证报文的完整性

所以HTTPS就来了，其中S代表SSL或者TLS，就是在原来HTTP的基础上加上一层用于数据加密、解密、身份认证的安全层，所以：

HTTP+加密+认证+完整性保护 = HTTPS

加密：

对称加密：加密和解密使用同一个密钥，...]]></description><category></category></item><item><title><![CDATA[HTTPS认证四：使用开源libcurl进行SSL双向认证]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/103832664</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/103832664</guid><author>egbert123</author><pubDate>Sat, 04 Jan 2020 14:35:22 +0800</pubDate><description><![CDATA[官网：https://curl.haxx.se/libcurl/c/libcurl.html

libcurl参数说明：


CURLOPT_SSLCERTTYPE：证书的格式，支持PEM, DER格式
CURLOPT_SSLCERT：客户端证书的名字，加密传输下默认格式是P12，其它方式下是PEM，使用时候用./filename避免混淆，当使用client证书的时候，很大可能需要使用privat...]]></description><category></category></item><item><title><![CDATA[HTTPS认证三：用docker搭建nginx https服务器]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/103832083</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/103832083</guid><author>egbert123</author><pubDate>Sat, 04 Jan 2020 13:36:13 +0800</pubDate><description><![CDATA[1、生成证书

https://blog.youkuaiyun.com/egbert123/article/details/103831808


			根证书
			
			
			ca.crt
			
			
			cacrt.pem
			
		
			根证书签发的服务端证书
			
			
			server.crt
			
			
		
			服务端私钥
			
			
			server.key...]]></description><category></category></item><item><title><![CDATA[HTTPS认证二： openssl生成证书及签名]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/103831808</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/103831808</guid><author>egbert123</author><pubDate>Sat, 04 Jan 2020 12:50:01 +0800</pubDate><description><![CDATA[CA根证书

创建 CA 根证书（使用这个根证书签发服务器和客户端的证书）

mkdir private
# 生成私钥 key 文件:
openssl genrsa -out private/ca.key 2048  
输出
Generating RSA private key, 2048 bit long modulus  
.......+++
...........................]]></description><category></category></item><item><title><![CDATA[docker仓库harbor的搭建及使用]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/98744828</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/98744828</guid><author>egbert123</author><pubDate>Wed, 07 Aug 2019 14:28:49 +0800</pubDate><description><![CDATA[https://github.com/goharbor/harbor/blob/master/docs/installation_guide.md

1、设置FQDN


# 设置hostname 为kube-master
hostnamectl set-hostname kube-master

vi /etc/hosts # 域名解析

127.0.0.1   localhost localh...]]></description><category></category></item><item><title><![CDATA[1.4.4 随机梯度下降和构建机器学习算法（介绍）]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86602486</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86602486</guid><author>egbert123</author><pubDate>Tue, 22 Jan 2019 22:14:25 +0800</pubDate><description><![CDATA[随机梯度下降(stochastic gradient descent SGD)
SGD是梯度下降算法的一个扩展
机器学习中反复出现的一个问题是好的泛化需要很大的训练集，但大的训练集的计算代价也很大。
机器学习中算法中的代价函数通常可以分解成每个样本代价函数的总和。 例如，训练数据的负条件对数似然可以写成
J(θ)=Ex,y&amp;nbsp;pL(x,y,θ)=1m∑L(x(x),y(i),θ)J(\th...]]></description><category></category></item><item><title><![CDATA[1.4.3 无监督学习]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86602466</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86602466</guid><author>egbert123</author><pubDate>Tue, 22 Jan 2019 22:12:52 +0800</pubDate><description><![CDATA[一个经典的无监督学习任务是找到数据的“最佳”表示，“最佳”可以是不同的表示，但是一般来说是指该表示在比本事表示的信息更简单或者更容易访问而受到一些惩罚或者限制的情况下，尽可能多的保存关于x的信息。
有很多方式定义较简单的表示，常见的三种有低维表示，稀疏表示和独立表示
主成分分析（PCA）
线性代数一章说过，一种降维的手段
k均值据类(k-mean)
k-均值聚类算法将训练集分为k个靠近彼此的不同样...]]></description><category></category></item><item><title><![CDATA[1.4.2 监督学习算法]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86562905</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86562905</guid><author>egbert123</author><pubDate>Sun, 20 Jan 2019 16:00:03 +0800</pubDate><description><![CDATA[监督学习算法
监督学习算法是给定一组输入x和输出y的训练集，学习如何关联输入和输出。
概率监督学习（逻辑回归）
线性回归中，能够通过求正规方差来找到最佳权重，相比而言，逻辑回归更困难，其最佳权重没有闭解。反之，我们必须最大化对数似然来搜索最优解，通过梯度下降法最小化负对数似然来搜索。
# _*_ coding: utf-8 _*_
&amp;quot;&amp;quot;&amp;quot;
根据两门考试成绩，判断是否通过
steps:
1\ dea...]]></description><category></category></item><item><title><![CDATA[1.4.1 机器学习基础]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86552173</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86552173</guid><author>egbert123</author><pubDate>Sat, 19 Jan 2019 14:41:18 +0800</pubDate><description><![CDATA[深度学习是机器学习的一个分支。
机器学习
机器学习是一门研究‘学习算法’的学问，所谓学习是指对于任务T和性能度量P，一个计算机程序能够在T上以P衡量的性能随着经验E而自我完善，那我们称这个计算程序在从经验E中学习。
任务T      ：机器学习应该如何处理样本，样本是指机器学习系统处理的对象或者事件已经量化的特征集合。  （分类，回归，机器翻译）
性能度量P：评估机器学习算法的能力。
模型评估的基...]]></description><category></category></item><item><title><![CDATA[1.3 数值计算]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86497223</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86497223</guid><author>egbert123</author><pubDate>Tue, 15 Jan 2019 18:26:18 +0800</pubDate><description><![CDATA[数值计算
通过迭代过程更新解的估计值来解决数学问题的算法，而不是通过解析过程推到出公式来提供正确解的方法。
机器学习中常见的包括优化（找到最大化或者最小化函数的参数）和__线性方程组的求解__。
下溢: 当接近零的数被四舍五入为零时，发生下溢。
上溢：当大量级的数被近似为无穷大时，发生上溢。
解决这种问题的方法之一是使用softmax函数
softmax(x)i=exp(xi)∑exp(x)sof...]]></description><category></category></item><item><title><![CDATA[1.2 概率与信息论]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86367259</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86367259</guid><author>egbert123</author><pubDate>Sat, 12 Jan 2019 17:28:41 +0800</pubDate><description><![CDATA[import tensorflow as tf
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt 

随机变量
#tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32) 
#tf.truncated_normal(shape,...]]></description><category></category></item><item><title><![CDATA[1.1 线性代数]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86221840</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86221840</guid><author>egbert123</author><pubDate>Thu, 10 Jan 2019 11:36:23 +0800</pubDate><description><![CDATA[import tensorflow as tf
import numpy as np

标量，就是一个单独的数
向量，一列数
矩阵，一个二维数组
张量，tensorflow 中，所有变量用张量tensor表示
转置，行列互变
a = 10  #标量
b = tf.constant(a)   # 0阶张量
print(a)
print(b)

A = [1, 2, 3] # 向量
B = tf.co...]]></description><category></category></item><item><title><![CDATA[1、深度学习 介绍]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/86151722</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/86151722</guid><author>egbert123</author><pubDate>Wed, 09 Jan 2019 17:32:13 +0800</pubDate><description><![CDATA[

图中就是AI，机器学习，深度学习之间的关系



如果想学习人工智能，深度学习是一个重要的方面，当然也是其中之一，所以学好深度学习是必须的。

在看这本花书之前，我在网易云课堂上看完了吴恩达的《machine learning》，另外网易云课堂的微专业有吴恩达的《深度学习工程师》，配合Coursera上的练习，对deep learning有一定的了解，但看总觉得很不够，所以开始啃这本《花书》。...]]></description><category></category></item><item><title><![CDATA[python lambda]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/81459048</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/81459048</guid><author>egbert123</author><pubDate>Mon, 06 Aug 2018 18:31:23 +0800</pubDate><description><![CDATA[Lambda表达式是Python中一类特殊的定义函数的形式，使用它可以定义一个匿名函数 。

items = [{'name' : 'Homer', 'age': 39}, {'name' : 'bart', 'age': 20}, {'name' : 'curry', 'age': 10}]

items.sort(key = lambda item : item.get(&quot;age&quot;))

pr...]]></description><category></category></item><item><title><![CDATA[VxWorks驱动移植基础知识]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/71512245</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/71512245</guid><author>egbert123</author><pubDate>Tue, 31 Jul 2018 16:45:13 +0800</pubDate><description><![CDATA[VxWorks驱动架构:

一、在最新发布的VxWorks6.x版本中，devicedriver可以通过两种方式来实现

1、 VxBus-enabled devicedrivers 

这种架构下编写的driver为OS和设备定义了一系列标准接口来和driver交互

2、as legacy(pre-VxBus) device drivers

这种结构下编写的驱动没有为OS和设备提供标准接口
...]]></description><category></category></item><item><title><![CDATA[LTE系统各种指标概念（EVM,ACLR）]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/80971001</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/80971001</guid><author>egbert123</author><pubDate>Mon, 09 Jul 2018 15:26:35 +0800</pubDate><description><![CDATA[转自一个网站的文章，原文链接  http://m.elecfans.com/article/600376.html1、Rx Sensitivity（接收灵敏度） 接收灵敏度，这应该是最基本的概念之一，表征的是接收机能够在不超过一定误码率的情况下识别的最低信号强度。这里说误码率，是沿用CS（电路交换）时代的定义作一个通称，在多数情况下，BER (bit error rate)或者PER (packe...]]></description><category></category></item><item><title><![CDATA[VC++ Excel基本操作（初始化，插入，颜色）]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/80800084</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/80800084</guid><author>egbert123</author><pubDate>Mon, 25 Jun 2018 12:01:44 +0800</pubDate><description><![CDATA[最近做VC++操作excel，特地转载文章，另外我自己实现了C++的excel类，需要可以私信我。-------------------------------------转载内容：-------------------------------------------------- 最近由于工作需要，不得不操作Excel，包括基本的数据输入输出、字体设置、颜色设置、单元格的合并、填充色的设置，当然...]]></description><category></category></item><item><title><![CDATA[openwrt添加USB网卡驱动（SIERRA）]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/79910360</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/79910360</guid><author>egbert123</author><pubDate>Thu, 12 Apr 2018 11:22:21 +0800</pubDate><description><![CDATA[从SIERRA公司搞了一个7455的LTE模块和对应的DEVKIT，DEVKIT接口是USB3.0，可以通过USB3.0连接我另一个openwrt开发板，然后openwrt开发板加载相应的驱动，虚拟网卡和串口，实现了USB网卡的功能，废话不多说，下面是添加步骤：到sierra官网找到7455USB驱动并下载，地址如下：https://source.sierrawireless.com/device...]]></description><category></category></item><item><title><![CDATA[Openwrt libpthread.so.0]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/78788892</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/78788892</guid><author>egbert123</author><pubDate>Wed, 13 Dec 2017 10:23:16 +0800</pubDate><description><![CDATA[当需要多线程编程时，需要thread库支持，否则编译时出现如下错误：

PackagegctTest_server is missing dependencies for the following libraries:

libpthread.so.0



解决方法：在上级目录（package目录下）的Makefile中添加一句话：

definePackage/gctTest_server...]]></description><category></category></item><item><title><![CDATA[python判断网络是否通]]></title><link>https://blog.youkuaiyun.com/egbert123/article/details/78284611</link><guid>https://blog.youkuaiyun.com/egbert123/article/details/78284611</guid><author>egbert123</author><pubDate>Thu, 19 Oct 2017 14:37:51 +0800</pubDate><description><![CDATA[提供两种方法：netstats.py# -*- coding: gbk -*-
import myarp
import os
class netStatus:
    def internet_on(self,ip="192.168.150.1"):
        os.system("arp -d 192.168.150.1")
        if myarp.arp_resolve(ip,]]></description><category></category></item></channel></rss>