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
200+累计阅读
289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
$ sudo sqlplus
Error 6 initializing SQL*Plus
Message file sp1<lang>.msb not found
SP2-0750: You may need to set ORACLE_HOME to your Oracle software directory
$ sudo sqlldr
Message 2100 not found; No message file for product=RDBMS, facility=ULMessage 2100 not found; No message file for product=RDBMS, facility=UL
原来是sudo没有继承用户的环境变量
修改/etc/sudoers
# 增加ORACLE_HOME
Defaults env_keep = "... ORACLE_HOME"
OK，现在可以正常运行了。
淘宝链接跳转微信全攻略：自建合规中转页实现私域引流
在跨平台运营中，链接跳转是连接不同生态、实现流量引导的关键技术。其核心原理是通过服务器端或前端逻辑，将用户从一个平台的链接安全引导至目标页面，同时规避平台间的访问限制。这项技术的核心价值在于打破数据孤岛，实现跨平台用户沉淀与精细化运营，广泛应用于电商引流、私域流量构建和跨平台营销等场景。本文聚焦于**淘宝短链**与**企业微信**之间的跳转难题，提供了一套基于自建中转页面的完整工程解决方案，手把手教你如何通过合规的技术手段，将淘宝流量高效、安全地引导至微信生态，并实现数据追踪与客户分流。
解决 Message 2100 not found； No message file for product=RDBMS, facility=UL
记录解决 Message 2100 not found; No message file for product=RDBMS, facility=UL 的方法
C2000 CLA协处理器：嵌入式实时控制性能优化与实战指南
在嵌入式实时控制系统中，主CPU常因高频率、低延迟的控制算法而面临性能瓶颈。为解决此问题，协处理器技术应运而生，它通过硬件并行架构分担计算密集型任务，从而提升系统整体性能。其核心原理在于独立的计算单元与总线设计，能够实现近乎零延迟的响应，这对于电机驱动、数字电源等闭环控制场景具有极高的技术价值。本文聚焦于德州仪器C2000系列微控制器中的控制律加速器（CLA），深入解析其作为独立浮点协处理器如何通过任务调度与消息RAM通信机制，有效实现性能倍增，并提供了从内存配置到代码调试的完整工程实践方案。
linux执行应用程序的时候报“not found“
明明程序存在，执行的时候却报"not found"，原来是用另一个平台的工具链编的。
硬件原理图：从软件思维到硬件接口的嵌入式开发破局指南
本文为软件开发者提供了读懂硬件原理图的嵌入式开发破局指南。文章将硬件原理图类比为“硬件系统的架构图”，引导读者将软件API调用思维迁移到硬件接口理解上，详细解析了电阻、电容、二极管等常见元器件的“硬件API”功能与选型逻辑，并通过实战电路拆解，阐述了从原理图分析到驱动代码编写的完整思维链条，帮助开发者建立软硬件协同的系统级视角。
【从零开始学Skynet】实战篇《球球大作战》（一）：功能设计
为了能把之前在基础篇中学习到的Skynet的各种知识结合起来，所以在实战篇中，我们准备开发一个完整的游戏案例《球球大作战》，介绍分布式游戏服务端的实现方法。
Linux赋予普通用户特殊权限（SUDO）
在Linux系统中，管理员往往不止一人，若每位管理员都用root身份进行管理工作，根本无法弄清楚谁该做什么。所以最好的方式是：管理员创建一些普通用户，分配一部分系统管理工作给他们。 我们不可以使用su让他们直接变成root，因为这些用户都必须知道root的密码，这种方法很不安全，而且也不符合我们的分工需求。一般的做法是利用权限的设置，依工作性质分类，让特殊身份的用户成为同一个工作组，并设置工作组权
SAP Business One自定义表与字段实战：从零构建企业专属数据模型
本文详细介绍了如何在SAP Business One中创建自定义表与字段，从零构建企业专属数据模型。通过实战案例和避坑指南，帮助用户掌握业务适配、流程优化和权限隔离等关键技巧，提升系统灵活性和数据管理效率。特别适合需要扩展标准功能的SAP Business One用户。
sudo之环境变量(/etc/profile)
$ env | grep PATHPATH=/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/bin/X11:/opt/jdk1.5.0_06/bin:/home/zzw/bin$ sudo env | grep PATHPATH=/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/X11R6/binecho $PATHsudo echo $PAT
Doris副本修复实战：从状态机到手动修复的完整指南
在分布式数据库系统中，多副本机制是实现高可用与数据一致性的核心技术。其原理是通过在不同节点存储数据的多个拷贝，确保部分节点故障时服务仍可继续。这项技术的核心价值在于保障数据可靠性，并支撑在线分析处理（OLAP）等对数据一致性要求高的应用场景。当副本出现损坏、丢失或版本不一致时，系统通常依赖自动修复机制，但在元数据损坏、多副本同时故障等复杂场景下，自动修复可能失效，需要深入理解副本状态机并借助手动工具介入。本文将聚焦Doris数据库，解析Tablet副本状态流转（如BAD、VERSION_ERROR），并详细
AIGC算法工程师 面试八股文
1、简述DDPM的算法原理 2、什么是重参数化技巧？Diffusion Models和VAE中的重参数化技巧是如何使用的？ VAE中的重参数化技巧 Diffusion Models中的重参数化技巧 3、什么是马尔可夫过程？DDPM中的马尔可夫链是如何定义的？ 马尔可夫过程 DDPM马尔可夫链 4、为什么DDPM前向过程中前期加噪少，后期加噪多？ 5、VAE和Diffusion Models中的变分推断是什么？ 6、Negative Prompt实现的原理是什么？
解决sudo找不到环境变量的问题
原因 sudo命令会重置环境变量,查看文件/etc/sudoers,可以看到这样的配置 Defaults env_reset 解决方法 最简单的, 使用sudo -E即可保留当前用户的环境变量, 但缺点也很明显,每次都要加 修改/etc/sudoers文件,将Defaults env_reset改为 Defaults !env_reset,这样以后使用sudo就再也不会重置...
通用、可复用的 AI Skill 开发基本流程
-----name：唯一标识符（建议用领域-功能格式）：自然语言描述触发条件（AI 依赖此判断是否激活）tags（可选）：便于分类和搜索version：支持后续迭代步骤输出物1. 定范围触发场景描述2. 写元数据name3. 填内容结构化 Markdown 文件4. 做验证可运行 + 符合规范5. 去集成放入对应 IDE 目录6. 持续维护跟进框架更新通过这套流程，你不仅可以开发（Hooks 最佳实践）（原生 WebGL 优化）（Pandas/Numpy 高效写法）
如何解决 sudo 命令找不到环境变量的问题
第 11 行的 secure_path 配置项，其中包含的路径将被当做 sudo 环境的 PATH 变量使用，如果在 sudo 环境无法找到某些命令，那么可以将这些命令的路径加入该配置项之中。在通过 sudo 运行命令时，系统会默认重置环境变量为安全的环境变量，也就是说，先前设置的变量都会失效，只有少数配置文件中指定的环境变量能够保存下来。第 5 行的 Defaults env_reset 表示默认会重置环境变量，因此自定义的变量会在 sudo 环境中失效，也就不会获取正确的变量值。
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。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
sudo - 保留原来的环境变量
centos 5 的 sudo 默认将原有的环境变量 reset，只保留一些对安全没有影响设定。 Defaults env_resetDefaults env_keep = "COLORS DISPLAY HOSTNAME HISTSIZE INPUTRC KDEDIR / LS_COLORS MAIL PS1 PS2 QT
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
sudo执行脚本找不到环境变量
问题 当普通用户下，设置并export一个变量，然后利用sudo执行echo命令，能得到变量的值，但是如果把echo命令写入脚本，然后再sudo执行脚本，就找不到变量，未能获取到值，如题情况如下： $ cat tesh.sh echo $var $ var=aaa $ export var # export 变量 $ sudo echo $var # sudo执行echo命令，返回变量值 aaa $ sudo bas
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")
sudo命令的副作用：环境变量消失之谜
sudo命令允许授权用户临时以root身份执行命令，但会重置环境变量导致常见问题：代理失效（http_proxy被清除）、git配置异常（HOME变量变更）等。解决方法包括：1)使用sudo -E保留环境变量；2)修改sudoers文件配置env_keep参数。这些副作用常导致代理服务中断或程序配置读取错误，需要特别注意权限管理时的环境变量问题。
sudo使用当前用户临时设置的环境变量(sudo -E )
1、sudo -E -E选项在man page中的解释是： -E The -E (preserve environment) option indicates to the security policy that the user wishes to preserve their existing environment variables. The security policy may return an error if the -E option is specified and the
sudo的环境变量获取
sudo的环境变量获取问题描述: yuyu用户设置了自定义的环境变量，提升到sudo执行，无法获取该环境变量解决方法: 在/etc/sudoers中添加配置，前提是不包括～结尾和.字符,权限要设置成440，具体要求看改目录下的README文件 文件内容Defaults env_keep += “CONFIG_DIR” 以上在yuyu中设置的变量CONFIG_DIR 就能在s
sudo命令无法读取环境变量的解决方法
通过sudo -l来查看sudo的限制： $ sudo -l Matching Defaults entries for xxx on this host: env_reset, mail_badpass, secure_path=/usr/local/sbin\:/usr/local/bin\:/usr/sbin\:/usr/bin\:/sbin\:/bin User xxx may...
使用sudo时如何保留环境变量
When I use any command with sudo the environment variables are not there. 当我对sudo使用任何命令时，环境变量不存在。 F
Linux系统中的 sudo 权限会导致环境变量失效。
环境变量丢失：nvm 依赖的 PATH、等环境变量是通过用户 Shell（如 ~/.bashrc 或 ~/.zshrc）加载的。使用 sudo 时，Shell 会以 root 身份重新初始化环境，忽略用户的 ~/.bashrc 或 ~/.zshrc文件里的 配置。权限切换：sudo 以 root 用户 身份执行命令，root 用户的环境变量和当前用户（user）的环境变量是隔离的。但是sudo 无法使用nvm命令。在 ~/.zshrc已经配置了nvm的路径。（可以先尝试不使用sudo ，是否能够完成）
sudo 命令 重置环境变量问题
sudo运行时默认会重置环境变量为安全的环境变量，因此当实用sudo执行指令时会提示找不到$xxx环境变量。 解决方法： $ sudo visudo //编辑sudo配置 找到类似下面的配置： Defaults env_reset Defaults env_keep = "COLORS DISPLAY HOSTNAME HISTSIZE INPUTRC KD
如何为sudo命令定义PATH环境变量
当你使用sudo去执行一个程序时，处于安全的考虑，这个程序将在一个新的、最小化的环境中执行，也就是说，诸如PATH这样的环境变量，在sudo命令下已经被重置成默认状态了。所以当一个刚初始化的PATH变量中不包含你所要运行的程序所在的目录，用sudo去执行，你就会得到”command not found”的错误提示。 要想改变PATH在sudo会话中的初始值，用文本编辑器打开/etc/sudoers
sudo 和环境变量
https://askubuntu.com/questions/57915/environment-variables-when-run-with-sudo https://www.phusionpassenger.com/library/indepth/environment_variables.html 环境变量放在sudo前面会失效,放到sudo后面可以生效 转载于:https:/...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
411
扫一扫
