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
1.8k累计阅读
1.8k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
购买了阿里云服务器后绑定了手机号实名认证。
但是重新登录后发现购买的云服务器不见了。
在控制台怎么找也找不到，于是打电话给客服，
阿里云的客服等待时间很长，并且9点才上班。
最后给出的原因是不要使用手机号码登录，使用昵称登录，
然后客服发短信给出了昵称，换了昵称登录果然好了。
mac端远程连接服务器很简单：
打开终端，输入
ssh user@ipip是你的公网ip
user 是你的用户名 默认是 root
The authenticity of host 'ip' can't be established出现这种问题的原因是你的电脑ip地址变更了。解决方案
ssh -o StrictHostKeyChecking=no ip然后再次重新远程连接ssh user@ip即可 ，注意要输入服务器访问密码，不是你电脑的密码。
安装git
yum install gitNavicat16/17数据库密码安全解析与实战解密指南
本文详细解析了Navicat 16/17版本中数据库密码的加密机制，并提供了实用的密码找回指南。通过导出连接文件获取加密密文，利用基于AES-128-CBC算法的本地HTML工具，可安全、离线地解密遗忘的密码。文章强调该方法仅适用于合法恢复自有密码，并给出了操作步骤与安全建议。
阿里云ECS访问GitHub解决方案
使用阿里云 ECS 访问 Github 和拉取代码时，速度非常慢，等于不可用。本解决方案适用于墙内所有云服务器。
芋道前后端分离项目跳过登录
在此页面中可以看到当在没有获取到token时，如果此页面在白名单中则直接进入，所以我们将刚刚配置在。在此路径下配置需要跳过登录的页面路径，记住path中编辑的名称。根据以上两图可以发现芋道的。将所有需要跳过登录的方法。，否则会提示登录状态过期。至此完成免登录进入页面。
阿里云服务器连接github
1.问题描述： 服务器已配置SSH，但偶尔有时候从github克隆项目还是会报超时 2.解决办法： 修改hosts文件，加入github IP和域名 1. 访问https://github.com.ipaddress.com/ 如下图： 记录IP地址：140.82.112.3 2.访问https://fastly.net.ipaddress.com/github.global.ssl.fastly.net#ipinfo 如下图： 记录IP地址199.232.69...
Unity游戏开发客户端面经——网络（初级）
Unity游戏开发客户端面经 之 网络 篇
跟着团子学SAP CO：熟练使用结果分析码实现各个场景下收入成本的匹配（一） KKA2/CJ88
PS模块中对财务顾问最难的点在于项目结算，特别是销售型的项目结算。针对客户型项目结算我列举了以下常见的收入成本匹配的一些场景： （1）在项目执行过程中会多次开票，但由于各期成本浮动很大（如前期可能只涉及一些人工、中期全是比较金额较大的材料费），所以希望开票的时候能通过合理的一些指标进行主营业务成本与主营业务收入的匹配。 （2）项目过程中会多次开票，开票确认主营业务收入时，直接将累计发生的实际成本结转为主营业务成本。 （3）项目过程中虽多次开票，但不确认收入，所有发生的实际成本月末计算为在制品，最后项目一次性
国内云服务器访问GitHub解决办法
解决国内云服务器无法访问GitHub联机下载文件的问题，由于新购买的一台国内服务器需要联网GitHub部署环境，但是发现国内服务器居然无法连接 raw.githubusercontent.com 于是在网上找了一下方法，下面给大家分享出来，自己也记录一下。使用SSH终端管理软件连接好服务器，将下面的记录放到服务器端的Hosts文件中，在Linux系统中，Hosts文件的位置在 /etc 目录下，直接写进去即可。对Hosts文件进行编辑，将下面的记录添加到Hosts文件最后位置。
基于转录逆转的药物重定向 GPS 模型
GPS是一个基于分子结构预测基因表达扰动的开源平台，由三个模块组成：RCL（在LINCS扰动数据上训练抗噪MLP）、GPS4Drugs（预测新化合物的基因表达谱并进行逆转评分）、MolSearch（基于MCTS的分子优化）。平台使用Morgan指纹和Gene Ontology注释作为特征输入，将基因表达扰动离散为三分类标签。训练数据来自LINCS Phase I的18,746个化合物和978个landmark基因，支持四细胞系独立训练，可用于药物重定向与化合物筛选。
阿里云服务器访问github慢临时解决方法
阿里云服务器访问github慢临时解决方法
基于STM32单片机的智能分拣系统
基于STM32单片机的智能分拣系统是一种高效、精准的自动化分拣解决方案，适用于物流、仓储、制造业等领域。该系统利用STM32单片机作为核心控制器，结合传感器技术、电机控制算法和通信模块，实现对物品的自动识别、分类和分拣。通过智能化的设计，该系统能够大幅提高分拣效率，降低人工成本，并减少错误率。基于STM32单片机的智能分拣系统是一种高效、精准、低成本的自动化解决方案，能够广泛应用于物流、制造、环保等领域。
9、 量子支持向量机：从经典到量子的跨越
本文详细介绍了量子支持向量机（QSVM）的基本原理及其在PennyLane和Qiskit框架中的实现方法。从经典SVM的基础知识出发，逐步深入到量子领域的应用，包括如何定义量子核函数、与scikit-learn集成以及在模拟器和实际量子计算机上的训练和评估过程。最后通过表格和流程图总结了不同框架下的实现要点，为未来量子机器学习的研究提供了参考。
基于阿里云服务器环境搭建到项目上线系列文章之五——项目仓库github基本使用
基于阿里云服务器环境搭建到项目上线系列 前言：最近购买了域名和一台阿里云服务器准备做点东西放上去，所以准备把环境搭建到项目上线的过程记录下来，计划一个系列6篇文章 基于阿里云服务器环境搭建到项目上线系列文章之一——putty使用秘钥登录远程服务器 基于阿里云服务器环境搭建到项目上线系列文章之二——搭建LNMP环境 基于阿里云服务器环境搭建到项目上线系列文章之三——安装git 基于阿里云服务器环境...
PX4实战（十）：PX4导航模块（Navigator）详解
本文将对 PX4 固件 v1.14.3 版本中的 Navigator（导航）模块进行详尽的技术剖析。作为飞行控制栈中的高层决策核心，Navigator 模块承担着将抽象的任务指令转化为具象的底层控制设定点的关键职责。本文基于对 src/modules/navigator 目录下源代码的深究研究与架构反推，详细阐述了该模块的文件组织结构、基于状态机的控制逻辑、uORB 异步通讯机制、核心任务模式（Mission）与返航模式（RTL）的实现细节，以及地理围栏（Geofence）与任务可行性检查（Feasibil
怎么不停尝试登陆别的服务器_阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)...
优快云 文章链接：阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)个人博客文章链接：阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)前一阵子购买了阿里云的云服务器ECS（学生优惠），折腾了一阵子后对有些东西不太满意，所以就重新初始化了磁盘，刚好要重新安装图形界面，于是就顺手写了这么一篇文章。首次登陆第一次登陆服务器时，是这个样子的：输入账号...
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
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")
初次使用阿里云服务器部署tomcat启动后，通过http不能访问
原因是因为阿里为了安全设置了安全组策略，必须我们授权的端口，其他计算机才能通过http访问 首先进入云服务器管理控制台，点击安全组 点击配置规则 添加安全组规则 0.0.0.0/0 指针对所有ip地址 ...
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
阿里云服务器使用笔记
阿里云服务器使用笔记前言镜像安装ActiveMQ远程连接服务器连接ActiveMQ 前言 第一次接触阿里云，真的是云里雾里雾里云里。为了防止自己忘记阿里云的基础使用也为了以后可能再次使用，做一个记录。(这个过程真的疯狂犯傻浪费时间) 本篇博客会引用他人的博客连接，真的很感谢这些博客，也是在他们的帮助下，我才能一步一步摸到门道。（不同意我转载的博主联系我，我马上修改呜呜） 虽然阿里云也有帮助使用的文章，对不起我太笨了，我看不太懂，一些命令使用我都不知道在哪里写，所以茫然的搜索亲民的文章。 可能会根据之后的课程
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)
阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装) 2019-01-23 22:55:50laugh12321阅读数 851更多 分类专栏：ECSUbuntu 版权声明：本文为博主原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。 本文链接：https://blog.youkuaiyun.com/laugh12321/article/...
armbian安装图形桌面_阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)
优快云 文章链接：阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)个人博客文章链接：阿里云服务器ECS Ubuntu16.04 初次使用配置教程(图形界面安装)前一阵子购买了阿里云的云服务器ECS（学生优惠），折腾了一阵子后对有些东西不太满意，所以就重新初始化了磁盘，刚好要重新安装图形界面，于是就顺手写了这么一篇文章。首次登陆第一次登陆服务器时，是这个样子的：输入账号...
阿里云服务器~docker初体验
前言 最近买了个阿里云服务器，试着安装一下docker。 结果把yum搞坏了，docker没安装上，其他功能也受到了影响。 一、重装系统 首先登陆阿里云服务器ECS页面。然后停止服务，点击更换操作系统。 更换操作系统后，启动即可。我这里选择了centos8，原先的系统版本低了，导致无法安装docker。 二、安装docker 在阿里云ECS上搜索容器镜像服务，选择centos，点击右边框框的docker-ce，按照教程安装即可。同时可以参考下面的提示配置镜像加速器。 三、使用docker的简单命令 输入
阿里云服务器的购买与搭建
阿里云服务器购买与搭建 点击云服务器新老用户共享通道 选择服务器并购买(根据个人需求和经济实力购买，学生学习用的话1核2G就够了，本人买的是2核4G)----->点击购买 选择服务器地域(就近选择)----->选择搭建的系统和系统版本(推荐linux系统，安全性高) 注：不知道选的就选Centos系统 版本7-8之间都可以 然后购买，支付宝扫码付款(服务器购买成功了) ## 2.重置服务器密码 进入阿里云首页----
阿里云服务器配置
阿里云服务器 win-server 本地系统：win10 购买阿里云服务器，会得到初始远程连接密码，后面可以进行修改 查看IP地址（公网IP地址） 点击更多可以进行密码重置等可重置远程连接密码，以及实例密码（服务器密码） 进入安全组可以修改配置，系统会初始创建3个规则 创建新的安全规则 授权对象默认0.0.0.0/0 远程连接win-server...
阿里云服务器初始化过程简记
原来的阿里云服务器实例过期了没续费，最近又重新买了三年的（最低配，用于学习）。 NRatel发现，原来做过一次的事情，现在又要查着做。 既然这样，不如从头到尾将整个过程记录一次，避免下次又“重蹈覆辙”。 一、创建并连接 1、购买阿里云（选择硬件配置），并创建实例（选择地区、操作系统（CentOs 7.6））。 2、修改实例名，修改远程连接密码，修改root用户密码。 3、安装Xshe...
阿里云window server2012初次连接失败
在我新买了一个阿里云的服务器时，出现了一些问题，就是连接不上，问题如图我在网上找了一些方法，但是发现和我的问题并不一样，他们都是一些网络配置问题，不是修改配置文件就是一些防火墙阻止访问的问题。其实这个问题很简单，只是你的服务器初次访问，安全组端口权限不够，也就是3389端口和22端口没有权限所以无法访问（window 电脑），其他电脑可能还有一些其他的端口的需要开启。开启端口之后就可以访问了。设置...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
468
扫一扫
