Ubuntu速查（狐狸版）

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 300+累计阅读 306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 → 码龄10年

关注

原创最新推荐文章于 2026-08-28 16:38:54 发布 306 阅读 AI 写同款· GEO 优化 ›

ROS 2 Lyrical Luth：工业级长期演进的平台锚定与RMW可插拔实践 ROS 2中间件（RMW）是机器人系统实现跨平台通信与实时协同的核心抽象层，其设计原理源于DDS标准与ROS节点生命周期解耦。随着工业场景对确定性、安全认证和十年期维护的需求升级，RMW已从‘默认绑定’走向‘运行时可插拔’的技术范式——这不仅关乎Fast-DDS、Cyclone DDS等实现的切换自由度，更深层体现为ABI稳定性保障、环境变量分级控制与中间件健康自检机制。Lyrical Luth通过强制C++20/Python 3.12语言契约、Tier 1平台深度绑定（Ubuntu 26.04/RHEL 阅读详情

重置密码：passwd 用户名
增加用户：adduser 用户名
删除用户：userdel 用户名
重启（立刻）：shutdown -r now
下载：wget (web get)

安装MYSQL：sudo apt-get install mysql-server

收录于

踩坑进行时之服务器

当前文章被收录于：

踩坑进行时之服务器

9 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#ubuntu

MIT深度学习免费资源实操指南：从官网到Llama-2微调全链路深度学习作为人工智能的核心范式，其发展高度依赖前沿算法、可复现代码与硬件协同优化。State-of-the-art（SOTA）模型如Diffusion Transformer、LLaMA-2和FlashAttention-2，已不再仅存于论文，而是被系统性融入顶尖高校的教学基础设施中。MIT通过开源课程、Jupyter实验、Docker环境及论文-代码映射体系，构建了兼具学术严谨性与工程落地性的免费知识库。这类资源的价值不仅在于‘免费’，更在于其版本可控、硬件感知、调试透明——特别适合具备PyTorch基础阅读详情

相关推荐

Gemma 4B本地部署实战：普通人用RTX 3060跑通大模型的完整指南

大语言模型（LLM）本地部署正从技术极客专属走向大众实践，其核心在于平衡模型能力、硬件限制与使用体验。Gemma系列作为Google推出的轻量级开源模型，凭借分组查询注意力（GQA）和Flash Attention v2等优化设计，在消费级GPU上实现低延迟、低显存推理；而社区微调的Gemma 4B版本，以约41亿参数、Q4_K_M量化格式，成为兼顾4K上下文支持与RTX 3060/MBP M1等主流设备兼容性的‘黄金分割点’。它无需云端依赖，满足隐私敏感、离线可用、定制化强等真实需求，广泛应用于教育错题分

a4512138的专栏 487

Ubuntu命令速查

解压 tar -xzvf filename.tar.gz -C your destination directory （x：解压；z：有gzip属性；v：显示过程；f：使用档案名；C：解压目标文件夹） unzip filename.zip -d your destination directory （d：解压文件目标文件夹） ...

言午的博客 184

工业级犬种识别实战：CNN迁移学习与边缘部署全流程

图像分类是计算机视觉的基础任务，其核心在于利用卷积神经网络（CNN）从像素中提取判别性特征。基于深度学习的细粒度分类需兼顾模型容量、数据分布与部署约束，迁移学习成为工业落地的关键路径——它复用ImageNet预训练的通用视觉先验，显著缓解小样本、长尾分布与算力受限等现实瓶颈。技术价值体现在可解释性增强、推理效率提升及跨设备泛化能力，广泛应用于宠物保险、智能巡检、农业识别等场景。本文以120类犬种识别为载体，完整覆盖数据建模、ResNet50微调、CutMix增强、瓶颈头设计、Focal Loss优化及Ten

weixin_30861459的博客 466

Qwen3.5官方模型与Qwopus-GLM-18B缝合体的本质区别及部署指南

大语言模型部署中，'蒸馏'常被误读为简单压缩，实则是知识重编码过程——通过教师模型的软标签训练学生模型对不确定性与决策边界的建模能力。Qwen3.5系列为阿里原生训练模型，涵盖0.5B至32B共六档官方权重，不存在'Qwen3.5-18B'；而社区流传的'Qwen3.5蒸馏18B'实为Qwopus-GLM-18B-Merged缝合体，融合Claude Opus与GLM双教师知识，属层间知识迁移融合，非标准蒸馏。其架构不一致、量化敏感、通信开销高，显著影响推理效率与稳定性。本文聚焦模型本质辨析、硬件选型逻辑（

aigui1439的博客 377

知识蒸馏原理与实战：用教师模型指导学生模型实现高效部署

深度学习模型在移动端和边缘设备部署时，常面临算力有限、内存不足的挑战，模型压缩技术因此成为工程落地的关键环节。知识蒸馏作为一类有效的模型压缩方法，通过让轻量级学生模型模仿高性能教师模型的输出分布，将大模型的“暗知识”迁移至小模型。其核心在于利用温度系数软化概率分布，生成携带类别间相似性信息的软标签，在训练中同时拟合真实标签与教师输出，从而在保持推理效率的同时提升小模型精度。该技术广泛适用于移动端部署、边缘计算、跨架构迁移及大模型压缩等场景。文章从基础原理出发，结合PyTorch实现完整蒸馏流程，并深入探讨蒸

weixin_30628801的博客 410

YetiClaw Studio：本地化AI游戏开发虚拟团队部署与应用指南

本地化AI应用正成为降低开发成本、保障数据隐私的关键技术路径。其核心原理在于利用开源大语言模型在本地硬件上运行，通过智能体分工协作模拟专业团队工作流，从而摆脱对云端服务的持续依赖。这一架构在游戏开发领域展现出巨大技术价值，能够将创意、设计、编程、美术等环节整合为自动化流水线。YetiClaw Studio正是这一理念的工程实践，它作为一个由27个专业化AI智能体组成的虚拟开发团队，支持在Orange Pi等单板电脑或个人计算机上部署。用户可通过自然语言指令驱动整个团队协作，从创意简报到代码生成、资产审批，实

weixin_30421809的博客 319

Linux服务器入侵排查实战指南：从应急响应到系统加固

在Linux系统运维与安全领域，应急响应是保障业务连续性的核心能力。其原理在于通过系统性的痕迹分析，快速识别异常进程、网络连接与文件变更，从而定位安全事件根源。这项技术的价值在于能有效遏制攻击扩散、减少业务损失，并反向推动安全体系的完善。典型的应用场景包括服务器遭受暴力破解、Webshell植入、漏洞利用后的应急处理。本文聚焦于Linux入侵排查，详细剖析了从快速威胁评估、入侵入口溯源到后门清除的完整流程，并深入解读了进程伪装、日志分析等关键环节的对抗技巧，为运维工程师和安全人员提供了一套可操作的实战框架。

weixin_33924220的博客 339

linux指令速查器

可快速查询Linux常用指令，及指令的帮助文档。并可添加维护。

基于Ollama与树莓派Pico的离线AI故事创作器：软硬件协同实践

大语言模型（LLM）通过深度学习技术，能够理解和生成类人文本，其核心原理是基于海量数据训练的Transformer架构。这项技术的价值在于将强大的自然语言处理能力本地化、轻量化，从而在保护数据隐私、降低延迟的同时，为创意应用开辟新路径。在嵌入式开发领域，结合微控制器（如树莓派Pico）与小型显示屏（如OLED），可以构建出离线、低功耗的智能交互终端。本项目正是这一思路的典型实践，它利用Ollama工具在本地部署轻量级LLM（如Llama 3），并通过串口通信与树莓派Pico协同，实现了一个无需联网、即时生成

weixin_30629653的博客 327

从SC7A20数据手册到代码：一步步搞定加速度值读取与换算（避坑指南）

本文详细解析了SC7A20三轴加速度传感器的数据手册，从寄存器配置到原始数据读取，再到加速度值的换算方法。通过代码示例和避坑指南，帮助开发者准确实现加速度值的读取与换算，适用于嵌入式开发和运动检测应用。

weixin_26878995的博客 583

手把手教你用Wireshark抓包分析Profinet非周期通信（附实战案例）

本文详细解析了PROFINET非周期通信（RTA）的技术原理与实战应用，通过Wireshark抓包分析，揭示从PLC请求到驱动器响应的完整对话过程。涵盖实验环境搭建、关键配置步骤、典型参数访问流程及故障诊断案例，帮助工程师深入理解并优化工业网络通信性能。

Black的专栏 1048

sudo: unable to resolve host [hostname]（已解决）

在阿里云服务器上安装Java时报错

狐狸的懒窝 2万+

2 中望CAD二次开发-绘制图形（ZRX C++）

本文讲解中望CAD二次开发，关于块的概念及基本图形的绘制

cilvsuanna的博客 411

错误：RSA host key for [ip address] has changed and you have requested strict checking.（已解决）

ssh连接报错

狐狸的懒窝 1万+

YOLO26改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLO26-L !!! 最新的发文热点

Vision Clue Merge模块在Mamba - YOLO模型中同样重要，主要负责在模型的下采样过程中处理特征图，为后续的特征融合和目标检测任务提供更有效的信息。

Limiiiing的博客 472

YOLO26涨点改进| CVPR 2026 | 独家创新首发、特征融合改进篇 | 引入 LFSB 差分双维注意融合模块，通过交替特征融合与分离策略，能够精准区分目标特征，顶会助力YOLO26有效涨点

本文提出LSFB差分双维注意融合模块，用于改进YOLO26目标检测模型。该模块通过融合-分离交替策略和差分注意力机制，有效提升模型在复杂场景下的特征分离能力，特别是在处理重叠物体或反射干扰时表现优异。LSFB采用双向投影、双维注意力计算和跨流减法算子，实现特征共享与独立提取的平衡。实验表明，该模块能显著减少特征混淆，提高检测精度和鲁棒性。文章还详细介绍了模块实现的核心代码、YAML配置文件修改方法以及三种改进方案，为YOLO26模型性能提升提供了创新解决方案。

Ai缝合怪、助力小伙伴高效发论文 326

Vultr(云服务器）安装GUI图形化界面（已解决）

完成了基本工作以后可以选择快照

狐狸的懒窝 1万+

华为OD机试双机位C卷-简单的解压缩算法(C/C++/Py/Java/Js/Go)

华为OD机试(机考)双机位C卷【简单的解压缩算法】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD真题【简单的解压缩算法】。

qq_45776114的博客 474

Error: need a single repository as argument.（已解决）

原因：命令行中含有不必要的空格键。

狐狸的懒窝 1万+

Yolov5自定义图片训练测试及模型调优（详细过程）

Yolov5自定义数据训练及测试1. 图像数据获取、标注2. 数据集划分及准备3. 配置训练参数，准备训练：3.1 修改data/训练配置xxx.yaml文件：3.2 修改models模型配置xxx.yaml文件4. 开始训练5. 测试训练后的模型： 1. 图像数据获取、标注如果自定义训练自己的数据集，首先需要数据标注，至于数据来源可以是下载现有的开发数据集、拍照、爬虫等等。如果是拍照、爬虫等获取的数据图片，需要进行数据标注，这个过程可以使用工具来做，但也需要一些手动操作。。并且图片越多越好，如果

HowieXue 薛永浩的博客 10万+

YOLO26改进策略【Neck】| ICCV2025 反向卷积 Converse2D 数学逆运算提重构 + 特征域建模降伪影，提升多尺度目标检测精度

本文记录的是利用Converse2D 算子改进 YOLO26 的上采样。（Converse 2D Convolution）通过正则化最小二乘闭式解与深度化空间建模结合，实现YOLO26特征提取与上采样阶段的卷积逆运算及特征精准重构。本文利用算子，通过闭式解的非迭代计算还原卷积下采样后的原始特征，再通过可学习核与自适应正则化参数稳定逆问题求解，同时依托圆形填充与插值初始估计保留特征高频细节，对YOLO26中不同尺度检测目标的特征进行针对性重构强化、抑制卷积/转置卷积带来的伪影与信息损失干扰，在特征融合与上采样

Limiiiing的博客 653

"［用户名］ is not in the sudoers file"（已解决）

解决方法：

狐狸的懒窝 8376

Probability and Statistics - 4th edition

服务器没有完全运行程序就退出（实践中）

客户端和服务器断开导致进程关闭ssh登陆服务器，上传代码、数据集，晚上将电脑带回后第二天发现并没有按照想象中的运行完（只完成了一部分），哭哭～

狐狸的懒窝 945

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder