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
100+累计阅读
108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
1，查看内存使用：free -m
$ free -m
total used free shared buffers cached
Mem: 1504 1491 13 0 91 764
-/+ buffers/cache: 635 869
Swap: 2047 6 2041
$注意，由于linux会占用闲置内存当作cache，所以实际空闲量不是13，而是869
2, 实时监听log: tail -f
tail -300f abc.log
Kaamel白皮书：IoT设备安全隐私评估实践
明确评估的目的和预期结果。
linux常见命令的输出（一）
#1.有关进程 1.ps -l 仅查看当前终端的进程，-l显示长列表 F代表进程标识，说名这个进程的权限，若是4，代表此进程的执行权限是root S代表进程的状态 /PRI/NI代表进程的优先级 C代表cpu使用率 ps -f，-f的作用是以较为完整的格式输出 2.ps aux的输出 VSZ:该进程使用的虚拟内存量 RSS:该进程占用的固定的内存量 3.vmstat监测系统内核变化 [root...
别只刷题了！我用834分经验告诉你，华为HCIP大数据考试（H13-723）这样准备更高效
本文分享了华为HCIP大数据认证（H13-723）834分通关的高效备考经验。通过分析考试动态、题库验证技巧和章节优先级策略，帮助考生超越单纯刷题，系统化掌握核心知识点。特别强调实时流处理和离线批处理等重点章节，提供黄金90分钟临场发挥策略，助力考生一次性通过考试。
git 工作流程及常用命令
git 工作流程及常用命令
专项1.CCS代码补全与快捷键优化全攻略
本文全面解析CCS开发环境的代码补全功能与快捷键优化技巧，包括内容辅助触发机制、快捷键自定义配置、编码效率提升方法等实用内容。通过详细步骤指导开发者优化CCS配置，实现高效的代码自动补全和个性化快捷键设置，显著提升嵌入式开发效率。
保姆级教程：在寒武纪MLU370上从零部署YOLOv5（附安全帽数据集）
本文提供在寒武纪MLU370上从零部署YOLOv5的保姆级教程，涵盖环境配置、模型迁移、安全帽数据集处理、训练优化及推理部署全流程。通过实战案例展示MLU370在目标检测任务中的高效性能，适合开发者快速掌握国产AI加速卡的应用技巧。
【git常用命令以及工作中都怎么工作】
常用命令：工作流程：
NFS共享速度慢？麒麟系统性能调优5个关键参数实测对比
本文针对银河麒麟服务器系统上NFS共享速度慢的问题，通过实测对比分析了五个关键调优参数。重点探讨了rsize/wsize传输块大小、TCP/UDP协议选择、sync/async模式权衡等，并结合麒麟系统特性提供了具体的优化建议与配置示例，旨在帮助用户有效提升国产化环境下的文件共享性能。
git常用命令、企业开发标准工作流程
git常用命令、真实企业团队项目开发标准工作流程
Synopsys Sentaurus TCAD新手教程：从零开始仿真trench MOSFET（附完整代码解析）
本文提供Synopsys Sentaurus TCAD新手教程，详细讲解从零开始仿真trench MOSFET的全过程，包括环境搭建、外延生长、沟槽刻蚀、栅极形成等关键步骤，并附完整代码解析。通过实际案例帮助半导体工程师掌握Sprocess操作技巧，优化工艺参数设置，提升仿真效率。
使用自己的数据跑通mmsegmentation
使用自己的数据跑通mmsegmentation，解决以下报错:1）type object 'FileClient' has no attribute 'infer_client' 2）It is expected output_size equals to 2, but got size 3 3）训练测试结果报NAN 4）KeyError: 'MyDataset is not in the dataset registry' 5）预训练模型和加载的网络结构层名有差异,unexpected key .....
Linux工作常用命令记录
图中的十六进制不代表代码函数，代表so中的偏移量，需要借助工具转换成实际代码行数。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
git常用命令及工作流程
Git（读音为/gɪt/）是一个开源的分布式版本控制系统，可以有效、高速地处理从很小到非常大的项目版本管理。在此记录git工作流程及其常用命令提示：以下是本篇文章正文内容，下面案例可供参考。
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深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/)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")
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
工作中Linux常用命令总结
一.系统工作命令 1.echo命令 echo命令用于在终端输出字符串或者变量提取后的值。格式为echo[字符串|$变量] 类似于java中的system.out.println [root@k8s-master ~]# echo "hello world"hello world[root@k8s-master ~]# str="hello world"[root@k8s-mast...
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
Git的常用命令与工作流程
Git 常用的是以下 6 个命令：git clone、git push、git add 、git commit、git checkout、git pull。 1、创建仓库 git init # 初始化仓库 git clone # 克隆远程仓库上的项目 2、提交修改 git add # 添加文件到仓库 git status # 查看仓库当前的状态，显示有变更的文件 git diff # 比较文件的不同，即暂存区和工作区的差异 git commit # 提交暂存区到本地仓库 git reset #
apt-get工作原理及常用命令
一、什么是apt-get apt-get，是一条linux命令，适用于deb包管理式的操作系统，主要用于自动从互联网的软件仓库中搜索、安装、升级、卸载软件或操作系统。 高级包装工具（英语：Advanced Packaging Tools,简称：APT）是Debian及其衍生发行版（如：ubuntu）的软件包管理器。APT可以自动下载，配置，安装二进制或者源代码格式的软 件包，因此简化了 Un...
Git 工作原理图与常用命令速查表
一、Git 工作原理图与常用命令速查表
交换机工作原理及常用命令
①. 学习功能——数据帧经过交换机，交换机会自动学习数据帧的源mac地址②. 转发功能——数据帧经过交换机，会在mac表中查找数据帧的目的mac，查找成功，会从相应的接口转发数据③. 查询功能（泛洪）——数据帧经过交换机，会在mac表中查找数据帧的目的mac，查找失败，会从所有接口转发相同数据④. 刷新功能——交换机默认300S刷新一次mac地址表。
工作中git常用命令
记录git使用命令1.git常用命令常用新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 1.git常用命令 常用 1.git init 初始化仓库 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标
Git 工作流程、常用命令、Branch命名规范
本文主要总结记录了git 工作流程、常用命令、branch命名规范、代码冲突处理方案等。
linux 工作常用命令
ps 查看进程，常用ps -aux, ps -ef，配合 | grep kill 结束进程 常用kill -9 pid find 查找文件 常用find -name，find -size grep 搜索一个文件中的内容，常用 -n 带行号，-c 匹配次数，-i忽略大小写，-v 匹配没有的行 netstat 查看端口 常用netstat -ano ......
telnet原理_网络运维基础 交换机工作原理及常用命令
欢迎点击上方蓝字‘冠程科技’关注置顶第一时间阅读精彩文章交换机工作原理及常用命令交换机，顾名思义，是完成交换功能的仪器，其工作于网络中，用于在网络节点间传输数据。一、交换机工作原理- -简介 交换机，英文名称为“switch”，译为开关，是一种网络连接时不可缺少的设备，用于电/光信号的转发，可按照两端网络节点传输信息的需要，将所需传送的信息送至相应的路由上。常见的有以太网交换机、电话语...
Git工作流程、快速上传、常用命令
GIT概念 Git是分布式版本控制系统，没有中央服务器，每个人的电脑就是一个完整的版本库，工作的时候不需要联网了，因为版本都在自己电脑上。协同的方法是这样的：比如说自己在电脑上改了文件A，其他人也在电脑上改了文件A，这时，你们两之间只需把各自的修改推送给对方，就可以互相看到对方的修改了。Git可以直接看到更新了哪些代码和文件 1.Workspace：工作区，就是你平时存放项目代码的地方 2.Index / Stage：暂存区，用于临时存放你的改动，事实上它只是一个文件，保存即将提交到文件列表信息 3.Re
git常用命令-工作中常用
git 工作中常用命令
git 工作中常用命令 git 命令： git init : 初始化 git add . :添加所有文件 git status :查看状态 若果是第一次会提示你输入你的 邮箱 和姓名： git commit -m "这个版本修改过的一些描述" :添加到他和远程 仓库 git log : 查看远程常库有...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1317
扫一扫
