1Panel Docker 容器化部署指南:轻松管理你的 Linux 服务器

【实战经验】小白也可以轻松玩转docker部署,1Panel开源的服务器运维面板,安装和使用教程(详细) 1Panel:新一代的Linux服务器运维管理面板1Panel 是一个现代化、开源的 Linux 服务器运维管理面板。 阅读详情

今天给大家带来一篇 1Panel 开源 Linux 服务器运维管理面板 的 Docker 容器化部署教程。使用 Docker 部署 1Panel,不仅能让环境隔离更彻底,还能让迁移和备份变得超级简单。

本文会从环境准备、镜像拉取、到最终部署运行,一步步带你上车,还会用到国内加速源解决大家最头疼的网络问题。同时整合了 1Panel Docker 镜像的详细参数、版本说明及常见问题,让部署更顺畅、避坑更高效。


一、1Panel 是什么?

1Panel 是一个现代化的 Linux 服务器运维管理面板,本项目提供其 Docker 容器化部署方案,支持 V1 和 V2 两个主要版本,具备以下核心优势:

  • 🚀 一键建站:WordPress、Discuz、Typecho 等
  • 🐳 Docker 管理:可视化管理容器和镜像
  • 💾 数据备份:支持定时备份到云端
  • 🔐 安全管理:防火墙、SSL 证书一键配置
  • ✅ 多架构支持:兼容 amd64, arm64, armv7, ppc64le, s390x 架构,适配鲲鹏、飞腾等国产服务器
  • ✅ 自动化更新:镜像支持自动化构建和版本更新,提供中国版(CN)和国际版(Global)
  • ✅ 云原生架构:采用 Supervisor 进程管理 + 动态配置,支持环境变量灵活配置(V1 需 v1.10.34-lts+)

而通过 Docker 部署,我们可以获得即开即用、易于迁移、环境隔离的额外 buff,同时规避宿主机环境冲突问题。


二、环境准备:一键安装 Docker (推荐方案)

在部署 1Panel 之前,我们需要先装好 Docker 环境。这里强烈推荐使用 轩辕镜像的一键安装脚本,它能自动处理好 Docker、Docker Compose 的安装,并配置好国内镜像源,一步到位!

一键脚本特点:

  • ✅ 支持 13+ 种 Linux 发行版(包括 openEuler、Anolis、麒麟等国产系统)
  • ✅ 完整支持 x86_64 和 ARM 架构(鲲鹏、飞腾都能用)
  • ✅ 自动配置轩辕镜像源,拉取镜像快人一步,完美适配 1Panel 中国版镜像

执行命令:

在终端中输入以下命令并运行:

bash <(wget -qO- https://xuanyuan.cloud/docker.sh)

脚本运行后,耐心等待几分钟即可完成 Docker 环境部署。


三、镜像拉取:使用国内加速 + 镜像标签选择

由于 Docker Hub 在国内访问较慢,我们可以通过 轩辕镜像 来加速拉取(注:轩辕镜像作为 Docker Hub 的镜像缓存,配置好上述一键脚本后,拉取官方镜像时会自动走加速通道)。

1Panel 目前有 V1 和 V2 两个主要版本,重要提示:V1 和 V2 无法直接跨版本升级!如需从 V1 迁移到 V2,请参考官方迁移文档: https://1panel.cn/docs/v2/installation/v1_migrate/。

1panel 轩辕镜像详情页面:https://xuanyuan.cloud/zh/r/moelin/1panel

版本说明与镜像标签选择

版本下载源状态推荐使用人群镜像标签(轩辕加速前缀:docker.xuanyuan.run/moelin/1panel)
V1国内/国际维护中已有 V1 部署、追求稳定性的用户国内版:v1.10.22(具体版本)、v1(浮动标签,最新V1);国际版:global-v1.10.22、global-v1
V2国内最新版新用户首次部署、需要最新功能的用户v2.0.6(具体版本)、v2(浮动标签)、latest(全局最新,指向V2)

标签选择建议

  • 生产环境:使用具体版本号(如 v1.10.22、v2.0.6),避免版本自动更新导致异常
  • 测试环境:使用浮动标签(如 v1、v2),方便快速获取对应版本的最新更新
  • 追求最新:使用 latest(目前指向 V2 版本)

具体拉取命令

拉取 V2 版本 (推荐新用户)

V2 是最新版本,功能更强,架构更优,支持环境变量动态配置、数据目录映射,首次启动自动配置,无需手动初始化:

docker pull docker.xuanyuan.run/moelin/1panel:v2
拉取 V1 版本 (老用户维护)

V1 版本稳定,适合已有 V1 部署的用户,注意:v1.10.34-lts 及以后版本才支持环境变量配置:

docker pull docker.xuanyuan.run/moelin/1panel:v1
拉取国际版 (需外网环境)
docker pull docker.xuanyuan.run/moelin/1panel:global-v1

四、开始部署:V2 版本 (新用户首选)

我们先从最新的 V2 版本开始。这里提供 Docker 命令直接运行 和 Docker Compose 两种方式,大家可以任选其一。V2 版本支持通过环境变量灵活配置,首次启动若未设置密码,会自动生成随机密码(可通过日志查看)。

方式一:使用 docker run 命令 (快速上手)

复制以下命令,你可以根据需要修改环境变量(如端口、密码、安全入口等):

docker run -d \
  --name 1panel-v2 \
  --restart always \
  --network host \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /opt:/opt \
  -e TZ=Asia/Shanghai \
  -e PORT=10086 \
  -e USERNAME=admin \
  -e PASSWORD=your_secure_password \
  -e ENTRANCE=myentrance \
  -e BASE_DIR=/opt \
  docker.xuanyuan.run/moelin/1panel:v2
关键优化说明:
  • --restart always:容器异常退出或 Docker 重启后自动拉起,保障面板持续运行
  • --network host:使用宿主机网络,避免端口映射冲突,简化配置
  • -v /var/run/docker.sock:/var/run/docker.sock:映射 Docker 守护进程,实现面板对 Docker 的可视化管理
  • -v /opt:/opt:数据卷持久化,结合 BASE_DIR 环境变量,避免容器删除后配置、数据丢失
  • -e TZ=Asia/Shanghai:设置时区为中国标准时间,确保日志和定时任务时间正确

环境变量配置详情(V2 版本)

变量名默认值说明
PORT10086面板访问端口
USERNAME1panel管理员用户名
PASSWORD1panel_password管理员密码,未设置或使用默认值时,首次启动会自动生成随机密码(日志中查看)
ENTRANCEentrance安全入口路径,访问地址格式:http://IP:端口/入口路径
BASE_DIR/opt数据存储目录,需与挂载目录保持一致
TZAsia/Shanghai时区设置
RESETfalse设为 true 可强制重置面板配置

方式二:使用 docker-compose (推荐)

使用 Compose 更方便管理和维护,可直接固化配置,后续启动、停止更便捷,还可添加标签便于识别。

创建一个 docker-compose.yml 文件:

version: '3'
services:
  1panel-v2:
    container_name: 1panel-v2
    restart: always
    network_mode: "host"
    volumes:
      - /var/run/docker.sock:/var/run/docker.sock
      - /opt:/opt
    environment:
      - TZ=Asia/Shanghai
      - PORT=10086
      - USERNAME=admin
      - PASSWORD=your_secure_password
      - ENTRANCE=myentrance
      - BASE_DIR=/opt
    image: docker.xuanyuan.run/moelin/1panel:v2
    labels:
      createdBy: "Apps"

启动服务:

docker-compose up -d

五、老用户专区:V1 版本部署

如果你是 V1 的老用户,或者出于稳定考虑想使用 V1,部署步骤如下。重要注意事项:V1 版本禁止点击面板右下角更新按钮,应通过拉取新镜像并重新部署来更新;仅 v1.10.34-lts 及以后版本支持环境变量配置。

V1 版本默认配置

  • 端口:10086
  • 账户:1panel
  • 密码:1panel_password(首次启动可自动生成随机密码,日志中查看)
  • 入口:entrance
  • 支持架构:amd64, arm64, armv7, ppc64le, s390x

Docker Run 命令

中国版 (CN) - 基础安装(无自定义配置)
docker run -d \
  --name 1panel \
  --restart always \
  --network host \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /var/lib/docker/volumes:/var/lib/docker/volumes \
  -v /opt:/opt \
  -v /root:/root \
  -e TZ=Asia/Shanghai \
  docker.xuanyuan.run/moelin/1panel:v1
中国版 (CN) - 自定义配置(v1.10.34-lts+)
docker run -d \
  --name 1panel \
  --restart always \
  --network host \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /var/lib/docker/volumes:/var/lib/docker/volumes \
  -v /opt:/opt \
  -v /root:/root \
  -e TZ=Asia/Shanghai \
  -e PORT=10086 \
  -e USERNAME=admin \
  -e PASSWORD=your_secure_password \
  -e ENTRANCE=myentrance \
  -e BASE_DIR=/opt \
  docker.xuanyuan.run/moelin/1panel:v1
国际版 (Global) - 基础安装
docker run -d \
  --name 1panel-global \
  --restart always \
  --network host \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /var/lib/docker/volumes:/var/lib/docker/volumes \
  -v /opt:/opt \
  -v /root:/root \
  -e TZ=Asia/Shanghai \
  docker.xuanyuan.run/moelin/1panel:global-v1

Docker Compose 安装

基础配置

创建 docker-compose.yml:

version: '3'
services:
  1panel:
    container_name: 1panel
    restart: always
    network_mode: "host"
    volumes:
      - /var/run/docker.sock:/var/run/docker.sock
      - /var/lib/docker/volumes:/var/lib/docker/volumes
      - /opt:/opt
      - /root:/root
    environment:
      - TZ=Asia/Shanghai
    image: docker.xuanyuan.run/moelin/1panel:v1
    labels:
      createdBy: "Apps"
自定义配置 (v1.10.34-lts+)
version: '3'
services:
  1panel:
    container_name: 1panel
    restart: always
    network_mode: "host"
    volumes:
      - /var/run/docker.sock:/var/run/docker.sock
      - /var/lib/docker/volumes:/var/lib/docker/volumes
      - /opt:/opt
      - /root:/root
    environment:
      - TZ=Asia/Shanghai
      - PORT=10086
      - USERNAME=admin
      - PASSWORD=your_secure_password
      - ENTRANCE=myentrance
      - BASE_DIR=/opt
    image: docker.xuanyuan.run/moelin/1panel:v1
    labels:
      createdBy: "Apps"

启动服务:

docker-compose up -d

修改面板显示版本(可选)

自 2023-09-19 起,镜像已支持自动修改面板显示版本,无需手动操作;如需手动修改,步骤如下:

  1. 安装 SQLite3
# Debian/Ubuntu
apt-get update && apt-get install sqlite3 -y

# RedHat/CentOS
yum install sqlite -y
  1. 修改版本信息
# 备份数据库
cp /opt/1panel/db/1Panel.db /opt/1panel/db/1Panel.db.bak

# 打开数据库
sqlite3 /opt/1panel/db/1Panel.db

# 修改版本 (替换 v1.10.22 为实际版本)
UPDATE settings SET value = 'v1.10.22' WHERE key = 'SystemVersion';

# 退出
.exit

# 重启容器
docker restart 1panel

六、常用操作与维护

1. 查看面板信息与日志

如果你忘记了端口、入口或自动生成的密码,可以通过日志查看,支持实时查看日志排查问题:

# V2 查看日志
docker logs 1panel-v2
# V2 实时查看日志
docker logs -f 1panel-v2

# V1 查看日志
docker logs 1panel
# V1 实时查看日志
docker logs -f 1panel

2. 在容器内使用 1pctl 命令行工具

如果需要执行 1Panel 的命令行工具(如查看版本、执行运维操作),步骤如下:

# 进入容器(V2)
docker exec -it 1panel-v2 bash
# 进入容器(V1)
docker exec -it 1panel bash

# 执行命令 (例如查看版本)
1pctl version

3. 镜像更新(避免面板内更新)

无论是 V1 还是 V2 版本,均不建议在面板内点击更新按钮,正确的更新方式为:

  1. 拉取最新镜像(对应版本标签)
  2. 停止并删除旧容器
  3. 使用原配置命令重新启动新容器(确保数据卷挂载正确,避免数据丢失)

七、常见问题 (FAQ)

Q1: V1 和 V2 怎么选?我能直接升级吗?

  • 新用户:无脑选 V2,功能更强、架构更优,支持更多便捷配置。
  • 老用户:建议继续用 V1 稳定运行,无需强行迁移。
  • ⚠️ 重要:V1 和 V2 无法直接跨版本升级。如果一定要迁移,需要先把 Docker 版的 1Panel 用迁移脚本转到宿主机运行,升级后再转回来。

Q2: 如何从 V1 迁移到 V2?

具体迁移步骤如下(Docker 运行模式专用):

  1. 使用迁移脚本将 1Panel 从 Docker 运行模式切换到宿主机运行模式(国内推荐使用 jsDelivr 源,任选其一):
# GitHub 源
wget -O 1panel_docker_to_sys.sh https://raw.githubusercontent.com/okxlin/ToolScript/refs/heads/main/1Panel/1panel-execution-mode/1panel_docker_to_sys.sh
# jsDelivr 源(国内加速)
wget -O 1panel_docker_to_sys.sh https://cdn.jsdelivr.net/gh/okxlin/ToolScript@main/1Panel/1panel-execution-mode/1panel_docker_to_sys.sh
wget -O 1panel_docker_to_sys.sh https://testingcf.jsdelivr.net/gh/okxlin/ToolScript@main/1Panel/1panel-execution-mode/1panel_docker_to_sys.sh
wget -O 1panel_docker_to_sys.sh https://quantil.jsdelivr.net/gh/okxlin/ToolScript@main/1Panel/1panel-execution-mode/1panel_docker_to_sys.sh
# 下载完成后,添加执行权限并运行
chmod +x 1panel_docker_to_sys.sh && bash 1panel_docker_to_sys.sh
  1. 使用官方升级工具将 V1 升级到 V2,参考官方文档: https://1panel.cn/docs/v2/installation/v1_migrate/

  2. 升级完成后,如需切换回 Docker 运行模式,可重新使用迁移脚本切换。

Q3: 面板启动了但访问不了?

  • 检查防火墙是否放行了你设置的端口(默认 10086)。
  • 如果是云服务器,检查安全组规则,确保对应端口对外开放。
  • 检查容器是否正常运行(docker ps),若未运行,查看日志排查异常(docker logs 容器名)。

Q4: 容器内如何执行 1pctl 命令?

# 进入容器(V2)
docker exec -it 1panel-v2 bash
# 进入容器(V1)
docker exec -it 1panel bash

# 执行命令 (例如查看版本)
1pctl version

Q5: 忘记管理员密码怎么办?

  • 若未设置自定义密码,首次启动的随机密码可通过容器日志查看(docker logs 容器名)。
  • 若已设置密码,可通过重新启动容器,添加 -e RESET=true 环境变量,强制重置配置(会清空原有配置,谨慎使用)。

八、总结

通过 Docker 部署 1Panel,我们可以在几分钟内获得一个功能强大的服务器管理面板。配合轩辕镜像的一键脚本,无论是国产服务器架构还是国内网络环境,都能实现快速部署、稳定运行。

本文整合了 1Panel 两个版本的详细部署步骤、镜像标签选择、环境变量配置及常见问题解决方案,覆盖新老用户需求,助力大家避坑高效运维。


  • 1Panel 官方文档: https://1panel.cn
  • 1Panel V1 迁移到 V2 官方文档: https://1panel.cn/docs/v2/installation/v1_migrate/
体验感极好,docker爱好者福音,1Panel服务器运维管理面板使用引导功能介绍 1Panel是一个用于 Linux 服务器运维管理的面板,是一个管理和监控服务器的开源工具,它提供了一个用户友好的 Web图形化界面,它简化了服务器管理和监控的过程,将应用跑在docker里,对于docker爱好者可谓福音,为系统管理员和运维人员提供了更好的工作体验。无论是个人项目还是企业应用,1Panel 都可以帮助你更高效地管理和监控服务器。这里就可以看见该设备的系统信息、cpu和内存波动状态注意:首次登录成功,后面就直接使用IP+端口就登录,有条件的还可以在阿里云购买个域名,更方便记。 阅读详情

相关推荐

@1Panel 全面指南:从部署到高阶使用

1Panel 是一个现代化、开源的 Linux 服务器运维管理面板,旨在通过直观的 Web 界面简化服务器管理工作。它采用容器化部署方式,集成了网站管理、数据库、监控、防火墙等多项功能,帮助用户高效管理 Linux 服务器。1Panel 作为一个现代化、开源的 Linux 服务器运维管理面板,大大降低了 Linux 服务器管理的难度。通过本文提供的详细 SOP 文档,您可以顺利完成 1Panel 的部署、配置和使用,有效提高服务器管理效率。

欢迎光临本栈——“码栈仙”,一个架构师的脑洞收容所。 这里不生产代码,只做bug的搬运工。 1250

1panel可视化Docker面板安装与使用

虚拟机centos已经安装好docker和 Docker Compose 或者都没安装 1panel会帮你自动安装提示:这里对文章进行总结:例如:以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

qq_55648724的博客 6723

1Panel助力幻兽帕鲁(Palworld)私有服务器:Docker版一键部署与可视化配置指南

本文详细介绍了如何使用1Panel面板,通过Docker一键部署并可视化配置《幻兽帕鲁》私有服务器。该方案将复杂的命令行操作简化为网页点选,半小时内即可完成从服务器准备、应用商店部署到游戏参数图形化调整的全过程,极大降低了技术门槛,是搭建稳定可控私服的理想选择。

pepsi的博客 1111

【Docker】部署服务器运维管理面板1Panel

1Panel 是一个现代化、开源的 Linux 服务器运维管理面板。官网地址:https://1panel.cn/官方文档:https://1panel.cn/docs/UI展示。

時光的博客 2707

Docker:安装 1Panel 服务器运维管理的技术指南

1Panel是一款现代化开源Linux服务器管理面板,提供Web端便捷运维解决方案。其核心优势包括:1)简单易用的可视化界面,支持应用管理、主机监控等综合运维功能;2)深度集成WordPress/Halo等应用,实现一键建站与SSL配置;3)提供应用商店和容器管理模块,支持Docker等容器化部署;4)注重安全性,具备防火墙、安全审计及备份恢复功能。安装过程简单,通过脚本快速部署,支持主流Linux发行版。

木头 1万+

AWS-解析mysql binlog同步数据方案

虽然是公有云的鼻祖,AWS在某些产品的实现却太不给力;可能是习惯了阿里云喂到嘴边的感觉,AWS很多方案需要自己折腾,蛋疼!比如这里要讲的mysql数据同步方案。 阿里云产品DTS,点几下就OK了,AWS,只能通过插件安装、配置、调试、蹚坑……,具体就是用msk的debezium插件连接器。没见识过的一脸懵逼,下面说下配置步骤和一些注意的坑。

sdmei 1407

1Panel 运维面板实战:云服务器与 Docker 应用的图形化管理,小白也能轻松上手

1Panel 是新一代的 Linux 服务器运维管理面板,通过 Web 图形界面即可完成主机监控、文件管理、数据库管理、容器管理、应用安装与备份恢复等操作。本指南以 [docs/md/road-map/1panel.md](https://link.gitcode.com/i/ca9bd71919e079ab9b2c7bcded596336) 为核心,结合仓库内 Docker 环境配置、Porta

gitblog_00469的博客 1155

Colab虚拟环境配置全攻略:从安装到实战应用

本文详细介绍了在Google Colab中配置Python虚拟环境的完整流程与实战技巧。通过安装Anaconda、创建独立环境、解决常见错误及结合深度学习项目应用,帮助用户有效管理依赖、避免冲突,并利用环境持久化策略提升在Colab中的开发效率与项目可复现性。

weixin_29204121的博客 340

新手入门:使用1Panel轻松搭建云服务器管理面板与Web服务

在云服务器运维领域,容器化技术正成为提升效率和保障安全的关键。Docker作为核心工具,通过容器实现应用与环境的隔离,简化了部署与管理流程。其技术价值在于提供一致性的运行环境,降低系统依赖冲突风险,并支持快速扩展与迁移。这一特性在个人博客、企业官网及开发测试等场景中尤为重要,能显著提升运维效率。本文聚焦于1Panel这一现代化Linux服务器管理面板,它深度整合Docker容器技术,为新手用户提供图形化操作界面,极大降低了在云服务器上部署与管理Web应用的门槛。通过1Panel,用户可以便捷地进行安全加固、

weixin_33726313的博客 338

Alipay 支付唤起 h5 测试

测试地址 https://recharge.apps.oppomobile.com/recharge-center/recharge/?from=message try { //唤起客户端快捷参数 var data = {"requestType":"SafePay","fromAppUrlScheme":"alipays","dataString":"h5_ro...

六桥风月IT随笔 1万+

Prompt Airlines CTF通关实战:从提示词注入到多模态攻击的AI安全攻防演练

提示词注入(Prompt Injection)是当前大语言模型(LLM)应用面临的核心安全威胁之一,其原理在于攻击者通过精心构造的用户输入,覆盖或绕过系统预设的指令,从而操控模型行为。这种攻击手法的技术价值在于揭示了AI系统在理解与执行指令时存在的逻辑边界模糊性,可能导致数据泄露、越权访问等严重风险。在应用场景上,从基础的客服对话到结合视觉识别的多模态系统,都可能成为攻击面。本文以一场名为“Prompt Airlines CTF”的实战挑战为例,深入剖析了包括指令遗忘、上下文注入、工具调用滥用及多模态提示注

aodan5477的博客 516

现代化服务器运维面板1Panel:容器化部署与管理的实践指南

容器化技术通过将应用及其依赖打包在独立的运行环境中,实现了环境隔离与一致性,其核心原理基于操作系统级虚拟化。这一技术为DevOps实践带来了革命性价值,显著提升了应用部署效率、可移植性和安全性。在服务器运维领域,容器化正成为现代化应用部署与管理的基础范式,尤其适用于网站托管、开发测试环境搭建及微服务架构等场景。本文聚焦于1Panel这一现代化服务器运维面板,它深度集成了Docker容器技术,将复杂的容器管理操作转化为直观的图形界面,让用户能够高效地进行应用部署、网站管理和数据库运维。通过1Panel,用户可

weixin_33721427的博客 349

中远麒麟堡垒机 SQL注入漏洞复现

中远麒麟堡垒机/baoleiji/api/tokens接口处存在sql注入漏洞,未经身份认证的攻击者可通过该漏洞获取数据库敏感信息及凭证,最终可能导致服务器失陷。

0xSec 2996

1Panel 2.0 开源 Linux 服务器管理面板:核心能力解析与一键快速部署指南

1Panel 是一个现代的、开源(GPLv3)的 Linux 服务器可视化运维平台,本文基于仓库中的项目总览文档([docs/README.ru.md](https://link.gitcode.com/i/90338bfdf24509f2dd85f03cdc2757d3),与根目录英文版 [README.md](https://link.gitcode.com/i/f3bdd69c4dc9f5a

gitblog_00088的博客 654

C# 固高板卡(总线型) 操作类

主要功能有:初始化,轴使能,正负方向手动移动,回0,点到点移动,等待移动完成,输入IO数据读取,输出IO控制,清除报警等功能。

StevenChen的博客 571

基于STM32、HAL库的MICRF112YMM-TR 无线收发器驱动程序设计

内部集成了 VCO、PLL、PA、LNA、混频器、滤波器等射频功能单元,极大减少了外部元件数量,降低了设计和布线难度。: 具有多种工作模式(睡眠、待机、接收、发射),待机电流极低,非常适合电池供电的物联网(IoT)设备。是 Microchip 公司生产的一款高性能、低功耗的单片 UHF ASK/FSK 收发器芯片。: 支持 ASK (幅移键控) 和 FSK (频移键控) 调制,适应不同应用需求。// 可以添加其他配置参数,如中心频率、数据速率等。智能家居(安防、遥控、传感)远程钥匙进入系统 (RKE)

corlin6688的博客 416

1Panel服务器管理面板:从零开始的完整部署指南

在Linux服务器管理的世界里,你是否曾经为复杂的命令行操作而头疼?是否希望有一个直观的可视化界面来简化日常运维工作?今天,我们将深入探讨一款革命性的工具——1Panel,它不仅能够彻底改变你的服务器管理方式,还能让你的运维效率提升数倍。 ## 为什么选择1Panel:告别传统运维痛点 传统的Linux服务器管理往往需要记忆大量命令,配置过程繁琐且容易出错。1Panel作为新一代的Linux服

gitblog_00068的博客 436

【AI面试】2026 AI Agent 应用开发|应届生简历模板 + 完整学习路线图(校招可直接复用)

很多同学学完 RAG、Agent 之后,不知道简历怎么写,项目写成 “调用大模型 API 实现聊天机器人”,投出去几乎没有面试。AI Agent 应用开发,本质还是软件开发岗位。简历要突出工程能力、踩坑优化、问题解决,不要只堆砌 AI 关键词。注意:本文针对【AI 应用开发 / Agent 应用工程师】本科校招;不适合大模型训练、微调算法岗。AI Agent 应用开发岗位,不是只会写提示词、调用 API 就可以拿到 offer。拥有传统软件工程基本功,同时懂大模型、RAG、Agent 工程落地的开发者。

十年老程序猿,AI 疯狂研究专家,前沿硬核知识分享 304

1Panel 终极安装与配置教程:快速掌握现代化Linux服务器管理

1Panel 是一款功能强大的现代化 Linux 服务器管理面板,专为简化服务器运维而生。通过直观的 Web 界面,用户可以轻松实现主机监控、文件管理、数据库操作及容器编排等核心功能,大幅提升运维效率。本文将从零开始,完整介绍1Panel的安装部署与基础配置方法。 ## 环境准备与系统要求 在开始安装之前,请确保您的服务器满足以下基本要求: - **操作系统**:支持 CentOS 7+、U

gitblog_00350的博客 596

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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

1Panel:现代化开源Linux服务器运维管理面板

1Panel 是一款现代化、开源的 Linux 服务器运维管理面板,提供可视化的 Web 界面,支持 Docker 容器管理、网站部署、SSL 证书配置等众多功能。本文详细介绍 1Panel 的功能特性和使用方法

811

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

【GitHub项目推荐--1Panel:现代化的Linux服务器管理面板】

​1Panel​ 是一个开源的、基于Web的现代化Linux服务器管理控制面板。它通过直观的用户界面和MCP服务器,让用户能够轻松管理网站、文件、容器、数据库和大型语言模型(LLMs)。1Panel旨在简化服务器运维工作,提供高效、安全、可靠的管理体验。🔗 ​GitHub地址🚀 ​核心价值​:服务器管理 · Web界面 · 容器化 · 安全可靠 · 开源免费​项目背景​:​运维简化​:降低Linux服务器管理复杂度​现代化需求​:响应现代运维工具需求​开源精神​:社区驱动的开源项目​。

j8267643的博客 1129

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

1Panel容器管理实战:Docker和容器编排的完美集成

作为新一代Linux服务器运维管理面板,1Panel提供了直观高效的容器管理功能,让Docker和容器编排变得简单易用。无论是新手用户还是有经验的开发者,都能通过1Panel的Web界面轻松管理容器生命周期、配置资源和监控状态。 ## 容器管理核心功能 1Panel的容器管理模块提供了全面的功能集,涵盖从单个容器操作到复杂的多容器应用编排。通过[agent/app/api/v2/contain...

gitblog_00134的博客 1057

1Panel:开源 Linux 服务器管理面板功能解析与快速上手指南

> 1Panel 是一个基于 Web 的现代化开源 Linux 服务器管理面板(Bahasa Melayu 版本 README 中将其定义为 "panel kawalan moden sumber terbuka berasaskan web untuk pengurusan pelayan Linux")。本指南以仓库中 [docs/README.ms.md](https://link.gitc

gitblog_00090的博客 393

1Panel实战指南:从部署建站到容器化运维与备份迁移全经验

随着业务上云与多服务器运维场景的普及,Linux服务器管理面板成为提高效率的关键工具。传统面板依赖宿主机安装环境,资源占用高、易冲突;而基于Docker容器化的方案,将应用与依赖隔离,实现按需启动、快速重建,显著降低运维复杂度。在实践中,通过面板统一管理网站、数据库、容器和备份,结合反向代理、端口规划与安全加固,能够构建稳定可控的运维链路。本文围绕1Panel这一开源面板,分享从部署、建站、数据库配置、容器编排到备份迁移的实际经验,并针对Windows 11下的运行方式与常见排错链路给出建议,帮助读者少踩坑

weixin_31412781的博客 297

1Panel 现代开源 Linux 服务器管理面板指南:核心能力、一键部署与源码架构解析

1Panel 是一款基于 Web 的现代开源 Linux 服务器管理面板(开源协议为 GPL v3)。本文以仓库内法语版介绍文档 [docs/README.fr.md](https://link.gitcode.com/i/8b862823a4ea4222ddf34e2787c42436) 为主体,结合本仓库 `agent/`、`core/`、`frontend/` 的实际源码,系统梳理它的功能定

gitblog_00903的博客 313

新手如何安装1Panel

名后下一步就要去添加域名解析了,点击你所购买的域名,进入域名的管理界面。

landonVM的博客 1028
上一篇: 飞书/钉钉/QQ 机器人一站式搞定!OpenClaw Docker 部署教程
下一篇: 踩坑必看!配置了 Docker 镜像源,为啥还在疯狂访问官方仓库?
java_logo
博客等级 码龄18年 325粉丝 240原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值