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
1.7k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
在windows11 WSL2的ubuntu 22.04中拉取镜像报错。错误为：
Error response from daemon: Get "https://registry-1.docker.io/v2/": net/http: request canceled while waiting for connection (Client.Timeout exceeded while awaiting headers)
很明显，原因是无法连接到https://registry-1.docker.io。原因有可能：
1、由于墙的原因，无法连接。
2、域名无法解析
3、虽然配置了国内镜像源，但是镜像源可能没有要拉取的镜像，所以还是会访问https://registry-1.docker.io
如果是原因1和3，那只能想办法翻墙或找一个国内可用的镜像源。如果是原因2，解决办法如下。
修改/etc/resolv.conf中的nameserver。如下图所示。
然后执行sudo systemctl restart docker
wsl配置ubuntu22.04，并配置docker
记录一下wsl2配置ubuntu22.04的过程
wsl2-ubuntu安装docker后无法拉取镜像
如上是报错全部信息, 这个实际上是因为网络不通导致的, 由于我实在公司使用, 而公司上网需要使用代理, 因此把代理加上就行了.
Windows 11 下国内快速安装 WSL Ubuntu 22.04 的三种方法（附离线包下载）
本文详细介绍了在Windows 11国内环境下快速安装WSL Ubuntu 22.04的三种高效方法，包括离线安装、镜像加速和第三方工具整合。特别针对网络受限场景，提供离线包下载和优化配置方案，帮助开发者大幅提升部署效率。
Windows10中wls2因网络问题无法拉取Docker/Podman容器镜像
本文介绍了在WSL环境下诊断和修复DNS问题的完整方案。首先通过curl测试百度连接，若超时则确认DNS问题；接着检查/etc/resolv.conf文件，确保包含8.8.8.8和114.114.114.114两个公共DNS。修复步骤包括：1)手动修改resolv.conf文件；2)创建wsl.conf防止配置被覆盖；3)重启WSL及Podman服务。最后通过再次验证百度连接和Podman登录测试网络恢复情况。该方案能有效解决WSL环境下的DNS解析问题，确保容器网络功能正常。
Windows系统安装WSL2运行Ubuntu 22.04完整指南
虚拟化技术是现代计算的重要基础，通过在单一硬件平台上创建隔离的执行环境，显著提升资源利用率。WSL2（Windows Subsystem for Linux 2）作为微软推出的轻量级虚拟化方案，直接集成在Windows内核中，提供接近原生性能的Linux运行环境。相比传统虚拟机，WSL2具有启动快速、资源占用低的特点，特别适合开发者在Windows平台使用Linux工具链。通过配置WSL2运行Ubuntu 22.04 LTS，开发者可以获得完整的Linux开发环境，同时保持与Windows系统的无缝文件交互
WSL2部署Ubuntu 22.04与Docker的深度适配指南
WSL2并非传统Linux虚拟机，而是基于Hyper-V的轻量级Linux内核实例，其核心特性在于命令行集成性与性能优化，而非完整服务器兼容性。理解其‘Linux兼容层+根文件系统’混合架构，是解决DNS异常、systemd失效、Docker启动失败等高频问题的前提。技术价值体现在开发环境无缝协同——Windows与Linux工具链可低延迟互通，尤其适合AI本地开发（如Dify、DeepSeek）、全栈调试与容器化验证。典型应用场景包括：前端localhost服务跨端调试、Python/Node.js多语言
Docker Windows拉取镜像及报错处理
Docker Desktop 官方下载地址： Install Docker Desktop on Windows问题一：如果无法选中Hyper-V 需要配置自己新建一个命名为（Hyper-V.cmd）的文件 里面代码为： 右键文件以管理员身份运行重启打开就有了问题二：装Docker报错Update the WSL kernel by running “wsl --update“ or follow instruc。。解决：打开cmd 执行 问题三：docker pull ...失败Error r
【开箱即用】从零搭建Win11/Win10下的WSL2+Ubuntu22.04+Docker+VSCode一体化开发环境
本文详细介绍了在Win11/Win10系统下从零搭建WSL2+Ubuntu22.04+Docker+VSCode一体化开发环境的完整流程。涵盖WSL2激活、Ubuntu22.04安装优化、Docker深度集成及VSCode远程开发配置，提供实用技巧和性能调优方案，帮助开发者快速搭建高效开发环境。
Error response from daemon: Get “https://registry-1.docker.io/v2/“: net/http: request canceled while
WSL2Ubuntu22.04docker v25Error response from daemon: Get “https://registry-1.docker.io/v2/”: net/http: request canceled while waiting for connection (Client.Timeout exceeded while awaiting headers)可能的原因和解决方法： 如果您需要进一步的帮助来解决这个问题，您可以尝试以下步骤： 我目前的办法1.更换国内镜像nan
WSL 2 离线部署 Ubuntu 22.04：绕过 Microsoft Store 报错 0x00000194 的 3 种方案
本文详细介绍了在WSL 2中离线部署Ubuntu 22.04的三种实战方案，帮助开发者绕过Microsoft Store报错0x00000194。从PowerShell直接下载到使用lxRunOffline工具，再到手动导入rootfs镜像，每种方案都提供了详细步骤和优缺点对比，适用于不同网络环境和企业需求。
01 ArcGIS空间分析--水文分析--利用水文分析方法提取山谷山脊线
ArcGIS空间分析的一个特别好的分析教程是汤国安老师的空间分析的内容。 实例与练习 练习1. 利用水文分析方法提取山脊、山谷线 1． 背景：山脊线、山谷线是地形特征线，它们对地形、地貌具有一定的控制作用。它们与山顶点、谷底点以及鞍部点等一起构成了地形及其起伏变化的骨架结构。因此在数字地形分析中，山脊线和山谷线以及
docker desktop拉取pull/搜索search失败，镜像源问题（不生效）
docker镜像失效
Frida实战：如何用adb快速连接网易mumu模拟器进行参数Hook（附常见CPU架构问题排查）
本文详细介绍了如何使用Frida和adb快速连接网易MuMu模拟器进行参数Hook，包括环境配置、架构适配、Frida-server部署及常见问题排查。特别针对CPU架构兼容性问题提供了实用解决方案，帮助开发者高效完成逆向调试任务。
【Windows11+WSL2+Docker（非桌面版）配置教程与常见报错解决（2025)】
Windows11配置WSL2与Docker开发环境以及常见报错的解决方案
Halcon-AOI外观缺陷检测系列
Halcon-AOI外观缺陷检测系列
飞书组织架构同步至LDAP：实现企业应用统一身份认证的实战指南
本文详细介绍了如何将飞书组织架构同步至LDAP，实现企业应用统一身份认证的实战方案。通过飞书开放平台API与LDAP服务的集成，企业可以大幅减少账号管理工作量，提升IT效率。文章涵盖技术架构设计、密码策略、详细配置步骤及自动化同步实现，特别适合需要统一认证体系的中大型企业。
全网最细 WSL2 部署教程｜Ubuntu22.04 迁移 D 盘 + 权限配置全程无踩坑
【WSL2+Ubuntu22.04迁移非系统盘完整教程】本教程针对Windows10/11用户，通过"临时安装-导出镜像-迁移部署"方案，将WSL2完整迁移至D盘，解决C盘占用问题。教程包含7大步骤：1)开启虚拟化功能；2)更新WSL内核；3)临时安装Ubuntu；4)导出镜像至D盘；5)卸载C盘系统；6)导入D盘镜像；7)配置普通用户。相比虚拟机，WSL2具备原生Linux性能、GPU加速和完美生态兼容性，是AI/开发最佳选择。教程提供详细PowerShell命令和避坑指南，实现开发环境零卡顿、零兼容性问
UFS总体介绍及FPGA开发
通过实现UFS的主控制器、设备控制器等组件，我们可以在FPGA上进行UFS开发，并实现高速数据传输和低功耗特性的存储解决方案。物理层负责传输物理信号，数据链路层提供数据包的传输和错误检测功能，传输层处理数据包的分段、重组和重传，逻辑层管理设备和主控制器之间的命令和数据传输，文件系统层负责文件管理和数据存储。在本文中，我们将介绍UFS的总体架构和特性，并探讨如何在FPGA上进行UFS开发。这些组件的实现涉及到UFS协议的具体细节和硬件平台的特性，因此需要参考UFS协议规范和FPGA开发平台的相关文档。
Windows 10/11 WSL2 完整安装与使用教程
本文详细介绍了在Windows 11系统上安装和配置WSL2的完整流程。主要内容包括：系统前置准备（开启WSL和虚拟机平台功能）、两种WSL2安装方法（命令行一键安装和微软商店安装）、首次启动Ubuntu后的基础配置（设置用户名密码和更换国内源）、WSL常用操作指南（启动关闭、文件互访等），以及VS Code连接配置和常见问题排查。教程针对Windows 11 21H2及以上版本，推荐使用WSL2+Ubuntu 22.04 LTS组合，提供了详细的命令示例和注意事项，帮助用户快速搭建Linux开发环境。
分布式训练中All-Reduce、All-Gather、Reduce-Scatter原理
Reduce-Scatter = 先对所有进程的数据做 Reduce（如 sum / mean），再把结果“切分”分发给各进程。(是 Reduce + Scatter 的融合操作。
【绝对要收藏-优秀论文范文】高项-度量绩效域
摘要：本文基于某水库数字孪生平台建设项目（2022.9-2023.5，645.97万元）的管理实践，从信息系统度量绩效域角度展开论述。项目构建了包含防洪调度等6大子系统的数字平台，实现洪水"四预"功能。重点分析了度量绩效域的五大要点：制定有效指标（如成本±8%偏差阈值）、多维数据采集、预警临界值设定、基于趋势的主动干预和持续改进机制。特别阐述了绩效问题的诊断方法，包括设备采购全周期成本分析、阶段性成本报告制度等。项目状态展示采用三维可视化看板，集成进度、成本、质量等多维度实时数据，最终实
保姆级教程：WSL2 (Ubuntu 20.04/22.04) 安装全过程与终极避坑指南
在 Windows 下使用 WSL2 (Windows Subsystem for Linux) 已经成为开发者的标配，但在实际安装过程中，由于网络代理（梯子）、系统组件损坏等原因，往往会遇到各种离奇的报错。本文记录了完整且顺滑的 WSL2 安装流程，并附带了极为罕见但致命的报错（如 14098、系统组件损坏、WSL 假死等）的终极解决方案。
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。
windows11切换安装ubuntu22.04/24.04
1）安装时黑屏：开机连续按ESC键进入BIOS，选择u盘启动，启动后进入安装界面，光标移动到"install ubuntu"，按"e"进入编辑模式，进入命令行模式,找到''quite splash''然后去掉"---"后，添加“nomodeset”（依照不同显卡进行不同显卡驱动选项的添加，我们使用的是Nvidia显卡，添加nomodeset）F10安装，开始安装。安装环境：win11专业版，64位模式，固态硬盘512G，BIOS模式：UEFI（最好是这个模式）。sudo reboot重新开机ok。
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")
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
Docker在WSL2（Ubuntu 22.04）上的安装完整教程（二）
本文讲解如何为 Docker 守护进程配置本地 HTTP 代理，以正常拉取镜像，通过 systemd 为 Docker 配置 127.0.0.1:7890 HTTP 代理，重启后验证，避免使用 SOCKS5 端口。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
Windows上构建大模型开发环境：WSL2与Ubuntu 22.04配置指南
WSL（Windows Subsystem for Linux） 是微软开发的兼容层，允许用户在 Windows 系统上原生运行 Linux 二进制可执行文件。它不是一个传统的虚拟机，而是一个高度集成到 Windows 中的子系统。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3740
扫一扫
