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
400+累计阅读
448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
li -1 -F 只显示当前目录的文件名和目录名,参数是阿拉伯数字1不是引文字母lls -F | grep /$ 只显示目录，或 ls -d */ls -1 -F | grep -v /$ 只显示文件ps -ef | grep a.out | grep -v grep | awk '{print $2}'pidof a.outpgrep a.outpstree -p | grep a.outvar=$(command) 推介，比如 kill -9 $(pidof a.out)pidof a.out | xargs kill -9Linux系统常用命令及程序初步
必须确定挂载点已经存在，也就是在“/mnt”下的相应子目录已经存在，一般建议在“/mnt”下新建几个如“/mnt/windows”，“/mnt/usb”的子目录，现在有些新版本的 Linux 都可自动挂载文件系统。由于 vi 在不同的模式下有不同的操作功能，因此，读者一定要时刻注意屏幕最下方的提示，分清所在的模式。用户在用 vi 编辑文件时，最初进入的为一般模式。通常，在 Linux 下“/mnt”目录是专门用于挂载不同的文件系统的，它可以在该目录下新建不同的子目录来挂载不同的设备文件系统。
Linux常用命令
Linux常用命令 1.查看目录结构命令 ls(list)功能：列出目录内容 格式：ls[参数][文件或目录] -a或--all 所有文件和目录。注意隐藏文件、特殊目录、以“.”开头的和以“..”开头的 -l 使用详细格式列表 -t 用文件和目录的更改时间排序 -r 反向排序 --help 在线帮助 常用： ls -l 列出...
深入解析Docker Overlay2磁盘空间占用问题及高效清理策略
本文深入解析了Docker Overlay2存储驱动导致磁盘空间占用的核心原因，包括镜像与容器残留、日志文件膨胀、应用层泄漏及驱动特性。提供了从全局检查到精准定位的完整排查方法，并给出了从常规清理到配置优化的多维度高效清理策略，帮助用户从根本上解决Docker磁盘空间问题。
Linux系统及常用命令
在Linux操作系统中，每当我们使用用户名登录操作系统时，Linux都会对 该用户进行认证、授权审计等操作。操作系统为了识别每个用户，会给每个用户定义一个ID，就是 UID。 用户组就相当于多个用户的容器；在Linux系统中，用户组也有一个ID，GID。 在Linux操作系统中，root的权限是最高的，相当于windows的administrator，拥有最高权限， 能执行任何命令和操作,而其他用户都是普通用户。 Linux对文件创建者（所属用户），所属用户组，其他用户都赋予不同的权限。
FortiOS路径遍历漏洞CVE-2022-41328实战复现：从环境搭建到漏洞利用全记录
本文深入解析FortiOS路径遍历漏洞CVE-2022-41328，从漏洞背景、影响范围到技术原理进行全面剖析。提供详细的漏洞复现环境搭建步骤和实战利用方法，并给出官方修复方案与临时缓解措施，帮助企业有效防御此类防火墙漏洞风险。
零基础使用Manim画傅里叶变换
0x01 准备工作 确保你的电脑中安装的有：Python（3.6以上版本，推荐3.8）、FFmpeg（在PATH环境变量中）、LaTex发行版，如果这些都有了，就可以跳过这步。 下面是安装指南： Python：Win10用户直接在微软商店搜索Python3.8安装，也可以自行百度安装方法，在开始菜单右键打开PowerShell，或者Win+R输入PowerShell打开，输入Pyhton --version，显示3.8以上。 FFmpeg：可以直接百度下载，或者用我打包好的（下载链接）。下载好后，将ff
Linux常用命令大全
目录 常用命令 目录操作 查看文件内容 创建文件或目录 删除文件或目录 移动文件或目录 复制文件或目录 修改文件或目录权限 更换软件源 常用命令 mkdir dir1 创建一个叫做 'dir1' 的目录' touch test.out 创建test.out文件 rm -rf dir1 删除一个叫做 'dir1' 的目录并同时删除其内容 mv dir1 new_dir 重命名/移动 一个目录 cp file1 dir 复制一..
【学习笔记】《基于φ-OTDR的分布式扰动传感系统定位算法研究-北交-通信与信息系统-吴》重点笔记
一、绪论 1.1 引言 光纤传感器的优点：跟电子传感器相比较，光纤传感器有诸多独特的优势：对电磁干扰免疫；具有很好的绝缘性和耐腐蚀性；灵敏度高，可测量微弱信息；可实现大范围监测和分布式传感，仅需一根传感光纤，更为经济便捷；传感光纤体积小、重量轻、可形变，适用于一些特殊应用场所；还有无需供电、耐高温、便于组网等等优点 光纤传感器的感知信号的方法：当探测光入射到光纤中时会发生散射并产生各种散射光...
《Linux程序设计》实验1 Linux常用命令
（1）帮助命令：--help、info。（2）文件系统常用命令：ls、mkdir、rmdir、mv、rm、cp、find、head、tail、wc、grep、gzip、gunzip、tar、mount、umount。（3）系统管理常用命令：useradd、passwd、kill、date。（4）网络操作常用命令：ifconfig、ifup、ifdown、ping。（5）网络安全常用命令（6）字符串显示命令echo。（1）切换到/home目录。
Kafka 入门篇（一）
初识 Kafka 什么是 Kafka Kafka 的基本术语 Kafka 的特性（设计原则） Kafka 的使用场景 Kafka 的消息队列 点对点模式的消息队列 发布-订阅模式的消息队列 Kafka 系统架构 核心 API Kafka 为何如此之快 broker 端配置 broker.id port zookeeper.connect log.dirs num.recovery.threads.per.data.dir auto.create.topics.enable topic默认配置 num.par
【YOLOv11工业级实战】15. YOLOv11海洋监测实战：珊瑚礁健康评估（水下图像增强｜机器人搭载）
摘要：本文针对珊瑚礁健康评估的海洋监测需求，基于YOLOv11提出解决方案，聚焦水下色偏、悬浮物干扰、珊瑚形态复杂三大难题。引用全球珊瑚礁监测网络（GCRMN）标准，采用CoralNet数据集，通过Jaffe-McGlamery物理模型引导增强与悬浮物去除算法，在浑浊水域（能见度<5m）实现87.3%的健康珊瑚识别率，藻类误判率低至7.2%。介绍了以BlueROV2水下机器人和Jetson AGX Orin为核心的部署方案，结合水下SLAM定位技术，实现珊瑚健康的实时评估与三维覆盖率计算。
Linux笔记（常用命令）
Linux常用命令讲解
自然语言处理：长文本场景下的关键词抽取实践
自然语言处理：长文本场景下的关键词抽取实践
Linux的常用命令
Linux的常用命令
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")
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
linux基础常用命令
Linux是目前应用最广泛的服务器操作系统，基于Unix，开源免费，由于系统的稳定性和安全性，市场占有率很高，几乎成为程序代码运行的最佳系统环境。linux不仅可以长时间的运行我们编写的程序代码，还可以安装在各种计算机硬件设备中，如手机、路由器等，Android程序最底层就是运行在linux系统上的。 一、linux的目录结构 / 下级目录结构 bin (binaries)存放二进制可执行文件 ...
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
Linux常用命令的英文全拼与来源
NULL
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
什么是Linux？Linux的优缺点有哪些？Linux常用命令及技巧
文章目录Linux介绍优点：缺点： Linux介绍 Linus开发的hobby是基于Unix系统发展而来，它将Unix中的很多数据又加以简化，使之可以适用于x86系统（当时的个人计算机系统为386和486），因此，当初发布的这个最新的系统核心就被称为Linus’s unix，简称Linux。当然，由于这个核心很像当时的Unix系统，因此也称为Unix－like系统。 这个系统特殊功能，简单说如下：...
linux常用命令_Linux 最常用命令
Linux是目前应用最广泛的服务器操作系统，基于Unix，开源免费，由于系统的稳定性和安全性，市场占有率很高，几乎成为程序代码运行的最佳系统环境。linux不仅可以长时间的运行我们编写的程序代码，还可以安装在各种计算机硬件设备中，如手机、路由器等，Android程序最底层就是运行在linux系统上的。一、Linux的目录结构/的下级目录bin (binaries)存放二进制可执行文件sbin (s...
Linux结构及常用命令
Linux常用命令
熟悉Linux常用命令
熟悉Linux常用命令一、shell二、Linux命令的分类三、Linux命令行3.1通用Linux命令行的格式3.2编辑Linux命令行的辅助操作3.3获得命令帮助的方法四、绝对路径与相对路径五、常用命令 一、shell 1、Linux系统中运行的—种特殊程序 2、在用户和内核之间充当"翻译官" 3、用户登录Linux系统时,自动加载一个Shell程序 4、Bash是Linux系统中默认使用的Shell程序 文件位于/bin/bash 二、Linux命令的分类 内部命令 外部命令 集成于
Linux常用命令全集
Linux常用命令全集 这个网页整理的很好 ： 链接： http://linux.chinaitlab.com/special/linuxcom/Index.html
linux kafka常用命令
kafka-acls.sh：用于配置和查看 Kafka 集群的鉴权信息。kafka-configs.sh：用于查看和修改 Kafka 配置。kafka-console-consumer.sh：用于从 Kafka 主题中消费消息。可以通过指定 `--whitelist参数来消费所有的 topic，使用--from-beginning参数从头开始消费，以及使用--property print.key=true参数显示 key 进行消费。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
633
扫一扫
