linux服务初步学习

兵bing 兵bing 博客等级 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 1.4k累计阅读 1.4k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16年
关注
原创 最新推荐文章于 2026-04-15 11:15:04 发布 1.4k 阅读 AI 写同款· GEO 优化 ›
Linux入门攻坚——20、systemd、(sysvinit、upstart重温) 再一次讲到Linux系统启动流程：对于init，即系统内核加载完毕后（加载kernel和切换根文件系统）运行的第一个用户空间进程，是管理用户空间的首进程，其他用户进程都是直接或间接由此进程创建的。init 进程以守护进程的方式存在，负责组织与运行系统的相关初始化工作，让系统进入定义好的运行模式。 阅读详情

Linux的运行级别（从0～6总共七个运行级别）：

0：关机
1：单用户模式
2：多用户模式（没有NFS）
3：完全的多用户模式
4：系统未使用
5：图形界面模式
6：重启

初始化系统

初始化系统通常由内核引导程序和一系列初始化脚本组成。内核引导程序负责启动内核并加载必要的驱动程序，而初始化系统负责启动和管理各种服务和应用程序。

Linux的三个初始化系统 System V（Sys V）、Upstart、systemd。

最初Linux系统用的都是System V（Sys V），后来出现Upstart，在Ubuntu系统中替代System V（Sys V），目前Linux发行版都用systemd来替代System V（Sys V）和Upstart。

SystemV：是传统的初始化系统，也是最早的Linux初始化系统之一。它是一个基于文本的系统，使用SysVinit或Systemd作为初始化脚本的运行程序。System V主要用于较旧的Linux发行版和某些商业Linux发行版。
Upstart：是一个基于事件的初始化系统，旨在替代System V。它能够在系统启动时自动启动服务，并监视和控制服务的运行状态。Upstart通过事件来触发任务的执行，使得系统更加灵活和可靠。
systemd：是目前最流行的Linux初始化系统之一，被广泛应用于大多数现代Linux发行版中。systemd是一个基于守护进程的系统和服务管理器，提供了强大的功能和灵活性，包括自动启动服务、监控服务状态、管理用户会话等。

系统服务

System V（Sys V）

System V（Sys V）系统用到两个命令管理服务 service和chkconfig，服务脚本在/etc/init.d/目录下

systemd

systemd则使用systemctl命令来管理服务，服务脚本在/usr/lib/systemd/system/目录下，系统执行过程中所产生的服务脚本在/run/systemd/system/目录下，这些脚本的优先级要比/usr/lib/systemd/system/高，管理员根据主机系统的需求所创建的执行脚本在/etc/systemd/system/目录下，执行优先级比/run/systemd/system/高。
/etc/systemd/system/目录下的相关配置，决定系统了会不会执行某些服务，所以该目录下面一般放着一大堆链接文件。而/usr/lib/systemd/system/下，则放着实际执行的systemd启动脚本配置文件。因此如果你想要修改某个服务启动的设置，应该去/usr/lib/systemd/system/下面修改。/etc/systemd/system/仅是链接到正确的执行脚本配置文件而已。所以想要看执行脚本设置，应该就得要到/usr/lib/systemd/system/去查阅。

常用命令对比

命令描述System V（Sys V）系统命令systemd系统命令
使某服务自动启动chkconfig --level 3 服务名 onsystemctl enable 服务名.service
使某服务不自动启动chkconfig --level 3 服务名 offsystemctl disable 服务名.service
检查服务状态service 服务名 statussystemctl status 服务名.service （服务详细信息） systemctl is-active 服务名.service （仅显示是否 Active)
显示所有已启动的服务chkconfig --listsystemctl list-units --type=service
启动某服务service 服务名 startsystemctl start 服务名.service
停止某服务service 服务名 stopsystemctl stop 服务名.service
重启某服务service 服务名 restartsystemctl restart 服务名.service

systemctl常用命令

查看服务状态
systemctl status 服务名
检查服务的所有配置详细信息
systemctl show 服务名
查看各服务开机自启情况
systemctl list-unit-files --type=service
获取服务的依赖项列表
systemctl list-dependencies 服务名.service
按层次列出控制组
systemd-cgls
根据CPU，内存，输入和输出列出控制组
systemd-cgtop
分析每个进程在引导时花费的时间
systemd-analyze blame
列出所有可用的系统套接字
systemctl list-unit-files --type=socket

套接字的操作
systemctl start cups.socket #启动套接字
systemctl restart cups.socket #重启套接字
systemctl stop cups.socket #停止套接字
systemctl reload cups.socket #重新加载套接字
systemctl status cups.socket #查看套接字状态
systemctl is-active cups.socket
systemctl enable cups.socket
systemctl disable cups.socket

其他命令
systemctl mask 服务名.service   #禁用某个服务
systemctl unmask 服务名.service   #解除禁用某个服务
systemctl isolate multi-user.target  #将目前的操作环境改为纯文本模式，关掉图形界面
systemctl isolate graphical.target  #将目前的操作环境改为图形界面
systemctl poweroff # 系统关机
systemctl reboot  # 重新开机
systemctl suspend  # 进入暂停模式
systemctl hibernate # 进入休眠模式
systemctl rescue  # 强制进入救援模式
systemctl emergency # 强制进入紧急救援模式

systemctl命令与service命令的区别在于，systemctl命令支持systemd服务，而service命令只支持sysvinit服务。

在使用服务管理命令时，需要注意以下几点：

确定要管理的服务的名称，例如apache2、mysql等。
确定服务的启动脚本存储的位置，通常是在/etc/init.d目录下。
确定服务的配置文件存储的位置，通常是在/etc目录下。
在修改服务的配置文件时，建议先备份原始配置文件，以防止修改后引起的问题
rsyslog是Linux中一个常用的日志记录服务，它可以记录系统运行时的各种事件。看下他的配置文件在哪，日志文件在哪？？？

系统服务的配置文件

在Linux中，服务的配置文件通常存储在/etc目录下，不同的服务可能有不同的配置文件。例如，Apache Web服务器的主要配置文件是/etc/apache2/apache2.conf，而MySQL数据库服务器的主要配置文件是/etc/mysql/mysql.conf.d/mysqld.cnf，rsyslog日志记录服务的主要配置文件是/etc/rsyslog.conf，而firewalld防火墙服务的主要配置文件是/etc/firewalld/firewalld.conf。

自定义服务

System V（Sys V）

1、在/etc/init.d目录下创建脚本，脚本中写入如下内容

#!/bin/bash
# chkconfig: 345 99 10
# description: My Custom Service
case "$1" in
start)
/usr/bin/my_service
;;
stop)
killall my_service
;;
restart)
killall my_service
/usr/bin/my_service
;;
status)
ps aux | grep my_service | grep -v grep
;;
*)
echo "Usage: $0 {start|stop|restart|status}"
exit 1
;;
esac
exit 0

2、设置启动脚本的权限，使其可以执行 sudo chmod +x /etc/init.d/my_service

3、设置服务自启动 sudo chkconfig --add my_service sudo chkconfig my_service on

systemd

1、在/etc/systemd/system目录下创建houzhuiwei.service的配置文件，里面内容如下

[Unit]
Description=My Custom Service  #服务的名称
[Service]
ExecStart=/usr/bin/my_service  #服务的启动命令
Restart=always   #服务的重启方式常用的值包括always、on-failure、never
User=myuser   #服务运行的用户
WorkingDirectory=/home/myuser  #服务的工作目录
[Install]
WantedBy=multi-user.target

2、重载systemd配置文件 sudo systemctl daemon-reload

3、启动自定义服务 sudo systemctl start my_service

参考：https://zhuanlan.zhihu.com/p/398053266?utm_id=0
https://zhuanlan.zhihu.com/p/666362979

标签
#linux #学习 #服务器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
从租赁华为云服务器到远程进入Linux系统 近来开始学习Linux系统，但是本机上面的存储空间大大的不足，所以考虑了云服务器。华为云现在入门款只需要39/一年，特别适合用来学习linux系统。 1. 购买云服务器 进入华为云官网，找到新人优惠39一年。 接下来一步步按照自己需要的配置勾选，我选择的是Ubuntu20版本的。 然后购买完成后，稍等一会，就分配好服务器了，进入控制台，就可以看到。 2 远程登陆 接下来远程登陆，点击后出现两种方式，分别是CloudShell，以及VNC方式。我这里选择的是CloudShell。 这里出现了一个毛病， 阅读详情

相关推荐

Linux+shell学习记录和思维导图

由于shell和Linux学习分不开，所以干脆一起结合起来学习，顺便用思维导图工具做一个记录。 学习的关键在于对着教程敲代码。学习工具思维导图工具Xmind：以前一直用百度脑图做一些简单的记录，但是发现功能太简单，显示格局根本无法控制，所以对比用了几款思维导图工具，发现Xmind简单适用，免费而且有云保存功能，很不错。 阿里云云服务器Linux-CentOS系统:一开始想弄个有界面的，不得不吐槽

ChasonMei的博客 5744

systemV和systemd的理解

一.systemV和systemd的关系 在CentOS7(RHEL7)以后，服务从原来的由systemV管理机制升级到了systemd。 二.systemV的理解 在sysV中，所有的服务脚本都放在/etc/rc.d/init.d/中，可以使用/etc/rc.d/init.d/daemon [start|stop|restart|reload|status]方式来管理服务，默认的运行级别在/etc/inittab文件中定义，当系统以某个运行级别启动时，会运行/etc/rc.d/rcN.d/（其中N范围为0

chengziwang的博客 4868

37、Linux系统启动：SystemV与systemd的深度剖析

本文深入剖析了Linux系统启动过程中SystemV与systemd两种机制的特点和差异。SystemV以其灵活性和脚本开放性著称，但启动速度较慢；而systemd则通过并行启动和全面管理系统提升了性能与效率。文章探讨了systemd如何改变服务管理、实现配置标准化和优化日志管理，并分析了其兼容性考虑与未来发展方向。无论选择哪种启动系统，系统管理员都需要深入了解其原理与配置方法，以应对可能出现的问题。

i0j1k2l3m的博客 111

Linux根文件之SysV系统启动方式总结

20130615 1. Linux根文件系统演变 在内核初始化完成后，嵌入式Linux文件系统的启动过程主要包含以下几个步骤： l 执行/sbin/init文件 l 执行/etc/inittab文件 l 执行/etc/rcS文件 l 执行挂载虚拟文件系统脚本 l 执行创建/dev目录文件脚本 l 执行内核模块加载脚本 l 执行网络初始化脚本 l 执行应用程式启动等脚本，

7146

ABAP - Function ALV 11 - 单元格下拉框

【代码】ABAP - Function ALV 11 - 单元格下拉框。

HeathlX的博客 1812

如何适配自定义激光雷达数据到LIO-SAM：解决ring和time参数缺失问题

本文详细解析了如何将非标准激光雷达（如速腾、Livox）适配到LIO-SAM框架中，重点解决ring和time参数缺失问题。提供了从源码修改到通用适配中间件的多层级解决方案，并包含实机测试与性能调优指南，帮助开发者高效完成雷达数据适配。

weixin_42551227的博客 421

system V与systemd

system V体系发展到今天，大多数基于Linux的操作系统，使用的是System-V风格的init守护进程，换句话说，它们的启动处理由init进程管理，其管理功能在一定程度上继承了基于System V 的Unix操作系统。该守护进程根据运行级别(run level)的原则，系统的运行级别表示当前计算机的状态。system V 7个运行级别含义runlevel0: 系统停机状态，系统默认运行级别不

qinhan728的专栏 8069

小孙学变频学习笔记（二）变频器的逆变电路

本文主要介绍了变频器中逆变电路的核心器件IGBT及其应用。IGBT是一种电压控制型三端半导体开关器件，具有开关频率高、功耗低的优点，在变频器中仅使用截止和饱和导通状态。文章详细分析了IGBT的结构特性、与晶闸管的区别，以及由四个IGBT组成的直流转交流逆变电路原理。重点阐述了IGBT并联反向二极管的作用：提供电流反向通路、避免反向电压损坏器件、提高开关效率等。最后提供了相关学习参考网址供读者进一步研究。

qq_43091070的博客 1195

初步学习Linux操作系统

引子 涉及到服务部署。 Linux常用命令 1.目录相关 首先创建一个目录 [root@VM-4-3-centos package]# mkdir test [root@VM-4-3-centos package]# ll total 20 drwxr-xr-x 4 root root 4096 Oct 24 21:56 dist drwxr-xr-x 2 root root 4096 Oct 24 22:07 eat drwxr-xr-x 2 root root 4096 Sep 12 21:

qq_41797730的博客 354

季节性注意力的时间序列预测模型 SAITS 进行数据补齐 完整代码数据

季节性注意力的时间序列预测模型 SAITS 进行数据补齐 完整代码数据

1071

第10篇：Agent + 爬虫 = 全自动数据采集专家

在企业级数据采集场景中，传统爬虫的痛点已经到了无法忽视的地步：而Agent + 爬虫的组合，就是这些痛点的终极解决方案。它的核心逻辑是：把爬虫从「人工写死的固定执行脚本」，升级为「能自主分析、自主决策、自主适配、自主修复的智能采集机器人」。我们在生产环境中做过对比测试：传统爬虫开发10个网站的采集脚本需要3人天，而Agent采集机器人只需要3分钟，页面改版后的修复成本从1人天降到了0，采集任务的成功率从62%提升到了95%以上。终端执行以下命令，安装基础依赖，与前9篇环境完全兼容： 二、核心能力拆解：Age

专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。 1576

学习linux笔记

记录本人学习Linux的代码和总结。

qq_45015014的博客 399

Python赋能，洞见先机：构建基于异步爬虫与流处理的实时舆情监控系统

我们将从核心概念入手，逐步搭建一个集。.option("es.resource", "public-opinion-%s" % time.strftime("%Y-%m-%d")) \ # 按日期分索引。| 数据采集层 |----->| 消息队列层 |----->| 流处理与分析层 |----->| 存储与可视化层 |：使用Spark Streaming的状态操作或Flink的CEP库，检测更复杂的模式，如“某关键词的负面舆情在1小时内激增500%”。

2201_76125261的博客 434

初识Linux

几年前吧，具体那一年也都已记不清楚了，第一次听到Linux。只知道是一种操作系统，和Windows不一样，是命令行的（当时也不知道有XWindow。当然，命令行，即shell，才是各种Unix－Like操作系统的精粹所在）。总觉得那么整天用shell的人可思议，居然能记得那么多命令和参数。反正是很深奥的东西，不管！后来在一个生产通信硬件的公司工作，来了一个计算机的硕士生，说要给公司安装Unix的服

@天然居 879

OCS2 入门教程（一）

OCS2 是专为切换系统优化控制（ptimalontrol forwitchedystems，OCS2）定制的 C++ 工具箱。该工具箱提供以下算法的高效实现：SLQ：连续时间域约束 DDPiLQR：离散时域约束 DDPSQP：基于 HPIPM 的多重打靶算法IPM： 基于非线性内点法的多重搜索算法SLP：基于 PIPG 的顺序线性规划算法OCS2 通过增强拉格朗日法（Augmented Lagrangian）或松弛障碍法（relaxed barrier methods）处理一般路径约束。

机器人控制与仿真应用 7836

使用LSTM进行多任务学习：共享模型预测多个目标

多任务学习是一种机器学习方法，旨在通过同时学习多个相关任务来提高模型的学习效率和泛化能力。MTL的核心思想是共享模型的参数，从而在不同任务之间捕捉到共享的特征。长短期记忆网络（LSTM）是循环神经网络（RNN）的一种改进版本，专门用于解决传统RNN在处理长序列时出现的梯度消失和梯度爆炸问题。LSTM通过引入多个门控机制（输入门、遗忘门和输出门）来控制信息的流动。本文详细探讨了如何使用LSTM进行多任务学习。我们介绍了多任务学习的理论基础、LSTM的特点，以及如何构建和训练一个多任务LSTM模型。

斌擎科技 1152

linux学习笔记

这是我学习linux的第一课，做个笔记 工作中马马虎虎，只想在兴趣和游戏中寻觅快活，充其量只能获得一时的快感，绝不能尝到从心底涌出来的惊喜和快乐，但来自工作的喜悦并不像糖果那样-----放进嘴里就甜味十足，而是需要从劳苦与艰辛中渗出，因此当我们聚精会神，孜孜不倦，克服艰辛后的成就感，世上没有哪种喜悦可以类比。 更何况，人类生活中工作占据了较大的比重，如果不能从劳动中、工作中获得充实感，那么即使从别的地方找到快乐，最终我们仍然会感到空虚和缺憾。 2.3 常用命令 ec...

yanhuodanlan的博客 94

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")

PHP基于Linux的远程管理系统服务器端实现

PHP基于Linux的远程管理系统服务器端实现 去发现同类优质开源项目:https://gitcode.com/ 此仓库包含了一个PHP编写的基于Linux的远程管理系统服务器端实现。以下是该资源文件的详细介绍： 功能简介 本资源文件是一个简单的PHP脚本，它主要用于实现一个基本的远程管理系统服务器端。通过该脚本，开发者可以实现以下功能： 设定错误信息回报等级 打开输出缓冲区 使用字符串分割功能...

gitblog_06712的博客 853

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。

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

如何测试您的Linux服务器是否容易受到Log4j的攻击？(1)

本人从事网路安全工作12年，曾在2个大厂工作过，安全服务、售后服务、售前、攻防比赛、安全讲师、销售经理等职位都做过，对这个行业了解比较全面。最近遍览了各种网络安全类的文章，内容参差不齐，其中不伐有大佬倾力教学，也有各种不良机构浑水摸鱼，在收到几条私信，发现大家对一套完整的系统的网络安全从学习路线到学习资料，甚至是工具有着不小的需求。最后，我将这部分内容融会贯通成了一套282G的网络安全资料包，所有类目条理清晰，知识点层层递进，需要的小伙伴可以点击下方小卡片领取哦！

2401_84254530的博客 570

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

虚拟机Linux

<br />   学习Linux已经两个礼拜了，这段时间完成了虚拟机以及Linux的安装，初步的使用没有问题，命令行的使用也还算正常，不过问题也不少，学习到Liunx下的服务器部分时需要进行网络连接，但是这部分怎么调试也连接不上网络，问题很多，需要一个个排查，网上的相关解决方案也理不清头绪，总之，万事开头难，希望之后会好点。

troytomas的专栏 207

Linux应用实战之网络服务器（五） 登录服务器初步调试

​本文是Linux网络服务器应用实战的服务器和客户端初步调试篇，实现了客户端和服务器的初步通信，通过Web客户端可以和服务器进行简单通信，实现数据的简单收发。

cesheng3410的博客 1186

Linux服务器的初步配置流程

开发网站的时候，常常需要自己配置Linux服务器。 本文记录配置Linux服务器的初步流程，也就是系统安装完成后，下一步要做的事情。这主要是我自己的总结和备忘，如果有遗漏，欢迎大家补充。 下面的操作针对Debian/Ubuntu系统，其他Linux系统也类似，就是部分命令稍有不同。 第一步：root用户登录 首先，使用root用户登录远程主机（假定IP地址是128.199.2...

DELL851314的博客 202

初步学习Linux

Linux 是什么 vmware 虚拟机软件 Centos7 操作系统 （Linux 指的是操作系统内核） 操作系统 => 内核 + 一组配套的应用程序 （Linux实现 ： Android,ubuntu,centos,redhat 发行版） Xshell 远程终端工具 Unix : 开源运动 （理查德 => gcc、emacs） 《unix环境高级编程》 《unix...

xiaoming1999的博客 212

关于小白如何初步管理自己的云服务器

博主在刚刚接触云服务器的时候，买的云服务是Linux系统的，反正是一脸懵，后来找了很多资料。所以博主认为步骤主要为以下几步 第一步：如果买的是Linux系统将其重装成windows系统。 以腾讯云服务器为例 1.点击右上角的控制台 2.进入买的云服务器详情界面 3.在界面中点击更多，选择系统重装 在里面选择一个windows系统装就好了，（在镜像来源中点击公共镜像，里面有）； 第二步：点击登...

计蒙不吃鱼的博客 1万+

Linux初步

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、linux初步学习二、环境搭建1.修改静态ip2.修改主机名3.配置IP和hostname的映射关系5.设置window的host文件三、关闭防火墙四、两台机器SSH免密登录在这里插入图片描述 前言 提示：这里可以添加本文要记录的大概内容： 提示：以下是本篇文章正文内容，下面案例可供参考 一、linux初步学习 为接下来hadoop的学习及环境搭建奠定基础。 二、环境搭建 1.修改静态ip [root@haney ha.

qq_47302320的博客 2088

2024年连接Linux服务器以及Linux搭建深度学习环境

注：PyCharm版本必须是专业版，PyCharm连接服务器可以实现在本地电脑的PyCharm软件上跑服务器上的代码程序，同时实现同步更新，即更新本地电脑上的代码时，服务器上的代码自动同步更改。在PyCharm上新建一个test.py文件，再随便写一点代码，再点键盘上的Ctrl+S保存，可以看到服务器对应路径下一样的文件。进入SSH Configurations后，先点击左上角的“+”号，在填写自己服务器的信息，最后测试连接无问题就可以点击OK了。在后续的要求输入信息时，输入回车键或者yes直至完成安装。

weixin_43946736的博客 1944
上一篇： Linux安装应用程序的几种方式
下一篇： iptables
点赞 28
评论 0
书签 书签 20
兵bing
兵bing
博客等级 码龄16年 144粉丝 59原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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