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
455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
CentOS7安装MySQL8.0.28_哔哩哔哩_bilibili
如何实现mysql的远程连接_lilibiu的博客-优快云博客_怎么连接远程mysql
Linux安装完mysql8.0后远程连接无法访问，开启远程连接访问权限方法_younger523的博客-优快云博客_mysql8无法远程连接
【Linux安装完mysql8.0+后开启远程连接访问权限,之后Navicate进行远程登录访问】_叼着零食打架的博客-优快云博客_linux开启远程登录mysql8权限
查看MySQL是否后台运行。
ps -ef|grep mysql输入密码
mysql -u root -p显示数据库
show databases;使用数据库
use bikefit;显示数据表
show tables;查询表信息
SELECT * FROM 表名;数据库/redis/Centos7 安装 redis 6.md · 努力就是魅力/it-note - Gitee.com
配置jdk Java运行环境
Android11，无障碍服务模拟多手势使用dispatchGesture时总是onCancelled
AccessibilityService的dispatchGesture去模拟多手势，总是onCancelled的一种解决办法
mysql启动和redis 启动注意事项
前段时间开发服务器，出现宕机现象（具体原因还不知道。） 这样就导致redis和mysql 这两项服务没有启动。（按理来说是要，跟随服务器开机而重启的，历史原因没有进行这样的设置） 按理来说只是一个重启，网上一搜一大把，为啥还要着重记一下呢？不急！！肯定是因为遇到坑，才会这样干的。 首先重申一下：在进行交接的过程中千万要把服务器 环境相关的信息以文档的方式保留起来，至于记录那些信息我这边可以列
Zemax非序列模式新手入门：从零搭建一个抛物面反射镜系统（含灯丝光源与探测器设置）
本文详细介绍了如何在Zemax非序列模式下从零搭建抛物面反射镜系统，包括灯丝光源配置、反射镜建模和探测器设置等关键步骤。通过实战指南，帮助光学设计新手快速掌握非序列模式的应用技巧，特别适合处理复杂光线传播场景如反射镜系统和杂散光分析。
MYSQL-redis 数据库自启动bug
描述：mysql版本5.0 navicat版本15.0 由5.0更换8.0相比较下5.0需要自己简单调试一下服务自启动 8.0就不需要 安装好直接就是自启动 一、2003-can‘t connect to MYSQL server on ‘localhost’（10061“Unknown error”） 再次连接MySQL 即可 二、Connection is being used 最优 ：将密码删除 重新输入一次密码即可 三、redis服务自启动..
避坑指南：在Ubuntu 20.04上从零部署IS-Fusion环境（含CUDA 11.1和PyTorch 1.10.1配置）
本文提供了在Ubuntu 20.04系统上从零部署IS-Fusion 3D目标检测环境的详细避坑指南。内容涵盖CUDA 11.1、PyTorch 1.10.1、spconv等核心组件的精确版本安装与兼容性配置，并指导如何准备nuScenes数据集及启动模型训练，旨在帮助研究者和开发者高效搭建稳定的多模态融合算法开发环境。
PLC作为Modbus TCP客户端
PLC作为Modbus TCP客户端，Modbus Slave作为服务器
mysql的连接以及redis服务的停止和启动
p为密码，如果设置了密码，可直接在-p后链接输入，如：-p123456，用户没有设置密码，显示Enter password时，直接回车即可。通过redis-cli.exe命令默认连接的是本地的redis服务，并且使用默认6379端口。等，可以-p后面不直接输入密码，回车后，手动在Enter password：后面输入密码。win+R，输入cmd，打开cmd窗口，进入到 mysql bin目录的路径下。重启Redis后，再次连接Redis时，需加上密码，否则连接失败。第一步：启动mysql服务，可以通过“
优刻得首个「国产千卡智算集群」落地，支持智源千亿大模型训练
在人工智能引领的时代浪潮中，算力已成为技术进步与创新的核心驱动力。面对当下AI算力需求的飙升、高端AI芯片供应受限的挑战，加之OpenAI带来的技术封锁，唯有坚定不移的发展自主可控的国产技术方案，持续壮大国产智算集群规模，才能一路突破围追堵截，进一步促进国产大模型产业生态繁荣。集群还提供了完善高效的软件栈工具，集成多种主流的深度学习编程框架，通过测试验证，确保了对行业领先人工智能模型的高效支持，做到开箱即用，用户可快速投入模型的开发和部署，加速了其在人工智能领域的布局和发展。方面取得了显著成效。
mysql之 Redis配置与优化
一个结构化的数据库，创建在关系模型基础上 (
JavaScript - Blob / File / base64 使用场景介绍与相互转换
前言 本文首先介绍一下这三种对象使用场景，最后介绍下它们之间互转格式的解决方案。 您前端一旦涉及到文件或图片上传到服务器， 就势必离不了Blob/File/base64三种主流的类型。 Blob MDN：https://developer.mozilla.org/zh-CN/docs/Web/API/Blob 您可以观察到，像一些图片处理插件（例如有名的vue-cropper）图片裁剪插件， 它们将图片处理完毕后，都将使用blob对象返回处理好的图片，供开发者用于上传服务器。
Android 车联网——CarAudioService介绍（六）
CarAudioService 是 Android Automotive OS 中的一个重要组件，用于管理车辆中的音频功能。它是 Android Auto 的一部分，负责处理车辆音频的播放、控制和路由。CarAudioService 使用标准的 Android 组件架构，基于 Binder 通信机制，提供了一组 API，用于管理车辆音频。它包括以下主要功能：音频路由管理：CarAudioService 可以让开发者控制音频的路由，即将音频发送到不同的输出设备，例如车辆的扬声器、耳机等。
若依框架启动-第一版总结
若依的启动总结笔记
提取游戏音频文件.bnk
bnk其实是一种对音频的加密方式，一个.bnk文件中通常包含了多个语音文件，一般可以使用Wwise-Unpacker来解码.bnk格式文件该工具命名没有规律，需要手动整理文件名。市面上很多的游戏都把音频文件打成.bnk文件（比如永劫无间），用这种方式可以将你想要的游戏的音频都提取出来，本文内容仅供自己娱乐。
Linux安装 jdk，MySQL，Redis
Linux快速安装MySQL，JDK，Redis
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环境下jdk、tomcat、redis安装及配置
Linux环境下jdk、tomcat、redis安装及配置 jdk安装配置 1、下载jdk 官网下载压缩包，当然你可以直接下载rpm格式的，这样更简单一键安装。或者通过我分享的云盘链接下载。 将安装包直接拖进来就可以上传到容器中，非常方便，原生的docker提供的shell可没有提供这些功能。 2、解压 将解压后的文件夹移动到想要存放的文件夹下，我这里解压到/opt目录下 tar -zxvf jdk-8u271-linux-x64.tar.gz -C /opt/ 3、配置环境变量 配置环境变量
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。
linux部署JDK、Tomcat、MySQL、redis笔记
1. Linux操作系统部署JDK linux版本JDK上传到linux系统中的 /usr/local下 tar -xvf 解开压缩包 tar -xvf jdk-8u191-linux-i586.tar.gz 配置环境变量 进入 /etc目录中，编辑文件profile 以下代码复制到profile文件中 #set java environment JAVA_HOME=/usr/local/jdk1.8.0_191 CLASSPATH=.:$JAVA_HOME/lib.tools.ja
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
Linux上安装jdk Tomcat mysql redis
然后新建一个目录：mkdir /usr/local/mysql，并解压 tar -xvf mysql-8.0.26-1.el7.x86_64.rpm-bundle.tar -C /usr/local/mysql。关闭8080指定端口：firewall-cmd --zone=public --remove-port=8080/tcp --permanent。tar -zxvf jdk-8u361-linux-x64.tar.gz -C /usr/local 将上传的文件解压到 /usr/local目录下。
Linux环境下，安装jdk、tomcat、mysql、redis、rocketmq以及项目部署
如果你对在Linux环境下，对安装JDK、Tomcat、MySQL、Redis等有疑问，安装过程中经常出现问题，不妨看看本文，希望对你有用。
在Linux上安装Java运行环境（jdk、mysql、redis、nacos）
一、安装jdk1.8 1.在线下载jdk： wget --no-check-certificate --no-cookies --header "Cookie: oraclelicense=accept-securebackup-cookie" http://download.oracle.com/otn-pub/java/jdk/8u131-b11/d54c1d3a095b4ff2b6607d096fa80163/jdk-8u131-linux-x64.rpm 2.添加执行权限： chmod +x j
Linux上安装常用开发软件（JDK，Tomcat，Mysql,Redis）
Linux上安装常用开发软件（JDK，Tomcat，Mysql,Redis）
Linux上软件安装JDK、mysql、tomcat、redis,部署（2021.01.17）
Linux上软件安装 Linux上的软件安装有以下几种常见方式介绍 1. 二进制发布包 软件已经针对具体平台编译打包发布，只要解压，修改配置即可 2. RPM包 软件已经按照redhat的包管理工具规范RPM进行打包发布，需要获取到相应的软件RPM发布包，然后用RPM命令进行安装 3. Yum在线安装 软件已经以RPM规范打包，但发布在了网络上的一些服务器上，可用yum在线安装服务器上的rpm软件，并且会自动解决软件安装过程中的库依赖问题 4. 源码编译安装 软件以源码工程的形式发布，需要获取到源码工程后用
Linux安装jdk，tomcat，mysql，redis
1：JDK安装 1：在opt下新建jdk目录 [root@lkLinux01 opt]# mkdir jdk 2：卸载自带jdk [root@lkLinux01 opt]# rpm -qa | grep java java-1.8.0-openjdk-headless-1.8.0.181-7.b13.el7.x86_64 python-javapackages-3.4.1-11.el7.noarch javapackages-tools-3.4.1-11.el7.noarch java-1.8.0-op
Linux centos 安装 tomcat jdk mysql Apache redis
Linux常用目录 /dev 设备 /etc 系统管理和配置文件 /etc/rc.d 启动的配置文件和脚本 /home 用户管理 /lib 动态链接共享库 /sbin 超级管理命令，这里存放的是系统管理员使用的管理程序 /tmp 公共的临时文件存储点 /root 系统管理员的主目录 /mnt 用户临时挂载其他的文件系统 /lost+found 系统非正常关机而留下“无家可归”的文件（windows...
Liunx安装JDK，Nginx，MySQL，Redis，InfluxDB
(确定装在/usr/local)
linux 环境搭建其一: jdk+mysql+nginx+redis集群
jdk 卸载openjdk yum remove *openjdk* 上传jdk安装包 解压gz得到文件夹 修改环境变量 vim /etc/profile export JAVA_HOME=/usr/jdk/jdk1.8.0_181 export JRE_HOME= ${JAVA_HOME}/jre export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_...
CentOS7 配置jdk,maven,mysql,redis部署springboot2项目
1. 前言 安装上传下载lrzsz yum -y install lrzsz #上传 rz #下载 sz 文件夹 #存放临时安装包 mkdir -p /data/tmp #存放软件环境 mkdir -p /data/service 以上文件夹可自定义 2. 配置jdk oracle官网下载jdk：https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html 上传jdk压缩包并配置 上传jdk
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2102
扫一扫
