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
100+累计阅读
146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
1、查询所安装的所有rpm软件包
rpm -qa
演示
2、查询软件包信息
rpm -qi 软件包名
演示
3、查询软件包中的文件
rpm -ql 软件包名
演示
4、查询文件所属的软件包
rpm -qf 文件全路径名
演示
rpm -e RPM包的名称
演示
删除firefox
rpm -ivh RPM包全路径名称
演示
安装firefox
1、查询yum服务器是否有需要安装的软件
yum list | grep xx
yum search xxx
解决“Cannot find a valid baseurl for repo: base”问题链接
演示
2、下载安装
yum install 要下载安装的软件全称
演示
Linux——RPM、Yum 安装及yum本地安装
RPM包管理器通过建立统一的文件数据库，对在Linux系统中安装、卸载、升级的各种.rpm软件包进行详细的记录，并能够自动分析软件包之间的依赖关系，保持各应用程序在一个协调、有序的整体环境中运行。 使用RPM机制封装的软件包文件拥有约定俗成的命名格式，一般使用“软件名-软件版本-发布次数.操作系统类型.硬件架构类型 .rpm”的文件名形式，如“bash-4.1.2-15.e16_4.x86_64....
Linux笔记-rpm与yum的基本概念
rpm软件包：为了让程序的安装、升级、卸载能够便捷。 rpm包命名规范： name-Major.Minor.Realse-release.arch.rpm 其中： name：程序名称； Major：程序主版本号（程序发生框架变更时才会改变） Minor：程序次版本号（程序发生功能性变革才会改变） Release：发行号，修订号（程序进行小bug修复时，才会发生改变） release：rpm自己的发行号，仅对rpm自身修订。 arch：适用硬件平台 如：bash-4.3.2.1.ce.
Linux16 rpm包查询 卸载 安装 yum包安装
rpm包名基本格式 rpm -qa | grep xx查询安装信息 rpm -e xx卸载软件 rpm -ivh安装软件 yum list | grep xxx在yum服务器上查询软件信息 yum install xxx安装软件
【Linux 系列笔记】20 软件包 RPM 和 YUM 的指令详解（查询、安装、卸载）
RPM 包和 YUM 包1. RPM（1）介绍（2）指令2. YUM（1）介绍（2）指令 1. RPM （1）介绍 RPM 是一种用于互联网下载包的打包及安装工具，它包含在某些 Linux 发行版中，它生成具有 .RPM 扩展名的文件。RPM 是 RdeHat Package Manger（RedHat 软件包管理工具）的缩写，类似于 Windows 的 setup.exe，这一文件格式名称虽然打上了 RedHat 的标志，但理念是通用的。 Linux 发行版（suse、redhat、centos）都有采
泛微ecology9二次开发-附件上传接口实战：从表单创建到数据库存储解析
本文详细解析了泛微ecology9二次开发中的附件上传接口实战，从测试环境搭建、数据库表结构解析到接口代码实现，提供了全面的开发指南。重点介绍了文件上传的核心逻辑、常见问题排查及高级应用场景，帮助开发者高效实现附件上传功能并优化系统性能。
从XSA到Linux应用：Petalinux与Vitis的嵌入式开发全流程解析
本文详细解析了从XSA文件到Linux应用的嵌入式开发全流程，重点介绍了Petalinux与Vitis工具链的使用技巧和实战经验。通过XSA硬件描述、Petalinux工程搭建、系统镜像优化及Vitis开发配置等关键步骤，帮助开发者高效完成ZYNQ平台开发，解决常见问题并提升开发效率。
Linux操作指令笔记大全
前面的知识点（例如文件的增删改查等等）我放xmind里面。
华三模拟器实战：3分钟搞定路由器DHCP地址池配置（附常见错误排查）
本文提供华三模拟器中路由器DHCP地址池的实战配置指南。通过分步详解，帮助用户在3分钟内完成基础设置，并深入讲解多地址池、中继配置等进阶应用。文章重点剖析了DHCP服务无法工作的常见原因，提供从客户端到服务器的系统性排错方法，助力快速定位并解决地址分配失败、获取参数错误等典型问题。
Linux中RPM软件包和YUM软件仓库的介绍和使用
一. RPM软件包管理 1.1 RPM软件包介绍 1.2 RPM软件包查询 1.3 RPM软件包安装 1.4 RPM软件包卸载与升级 二. YUM软件仓库 2.1 YUM软件仓库介绍 2.2 配置YUM软件仓库 2.3 YUM软件仓库的使用
语义通信高斯信道仿真代码
【代码】语义通信高斯信道仿真代码。
华为OD机试真题 新系统-等距二进制判断(C/C++/Py/Java/Js/Go)
华为OD机试 新系统真题【等距二进制判断】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题【等距二进制判断】
linux 软件使用rpm和yum安装及管理程序 yum源
软件安装及管理程序
模型实战（16）之StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解
StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解
Linux配置yum源以及基本yum指令
"el7"表示操作系统发行版的版本."el7"表示的是centos7/redhat7. "el6"表示centos6/redhat6.阿里云开源镜像Centos5: http://mirrors.aliyun.com/repo/Centos-5.repo。阿里云开源镜像Centos6: http://mirrors.aliyun.com/repo/Centos-6.repo。阿里云开源镜像Centos7: http://mirrors.aliyun.com/repo/Centos-7.repo。
在Centos上从零开始部署并运行TinyWebServer服务器，过程记录（非常详细）
TinyWebServer是个什么项目？它是Linux下C++轻量级Web服务器，助力初学者快速实践网络编程，搭建属于自己的服务器。使用线程池+非阻塞socket+epoll(ET和LT均实现) +事件处理(Reactor和模拟Proactor均实现) 的并发模型使用状态机解析HTTP请求报文，支持解析GET和POST请求访问服务器数据库实现web端用户注册、登录功能，可以请求服务器图片和视频文件实现同步/异步日志系统，记录服务器运行状态。......
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
Linux-rpm和yum
YUM（Yellowdog Updater, Modified）是基于 RPM 包管理器的一个前端工具，广泛应用于 Red Hat 系列 Linux 发行版（如 RHEL、CentOS、Fedora）。它简化了软件包的安装、升级、删除以及依赖管理等任务。YUM 提供了一个方便的方式来管理 RPM 包，而不需要手动处理依赖关系
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
Linux软件安装中RPM与YUM 区别和联系
二进制程序，位于 /bin, /sbin, /usr/bin, /usr/sbin, /usr/local/bin, /usr/local/sbin 等目录中。库文件，位于 /lib, /usr/lib, /usr/local/lib 等目录中。Linux中库文件以 .so（动态链接库）或 .a（静态链接库）作为文件后缀名。配置文件，位于 /etc 目录中。帮助文件：手册, README, INSTALL (/usr/share/doc/)
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")
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
Linux-RPM与YUM
Linux操作系统在虚拟机VM上的安装【CentOS版本】-优快云博客Linux-(系统启动、用户管理)-优快云博客Linux-实用指令-优快云博客Linux-【组管理、权限管理、定时任务调度】-优快云博客Linux-进程管理【重点】-优快云博客。
Linux的RPM和YUM命令（rpm、yum）
Linux的RPM和YUM命令（rpm、yum）
RPM与YUM
学习
Linux笔记——rpm与yum下载软件命令介绍
本文主要介绍rpm与yum安装软件包的命令以及相关的案例演示。RPM包管理常用命令：包全名︰操作的包是没有安装的包时，使用包全名。包名︰操作已经安装的软件包时，使用包名。RPM有五种操作模式，分别为∶安装、卸载、升级、查询和验证。-a :查询所有已经安装的包以下两个附加命令用于查询安装包的信息;-i: 安装软件包;-l︰显示安装包中的所有文件被安装到哪些目录下﹔-s∶显示列出文件的状态﹔-p︰查询/验证一个软件包;-f :查询/验证文件属于的软件包;
CentOS中rpm和yum区别
RPM和YUM区别 RPM（Red-Hat Package Manager）是底层管理工具，适用于所有环境，在安装软件时只会安装指定的软件，而不会安装依赖性文件，若所安装软件无依赖性文件或依赖性文件被解决，则可以安装，否则会报错。 目标 命令 安装软件 rpm -ivh filename.rpm # -i 安装，-v显示过程，-h指定加密方式为hash 升级软件 rp...
【Linux中的rpm和yum】
rpm npm yum centos光盘解决方法
Linux里面的RPM 与 YUM
引用：尚硅谷韩老师的《尚硅谷-Linux-经典升级》 日常总结 rpm包的管理 介绍： 一种用于互联网下载包的打包及安装工具，它包含在某些Linux分发版中。它生成具有.RPM扩展名的文件。RPM是RedHat Package Manager（RedHat软件包管理工具）的缩写，类似windows的setup.exe，这一文件格式名称虽然打上了RedHat的标志，但理念是通用的。 Linu...
linux中rpm和yum的区别
1 Linux软件安装概述 安装程序的方式： 通用二进制格式：直接解压压缩文件，就可以使用。但一定要注意安装平台。 软件包管理器：如RPM。 软件包管理器的前端工具：如YUM。 源代码编译。 1.1 软件包概述 软件包的组成部分： 二进制程序，位于/bin, /sbin, /usr/bin, /usr/sbin, /usr/local/bin, /usr/local/sbin等目录中。 库文件，位于/lib, /usr/lib, /usr/local/lib等目录中。Lin...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1827
扫一扫
