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
109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
crond 服务sudo systemctl status crond # 检查状态
sudo systemctl start crond # 如果未运行，启动并设置开机自启
sudo systemctl enable crond
crontab -l #查看
crontab -e #编辑修改
sudo tail -f /var/log/cron #查看最近的定时任务日志
<Location />
Require ip **.**.**.**
</Location>
加了Require ip 127.0.0.1以及 ssl.conf 后，403 forbidden->404 not found
查看新增的rag.conf文件
DocumentRoot 文件目录错误 且
<Location /> <Directory >双重限制，逻辑混乱
改正后curl 运行正常
部署LAMP环境（Alibaba Cloud Linux）php最新下载源
了解基本信息：Alibaba Cloud Linux全面兼容RHEL/CentOS生态，这意味着CentOS中的大多数软件无需或仅需少量改造即可在Alibaba Cloud Linux中运行。
KingbaseES在Alibaba Cloud Linux 3 的深度体验，从部署到性能实战
本文详细记录了在Alibaba Cloud Linux 3系统上通过Docker部署KingbaseES数据库的全过程，包括环境准备、镜像获取、容器部署及功能性能测试。测试结果表明，KingbaseES在表创建、数据插入、查询等基础功能上表现稳定，支持批量数据高效导入，并发处理能力良好，在500并发用户下仍能保持2.5万TPS的吞吐量。大数据量测试显示，100万条数据查询耗时5秒，创建索引后条件查询性能提升显著。文章总结了KingbaseES基于Docker的便捷部署优势、良好的功能兼容性和稳定的性能表现！
Docker安装(Alibaba Cloud Linux 3)
Docker安装(Alibaba Cloud Linux 3操作系统) 因为我购买的阿里云ECS服务器是Alibaba Cloud Linux 3操作系统，安装Docker步骤跟正常的操作系统有部分的差别，在安装步骤中也体现出来了。 Alibaba Cloud Linux 3是阿里云官方基于龙蜥社区（OpenAnolis）的龙蜥操作系统（Anolis OS）打造的第三代发行版操作系统，全面兼容RHEL/CentOS 8生态。更多信息，请参见Alibaba Cloud Linux 3。 关于Alibaba
Alibaba Cloud Linux 3 安装 Tomcat
本文详细介绍了在阿里云服务器上安装Tomcat的完整步骤。首先需要安装Java环境（JDK），提供了OpenJDK和Oracle JDK两种安装方式。然后下载Tomcat安装包并解压配置，包括设置环境变量、解决启动报错问题。接着讲解如何验证安装、开放安全组端口、配置管理用户权限，以及常用Tomcat操作命令。最后还介绍了设置Tomcat开机自启的方法。文中包含针对不同Linux系统的具体命令，并提供了常见问题的解决方案，帮助用户快速部署和配置Tomcat服务器。
Linux手动安装Alibaba_Dragonwell(OpenJDK1.8)
手动安装jdk一、安装JDK环境1 、卸载系统自带的Openjdk（可能不需要）2、从网上下载Alibaba_Dragonwell压缩包3、新建/usr/local/java文件夹：4、将下载的Alibaba_Dragonwell压缩文件解压到/usr/local/java，并重命名为jdk1.85、下载maven3.6.1并解压到/opt/apache-maven-3.6.16、修改maven的...
Alibaba Cloud Linux 3.2 系统安装配置Redis指南
Alibaba Cloud Linux 3.2系统上安装配置Redis 8.4.0的完整流程。主要内容包括：Redis的核心特性（内存存储、持久化、多样数据结构等）和常见应用场景；从下载、编译到安装Redis的具体步骤；关键配置项的修改方法（如绑定地址、保护模式、密码设置等）；以及将Redis配置为系统服务的详细操作。文章还提供了卸载Redis的方法。通过清晰的命令行示例和配置说明，帮助用户快速搭建安全可靠的Redis服务环境。
Alibaba Cloud Linux 3.x 64位 安装 Nginx
进入编译好的文件夹下 /usr/local/nginx/sbin（可执行文件所在的路径），执行 ./nginx 运行。下载完成，上传至服务器 目录 /usr/local, 解压 ： tar zxvf pcre-****.tar.gz，进入解压后的源代码文件夹，然后依次执行 configure、make 和 make install 命令。上传到服务器，/usr/local，解压到 /usr/local，命令：tar zxvf FileName.tar.gz。执行命令，让rc.local变成可执行文件。
Alibaba Cloud Linux 3.2 系统安装配置JDK指南
本文详细介绍了在Alibaba Cloud Linux 3.2系统上安装配置JDK的完整指南。主要内容包括OpenJDK与Oracle JDK的核心区别对比、通过rpm和tar.gz两种方式安装Amazon Corretto版OpenJDK的具体步骤（含环境变量配置）、卸载方法以及多版本JDK切换方案。特别提供了基于函数实现的智能JDK版本切换脚本，可自动检测系统已安装的JDK版本并支持快速切换。文中所有操作均配有详细命令和截图说明，适合开发者和系统管理员参考使用。
Alibaba Cloud Linux 3安装MySql8.0过程及配置
在Linux系统下安装软件的方式有几种：1.自己在官方网站下载对应的Linux安装文件，利用WinSCP或者Xsell这类软件通过sftp协议上传到你的Linux系统中，再通过rpm或者yum命令去装。2.在你的Linux服务器上直接下载所需要的文件然后安装，一般用wget命令。3.当前的Alibaba Cloud Linux 3，是已经继承rpm、yum、以及dnf的，你可以把这三个命令当作是linux安装和卸载的工作，或者理解成一个应用商店，你通过指定命令就可以安装你要的软件。
Alibaba Cloud Linux 3.2 系统安装配置NGINX指南
Alibaba Cloud Linux 3.2系统上安装配置Nginx的完整指南。内容涵盖Nginx的核心功能（Web服务器、反向代理、API网关）、主要优势（高性能、高稳定性）以及典型应用场景。文章提供了从编译工具安装、Nginx下载解压、配置编译选项到启动验证的完整步骤说明，特别强调了常用模块的选择和HTTPS配置方法。通过清晰的命令行示例和配置说明，帮助用户快速搭建高性能的Nginx服务器环境，适用于静态网站托管、动态网站反向代理等多种应用场景。
Alibaba Cloud Linux 3 安装 Docker 和 Docker Compose 完整指南
必须配置国内镜像源加速安装注意containerd.io的版本依赖安装后立即配置镜像加速器。
Alibaba Cloud Linux成功执行selenium、chrome-headless-shell
找到 chrome-headless-shell linux64 以及 chromedriver linux64。操作系统：Alibaba Cloud Linux 3.2104 LTS 64位 UEFI版。四、修改 Python 脚本。
基于STM32的智能火灾报警系统设计：多传感器融合与远程控制实现
本文详细介绍基于STM32单片机的智能火灾报警系统设计，采用多传感器融合技术（烟雾、温度、火焰检测）实现高精度火灾识别。系统集成远程控制与手机APP监控，通过加权决策算法降低误报率，提供多级响应策略，确保火灾预警的准确性与可靠性。
linux部署阿里云RDS MYSQL数据库定时重启
linux部署阿里云RDS数据库定时重启
通俗傻瓜式理清光栅化渲染和光线追踪渲染的原理
用通俗语言傻瓜式的讲清楚光栅渲染和光线追踪渲染的原理，方便没有相关理论基础的朋友理解入门。
SAP S/4HANA 物料分类账（ML）/实际成本核算（Actual Costing）——底表全景 & CKMLCP 执行后数据变化
插入 ML 重估凭证行项目：Dr/Cr 库存科目（期末库存调整）、Dr/Cr COGS/消耗科目（消耗重估）、Cr/Dr ML 重估抵消科目（PRY/PRV 类逻辑）also STPRS/VERPR/PEINH/LBKUM 等（但 S/4 很多“真理”在 ACDOCA）MLPP / MLPPF / MLCR / MLCRF / MLCD / CKMLMV003/004 等。Material Ledger Document（行项目明细：收货/发票价差/结算写入/重估相关）间接（PUP在CKMLCR；
Alibaba linux 3安装LAMP(4)
Alibaba linux 3默认安装php7.4，要安装8.0以上版本，需在Remi 仓库下载安装。且默认是 3，需完全禁用mirrorlist，强制使用baseurl。
【物联网】探索NE555：一款经典的集成电路（超详细）
NE555是一种集成电路，其内部结构包括比较器、RS触发器、电压比较器和输出级三个主要功能模块，外部引脚则提供了与其他电路元件进行连接的接口。NE555的设计目的是为了提供一种简单方便的定时器解决方案，它广泛应用于模拟和数字电路中。NE555作为一款经典的集成电路，具备设计简单、易于使用和稳定可靠的特点，在电子领域发展了广泛的应用。从单稳态模式到多稳态模式，再到振荡器模式，NE555可以满足不同的需求，并且可以与其他电路元件灵活组合，扩展其功能。然而，需要注意的是NE555也有一些限制。
Docker Compose 多种安装方式 （Alibaba Cloud Linux 3 环境）
Docker Compose 多种安装方式，适用于不同场景（如依赖系统包管理器、使用 Python 工具链、集成 Docker 插件等）。新环境 / 追求最新特性：优先选 Docker 官方插件（docker-compose-plugin），享受 v2 集成优势。需兼容旧脚本（依赖 docker-compose 命令）：选 二进制包安装（v2 版本兼容 v1 命令）。快速部署 / 新手用户：选 系统包管理器（dnf），操作最简单（仅需一条命令）。特定版本需求：选 手动指定版本（二进制），精确控制版本号
DSShop移动商城网店系统 反序列化RCE漏洞复现
DSShop单店铺移动商城网店系统的getCartList方法的cart参数存在php反序列化漏洞，攻击者可以通过漏洞执行任意代码，获取服务器权限。
2025年全国青少年信息素养大赛复赛真题（算法创意实践挑战赛C++初中组试卷1：带解析）（7月6日试卷）
2025年全国青少年信息素养大赛复赛真题（算法创意实践挑战赛C++初中组试卷1：带解析）（7月6日试卷）
alibaba cloud linux 3 下载、安装、登录mysql
比如我想要设定mysql的登录密码为123456，那这里就是。
4D毫米波雷达：高度信息与微多普勒效应
4D毫米波雷达：高度信息与微多普勒效应 ，人工智能，计算机视觉，大模型，AI，本文深入解析4D毫米波雷达的高度信息获取与微多普勒效应。4D毫米波雷达通过MIMO技术、垂直天线布局及相位差计算等获取高度信息，相较传统雷达更精准。微多普勒效应由目标微运动引发，可用于目标识别、分类和运动监测。文中结合自动驾驶、安防监控案例，分析技术挑战与未来趋势，如信号干扰、数据处理复杂，未来将向高精度、与其他传感器融合发展，展现出在多领域的巨大应用潜力。
ProxmoxVE8.3下导入Alibaba Cloud Linux3 qcow2镜像并使用Cloudinit进行启动
而local-lvm不支持文件目录结构，通常用于存储虚拟磁盘，用户无法直接看到具体明细。因此，建议将所有空间调整为local可见目录结构，以便于管理和访问。local支持文件目录结构，用户可以看到具体的文件夹和文件，适合存放需要直接访问文件的数据。使用lvm-thin可以实现类似于vSphere的精简置备，还可以进行快照，很方便调整空间。导入完成后，可以在PVE web界面看到未使用的磁盘，双击后点添加磁盘。编辑引导顺序，这里启用scsi0设备，并拖动到最上面，启动顺序为1。
基于YOLOv8和时序模型的异常动作检测系统
异常动作检测是计算机视觉领域的重要应用，广泛应用于智能监控、安防系统、老人看护等场景。本项目结合YOLOv8目标检测和LSTM时序模型，实现对打架、摔倒、奔跑等异常动作的实时检测，并提供了完整的Web界面。多技术融合: 结合YOLOv8目标检测和LSTM时序建模实时检测: 支持实时视频流处理和文件分析用户友好: 提供完整的Web界面可扩展性: 模块化设计便于功能扩展高性能: 包含多种优化策略。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
linux定时备份到邮箱,定时任务备份数据库并发送邮箱
定时备份数据库文件、并发送到邮箱中。使用 crontab 定时任务，执行sh脚本备份现有的数据库，并通过mutt 这个软件发送到邮箱中。上面是使用原理。 来看看操作步骤：第一、建立sh脚步，并赋予执行的权限。第二、编写sh脚本内容，保存。第三、安装mutt软件，发送邮件第四、建立crontab 定时任务。先来看第一步：vim mysql_back.shchmod a+x mysql_back...
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1271
扫一扫
