Mac新手必看:ElasticSearch和Kibana安装避坑指南(含密码重置技巧)

Elasticsearch入门 - Mac上Elasticsearch和Kibana的安装运行与简单使用 Elasticsearch是一个基于Apache Lucene的搜索服务器,适用于所有类型的数据,包括文本、数字、地理空间、结构化和非结构化数据,是是ELK的一个组成部分(ELK代表的是:E就是ElasticSearch,L就是Logstach,K就是kibana)。这里的模糊查询跟关系型数据库的模糊查询有较大的差异,关系型的模糊查询与上面的分词,短句查询类似,Elasticsearch的模糊查询是指查询出参数内容和实际内容的编辑距离在2以内的文档。结果查出的记录id分别为:2,5,6。 阅读详情

Mac用户高效部署ElasticSearch与Kibana全流程指南

对于刚接触ElasticSearch和Kibana的Mac用户来说,安装过程可能会遇到各种预料之外的障碍。本文将提供一套完整的解决方案,涵盖从环境准备到安全配置的全流程,特别针对Mac系统特有的权限问题和常见故障提供详细应对策略。

1. 环境准备与基础安装

在开始安装之前,我们需要确保系统满足基本运行条件。ElasticSearch基于Java开发,虽然最新版本已内置JDK,但仍需检查系统兼容性。

硬件要求建议:

  • 至少4GB可用内存(8GB以上更佳)
  • 10GB可用磁盘空间
  • macOS 10.14及以上版本

推荐使用Homebrew进行依赖管理:

# 检查是否已安装Homebrew
brew --version

# 若未安装,执行安装命令
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

对于M1/M2芯片的Mac用户,需要特别注意软件架构兼容性。ElasticSearch从7.12版本开始提供ARM原生支持,建议选择aarch64架构的安装包以获得最佳性能。

2. ElasticSearch安装与配置

2.1 下载与安装

官方推荐直接下载压缩包进行安装,避免权限问题:

# 下载最新稳定版(以8.14.0为例)
curl -O https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-8.14.0-darwin-aarch64.tar.gz

# 解压安装包
tar -xzf elasticsearch-8.14.0-darwin-aarch64.tar.gz

# 进入解压目录
cd elasticsearch-8.14.0

2.2 首次启动与安全配置

首次启动时会自动生成安全证书和初始密码:

# 启动ElasticSearch(前台运行)
./bin/elasticsearch

启动过程中控制台会输出重要安全信息,包括:

  • elastic用户的初始密码
  • Kibana注册令牌
  • HTTP CA证书指纹

务必记录这些信息,后续配置Kibana时需要用到。典型输出如下:

✅ Elasticsearch security features have been automatically configured!
✅ Authentication is enabled and cluster connections are encrypted.

ℹ️ Password for the elastic user: XXXXXXXXXXXXXXXXX
ℹ️ HTTP CA certificate SHA-256 fingerprint: XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
ℹ️ Configure Kibana to use this cluster:
• Run Kibana and click the configuration link in the terminal when Kibana starts.
• Copy the following enrollment token and paste it into Kibana in your browser:
  eyJ2ZXIiOiI4LjE0LjAiLCJhZHIiOlsiMTI3LjAuMC4xOjkyMDAiXSwiZmdyIjoiXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

2.3 常见问题解决

问题1:磁盘空间不足警告

free: 22.3gb[9.7%], shards will be relocated away from this node

解决方案:

  • 清理磁盘空间,确保至少有15%可用空间
  • 或修改config/elasticsearch.yml中的磁盘阈值设置:
cluster.routing.allocation.disk.watermark.low: 90%
cluster.routing.allocation.disk.watermark.high: 95%

问题2:文件描述符限制

max file descriptors [4096] for elasticsearch process is too low

解决方案:

  • 临时提高限制:
sudo launchctl limit maxfiles 65536 65536
ulimit -n 65536
  • 永久生效需创建/etc/sysctl.conf文件:
echo "kern.maxfiles=65536" | sudo tee -a /etc/sysctl.conf
echo "kern.maxfilesperproc=65536" | sudo tee -a /etc/sysctl.conf
sudo sysctl -w kern.maxfiles=65536
sudo sysctl -w kern.maxfilesperproc=65536

3. Kibana安装与集成

3.1 安装与启动

确保ElasticSearch保持运行状态,然后安装Kibana:

# 下载对应版本(版本号需与ES一致)
curl -O https://artifacts.elastic.co/downloads/kibana/kibana-8.14.0-darwin-aarch64.tar.gz

# 解压安装包
tar -xzf kibana-8.14.0-darwin-aarch64.tar.gz

# 进入目录并启动
cd kibana-8.14.0
./bin/kibana

启动成功后,控制台会输出访问URL(默认http://localhost:5601),同时提示需要验证码:

[info][server] Kibana is now available at http://localhost:5601/?code=XXXXXX

3.2 安全配置

首次访问Kibana需要进行安全配置:

  1. 在浏览器打开上述URL
  2. 粘贴之前记录的ElasticSearch注册令牌
  3. 使用elastic用户和初始密码登录
  4. 按照向导完成初始设置

重要提示:建议立即修改默认密码。可通过以下命令重置密码:

# 在ElasticSearch目录下执行
./bin/elasticsearch-reset-password -u elastic -i

3.3 优化配置

编辑config/kibana.yml可进行个性化配置:

server.port: 5601
server.host: "0.0.0.0"  # 允许远程访问
elasticsearch.hosts: ["https://localhost:9200"]
elasticsearch.ssl.certificateAuthorities: ["/path/to/http_ca.crt"]

4. 高级配置与维护

4.1 系统服务配置

为避免每次手动启动,可将服务设置为后台进程:

# 创建启动脚本
cat <<EOF > ~/Library/LaunchAgents/elasticsearch.plist
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>elasticsearch</string>
    <key>ProgramArguments</key>
    <array>
        <string>/path/to/elasticsearch-8.14.0/bin/elasticsearch</string>
    </array>
    <key>RunAtLoad</key>
    <true/>
    <key>StandardOutPath</key>
    <string>/tmp/elasticsearch.out</string>
    <key>StandardErrorPath</key>
    <string>/tmp/elasticsearch.err</string>
</dict>
</plist>
EOF

# 加载服务
launchctl load ~/Library/LaunchAgents/elasticsearch.plist

4.2 性能调优

对于开发环境,可适当降低资源消耗:

# config/elasticsearch.yml
indices.query.bool.max_clause_count: 1024
thread_pool.search.size: 5
thread_pool.search.queue_size: 100
bootstrap.memory_lock: false

4.3 备份策略

定期备份关键配置和数据:

# 备份ElasticSearch配置
tar -czvf es-config-backup.tar.gz elasticsearch-8.14.0/config

# 备份Kibana配置
tar -czvf kibana-config-backup.tar.gz kibana-8.14.0/config

5. 常见问题速查表

问题现象可能原因解决方案
无法连接9200端口ElasticSearch未启动/防火墙阻止检查ES进程,临时关闭防火墙 sudo ufw disable
Kibana提示"Unable to connect to Elasticsearch"网络问题/证书错误验证config/kibana.yml中的ES地址,检查证书路径
启动时报内存不足系统内存不足/JVM配置不当调整config/jvm.options中的-Xms和-Xmx参数
节点无法加入集群网络配置错误/证书不匹配检查network.host设置,验证集群名称一致性
认证失败密码错误/证书过期重置密码,更新证书

对于持续出现的问题,可查看日志获取详细信息:

# ElasticSearch日志
tail -f logs/elasticsearch.log

# Kibana日志
tail -f logs/kibana.log

通过以上步骤,大多数Mac用户应该能够顺利完成ElasticSearch和Kibana的安装配置。实际使用中,建议定期检查官方文档获取最新安全更新和功能改进。

Mac 安装ElasticSearch和Kibana详细教程 本文介绍了Elasticsearch和Kibana的安装配置流程。首先下载Elasticsearch并解压安装,通过访问localhost:9200验证安装。系统会自动生成默认用户名(elastic)和密码,可在控制台查看。接着使用elasticsearch-setup-passwords命令重置密码,并为kibana_system用户设置密码。然后安装Kibana前需确认Node.js环境,下载后启动服务,通过localhost:5601访问。最后配置Elasticsearch连接地址,使用kibana_ 阅读详情

相关推荐

mac安装elasticsearch8.x

测试是否启动成功,用上面打印出来的密码替换掉下面命令中Y+Hfk00S90PCNFuQLyDT的密码部分。这个时候localhost:9200无法访问。进入es bin目录下执行启动命令。新开命令窗口通过命令测试。

wokoone的博客 1210

一文入门Elasticsearch

一门入门elasticsearch,架构简介、核心概念、基本操作

ahtohlove的博客 3080

SRC漏洞挖掘实战:从信息搜集到逻辑漏洞的完整狩猎指南

在网络安全领域,漏洞挖掘是识别和利用系统缺陷的核心技术。其原理在于通过系统性的信息搜集、攻击面分析和漏洞验证,发现潜在的安全风险。这项技术的价值在于帮助企业提前发现安全隐患,避免数据泄露和业务中断,是构建安全防御体系的关键环节。应用场景广泛覆盖Web应用、移动端、API接口以及云服务配置等多个领域。本文聚焦于SRC(安全应急响应中心)漏洞挖掘,深入探讨如何通过深度信息搜集绘制目标资产画像,并针对文件上传漏洞、业务逻辑漏洞等高危攻击面,结合最新的绕过技巧和实战案例,提供一套从侦察到报告撰写的完整方法论。文中将

weixin_30294295的博客 383

mac安装配置ElasticSearch

ElasticSearch是一个基于Lucene的搜索服务器,提供了一个分布式的全文搜索引擎。Elasticsearch是用Java开发的,基于RESTful web接口,一个开源项目。Elasticsearch是当前流行的企业级搜索引擎,能够达到实时搜索,且稳定,可靠,快速。

sunyu7的博客 2631

模糊控制——基本原理(附MATLAB程序)

模糊化:使用隶属函数将实际输入转换为模糊集合的隶属度值。规则库:利用“如果-那么”规则将模糊输入映射到模糊输出。推理机制:通过规则的模糊化和模糊集合的合成,生成模糊输出。去模糊化:将模糊输出转换为具体的控制信号,常用的方法包括质心法和最大隶属度法。这些步骤综合起来,实现了模糊控制系统对复杂和不确定系统的有效控制。模糊控制系统通过结合模糊逻辑和规则库来处理复杂系统中的不确定性和模糊性。它的核心在于模糊集合和隶属函数,通过推理机处理模糊规则,并最终通过去模糊化生成具体的控制信号。

qq_35623594的博客 5558

用limma包进行多组差异表达分析

写在前面:最近在使用limma包进行差异表达分析,参考了网上许多教程都觉得说的云里雾里,很不清楚。经过我自己一段时间非常痛苦的钻研,弄明白了,解决了我的实际需求。于是决定将我的分析经验写下来,分享给需要的人。 首先加载前期预处理好的表达矩阵。(我的原始表达矩阵文件已附在文后,大家有需要可以下载实践) setwd("E://Rworkplace") data<-read.table...

weixin_40640700的博客 4万+

macos系统安装ElasticSearch和Kibana详细教程

一、安装1.Elasticsearch基于Java开发,所以需要先安装jdkjava官网:2.下载成功之后就直接无脑安装。3.安装完成之后打开终端,输入Java --version查看java版本 显示下图则安装成功。

m0_65768982的博客 2865

NCCL 源码深度解析:从初始化到通信链路构建全流程

本文深入解析了NVIDIA Collective Communication Library (NCCL) 的核心工作机制,从通信组初始化、硬件拓扑发现,到P2P、共享内存及网络传输链路的构建。详细剖析了源码中集合通信任务的执行流程与Proxy线程的协同机制,为开发者进行高性能分布式训练的性能调优与深度问题排查提供了清晰的底层视角。

hp777的博客 551

【elk-day01】es和kibana搭建及验证---Mac-Docker

说明一下为什么要安装desktop版本的docker,因为docker作为工具使用,我们需要的是开箱即用,没有必要非得整那种dockerserver什么的手动进行安装,一大堆配置很麻烦,这个desktop很适合新手使用,查看管理镜像和容器非常方便。

hanjiangb的博客 3093

esim分布式云卡池技术

eSIM卡,即Embedded-SIM,嵌入式SIM卡。eSIM卡的概念就是将传统SIM卡直接嵌入到设备芯片上,而不是作为独立的可移除零部件加入设备中,用户无需插入物理SIM卡。这一做法将允许用户更加灵活的选择运营商套餐,或者在无需解锁设备、购买新设备的前提下随时更换运营商。未来通用的eSIM标准建立将为普通消费者、企业用户节省更多移动设备使用成本,并带来更多的便利、安全性。 2018年 3月7日,中国联通宣布,正式在上海、天津、广州、深圳、郑州、长沙6座城市率先启动“eSIM一号双终端”业务的办理。[.

著名博客 3707

基于 ESP32 的智慧图书馆图书定位与借阅管理系统

本文设计的基于 ESP32 的智慧图书馆图书定位与借阅管理系统,以低成本、模块化、易部署为核心优势,融合 UWB 精准定位、RFID 自动识别、WiFi 无线通信技术,解决了传统图书馆的痛点问题。

weixin_42300449的博客 99

OpenClaw开源AI智能体框架:从部署到集成的实战指南

AI智能体(AI Agent)作为人工智能领域的重要分支,其核心原理是赋予大语言模型(LLM)自主规划与执行任务的能力,通过感知、决策、行动循环与环境交互。这一技术价值在于将AI从单纯的对话与内容生成,升级为能够自动化处理复杂工作流的智能助手,显著提升效率。在应用场景上,AI智能体广泛用于智能客服、自动化办公、系统监控与数据分析等领域。本文聚焦于OpenClaw这一开源框架,它通过容器化部署和模块化设计,有效解决了智能体开发中部署复杂、技能扩展难等痛点。框架以智能体(Agent)为核心,通过技能(Skill

weixin_33896726的博客 408

【光子AI / Photon.AI】manus 通用 Agent 的实现核心技术原理与应用

摘要 Manus是一款由国内团队开发的通用AI Agent,其核心技术原理基于多智能体协作架构、云端全能沙箱、规划-执行-反思循环等系统工程方法。与传统的对话式AI不同,Manus能够在独立的Linux虚拟机环境中自主规划并执行复杂任务,通过编写和运行代码来解决问题,具备强大的纠错能力和工具使用能力。 核心应用场景包括深度行业研究、自动化办公、生活助理、辅助编程和跨平台信息整合等。Manus的工程化落地优势体现在沙箱环境、多智能体调度和容错机制等方面,使其能够完成需要多步骤操作和多种工具调用的复杂任务,将A

AI天才研究院 666

CVE-2025-59790高危漏洞解析:从本地权限提升到企业安全加固实战

在Linux/Unix系统中,权限管理是保障系统安全的核心机制,其核心原理是通过用户空间与内核空间的严格隔离,以及基于用户ID、组ID和特权边界(Privilege Boundary)的访问控制来实现。当程序逻辑存在缺陷,例如在条件竞争(Race Condition)场景下,特权边界可能被绕过,导致本地权限提升(Local Privilege Escalation, LPE)漏洞。这类漏洞的技术价值在于,它们能将攻击者从低权限账户瞬间提升至最高权限(如root),彻底颠覆系统的安全模型,对数据机密性、完整性

weixin_34209851的博客 401

PX4从放弃到精通(十九):串口驱动

文章目录前言一、创建进程二、编写驱动 前言 硬件: PIXHAWK4 USB转串口模块 软件: Ubuntu18.04 PX4 1.11.3固件 QGC地面站 串口助手 一、创建进程 参考:https://mbot1.blog.youkuaiyun.com/article/details/122587617 二、编写驱动 .........

超维空间科技的博客 4597

思远耳机充电芯片-SY5501

BES2700ZP-本文档介绍了思远耳机充电芯片SY5501的使用方法,包括芯片引脚功能说明(VCC、IRQ、RST等)、通信机制(VIN引脚的双重作用)以及相关注意事项。提供了代码片段、调试日志和电路图作为参考,并列出了待解决的问题清单。该芯片需要配合特定充电仓使用,支持私有协议和用户自定义通信功能。

云淡风轻 123

mac下安装Elasticsearch实践

下载地址:​​​​elasticsearch打开找到config/目录下面的elasticsearch.yml配置文件,把安全认证开关从原先的true都改成false,实现免密登录访问即可,修改这两处都为false后:enabled:再次打开报错flase 拼写错误,应该是false。

小田的专栏 3329

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Kibana8.17.0在mac上的安装

Kibana是与elasticsearch配套使用的数据分析与可视化工具,通过Kibana可以轻松与es中存储的数据进行高效的交互,包括数据写入、检索、删除等操作,并可以通过编写部分代码将数据做成各种报表,从而进行非常直观的统计。对于Kibana版本的选择,应该遵从的原则是与elasticsearch的版本保持一致,我Mac本地安装的elasticsearch版本为8.17.0,因此Kibana的版本也选择安装8.17.0。

liupenglove的专栏 1468

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

Elasticsearch学习(1)-mac系统安装elasticsearch基础

启动的时候需要注意,一般我们都会使用本地已经安装好的jdk,但是如果版本不一致的情况下,它会自动使用默认的jdk。这个时候就需要看看你安装elasticsearch版本和jdk的对应版本是否合适了,如果不合适记得替换。,找到自己的版本,然后下载,解压,重命名为ik,放入到elasticsearch目录的plugings。注意点:这里面一个是ik的版本,还有一个就是要删除一个隐藏文件,否则会无法起来。简单安装cnpm,并将对应的elasticsearch-head启动起来.通过对应的网址查看是否启动。

孤独的狂欢 1719

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。

Mac环境安装Kibana

Kibana是ES的一个配套工具,可以让用户在网页中与ES进行交互 下载Kibana 登录http://www.elastic.co 到Elastic官方网站, 选择Kibana下载 新的页面中,下拉选择历史版本。 下拉选择Kibana和版本,然后点击下载 选择TAR,下载就完了。 3、安装和启动 安装,其实就是把本地tar包解压就好了。 首先将压缩包解压,并...

u013938578的博客 1630

【ES学习】ElasticSearch MacOS版 安装与使用(图文教程)

前言 所有的学习都可以从官方文档开始: https://www.elastic.co/guide/cn/elasticsearch/guide/current/foreword_id.html 本文不对知识做讲解,只单纯讲述如何安装和交互ES,有知识不懂的建议先看看官方文档了解一下 下载安装 首先在官网下载一下ES的压缩包: https://www.elastic.co/cn/downloads/elasticsearch 我自己是MacOS,各位可以对号入座 把压缩包放到你想安装的地方,然后解压 其

锥栗的博客 6841

mac下安装配置ES及Kibana

mac安装配置ES

qq_27931647的博客 2318

Mac环境安装ElasticSearch

首先要安装jdk1.8, 这个自行安装吧,如果已经安装,先看一下安装的版本好是多少,在终端输入命令java -version查看。cd 到解压后目录下的bin目录下,运行命令 sh elasticsearch 启动服务,稍等十几秒。登录http://www.elastic.co 到Elastic官方网站,新的页面中,下拉选择历史版本。,返回相关信息即安装成功。和版本,然后点击下载。安装,其实就是把本地。

u013938578的博客 1096

Elasticsearch8.17.0在mac上的安装

如何在mac上完成Elasticsearch8.17.0的安装。

liupenglove的专栏 2896

【ElasticSearch】数据分析引擎学习笔记

确认是否真正启动成功,可以在浏览器的地址栏里输入 http://localhost:9200 进行查看(9200 是 Elasticsearch 的默认端口号)。直接双击 bin 目录下的 elasticsearch.bat 文件就可以启动 Elasticsearch 服务了。1)bin 目录下是一些脚本文件,包括 Elasticsearch 的启动执行文件。7)plugins 目录下可以放一些 Elasticsearch 的插件。6)modules 目录下是一些 Elasticsearch 的模块。

weixin_44823875的博客 1187

【Kibana】mac上安装kibana详细步骤

目录下载安装①修改配置文件②启动kibana③打开kibana 下载 下载链接: kibana官网,我是要在mac上安装Kibana的,为了操作起来es更加方便一点。 我下载的是7.14.0版本的,因为我的es也是7.14.0版本的。es与Kibana的版本一定要一致,要不然容易报错哦。 注意:提示Kibana server is not ready yet。 安装 很简单,下载完成后,直接解压压缩包。 ①修改配置文件 将es的地址,改为自己本机IP地址就ok,如果是服务器的话,改为服务器地址就好了。

凤凰涅槃 6542
上一篇: Folium离线地图实战:5分钟搞定本地化部署(含免费瓦片资源)
下一篇: SDKMAN安装与常见问题解决指南
postgres8guard
博客等级 码龄4年 62粉丝 1443原创
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  | 博主筛选后可见
 
 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