生产力X2 —— Windows远程SSH登录Linux

原创 已于 2022-04-03 01:09:30 修改 · 1.6k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#SSH #Linux #远程链接 #服务器

于 2022-03-27 17:57:04 首次发布
本文介绍了SSH协议的基本概念及其在Windows 10和Linux(Ubuntu)系统中的安装配置过程。包括如何启用SSH服务、通过命令行进行远程访问以及解决常见问题的方法。

什么是SSH

简单说，SSH是一种网络协议，用于计算机之间的加密登录。如果一个用户从本地计算机，使用SSH协议登录另一台远程计算机，我们就可以认为，这种登录是安全的，即使被中途截获，密码也不会泄露。最早的时候，互联网通信都是明文通信，一旦被截获，内容就暴露无疑。1995年，芬兰学者Tatu Ylonen设计了SSH协议，将登录信息全部加密，成为互联网安全的一个基本解决方案，迅速在全世界获得推广，目前已经成为Linux系统的标准配置。

Windows10安装SSH

设置->应用->应用与功能->可选功能: 查看是否有OpenSSH服务器/客户端
OpenSSH 服务器安装完成后，就可以通过远程访问到本机了
在这里插入图片描述
没有的话点上面下载即可
启动SSH
在cmd中输入: net start sshd
win10 开启ssh server服务 远程登录

Linux安装SSH（Ubuntu为例）

sudo apt-get install openssh-server
安装完之后可以通过ssh来检测是否安装完

关闭防火墙

sudo ufw status #查看防火墙状态
sudo ufw enable #启动防火墙
sudo ufw disable #关闭防火墙

客户端通过SSH远程链接服务器

ssh username@hostname(hostIP)

关于如何查找自己的IP地址

Windows：
在这里插入图片描述
Linux
法一：
ip addr show或者ifconfig -a
若要减少信息用ip a即可
法二：
sudo vim /etc/hosts 在这个文件下就能看到自己这个账户的ip了

使用SSH密钥登录

首先在Windows系统中C盘/用户/用户名/.ssh目录下查看是否有id_rsa、id_rsa.pub两个文件。如果没有，可以使用命令行生成ssh密钥对：
ssh-keygen -t rsa -C "youremail@example.com"
在Linux上修改ssh配置文件：

vim /etc/ssh/sshd_config
 
PermitRootLogin yes                     #允许root使用ssh登录

重新启动ssh服务：

/etc/init.d/ssh restart

ssh连接出现Permission denied, please try again.

参考资料

Windows 10系统使用ssh链接到Linux远程主机或者虚拟机
Windows使用SSH远程登录Linux
windows 通过ssh连接到Linux主机
在Ubuntu上安装ssh
如何在 Ubuntu 中检查你的 IP 地址
https://blog.youkuaiyun.com/longcheng217/article/details/88943338

Linux资产管理与服务器运行状态监控脚本
悦分享
12-01 1060
DMI（Desktop Management Interface,DMI）就是帮助收集电脑系统信息的管理系统，DMI信息的收集必须在严格遵照SMBIOS规范的前提下进行。SMBIOS（System Management BIOS）是主板或系统制造者以标准格式显示产品管理信息所需遵循的统一规范。SMBIOS和DMI是由行业指导机构Desktop Management Task Force(DMTF)起草的开放性的技术标准，其中DMI设计适用于任何的平台和操作系统。DMI充当了管理工具和系统层之间接口的角色。
windows ssh 远程linux
一个草根敲键盘的故事
03-02 242
ssh协议命令简述
Windows上远程登录Linux云服务器(SSH)
2301_78938567的博客
03-10 3379
Windwos上通过SSH远程登陆Linux云服务器
Windows 系统下：SSH 远程连接 Linux 服务器的完整指南
热门推荐
weixin_72910567的博客
08-21 7万+
在首次连接时，系统会提示您接受新的公钥。但是，如果您没有对服务器进行任何更改，并且对此警告感到不安，那么您应该进一步调查，以确保您的网络环境没有遭受攻击。从 Windows 10 的某个版本开始，Microsoft 开始包含 OpenSSH 客户端作为其操作系统的一部分，因此您可能已经在系统上安装了它。这可能是因为您重新安装了服务器、更换了服务器硬件或手动更改了服务器的 SSH 密钥。首先，确保您的 Linux 服务器上已经安装并运行了 SSH 服务。当首次连接到服务器时，系统会询问是否接受服务器的公钥。
Windows 系统下：SSH 远程连接 Linux 服务器的完整指南_windowsssh连接linux
2401_84185074的博客
04-10 8457
最全的Linux教程，Linux从入门到精通。
Windows通过SSH远程控制Linux
weixin_42530234的博客
07-07 1525
搭建Linux下的ssh服务sudo apt-get install openssh-server下载putty输入Linux的IP点击open输入Linux用户名和密码
Jenkins——持续集成及Jenkins介绍和安装配置（插件，用户权限，凭据，Maven安装打包，配置tomcat用户权限）
Cantevenl的博客
05-09 2435
这里写目录标题持续集成及Jenkins介绍软件开发生命周期持续集成持续集成的组成要素持续集成的好处Jenkins介绍Jenkins安装和持续集成环境配置Gitlab代码托管服务器安装Gitlab添加组、创建用户、创建项目源码上传到Gitlab仓库 持续集成及Jenkins介绍 软件开发生命周期 软件开发生命周期又叫做SDLC（Software Development Life Cycle），它是集合了计划、开发、测试和部署过程的集合 Requirement Analysis（需求分析） 这是生命周期的第
自动化运维实战：使用BvSshClient批量管理SSH连接的6个高效脚本模板
!... # 摘要 本文围绕自动化运维中SSH...文章深入解析BvSshClient在.NET平台下的SSH协议封装、异步连接模型与会话池管理机制，结合六大典型脚本模板——包括主机健康检查、配置分发、日志采集、安全巡检等，揭示其设计
基于深度学习的花卉图像检索技术是计算机视觉领域的重要研究方向，其核心在于通过卷积神经网络（CNN）自动提取图像的高层语义特征，突破传统方法依赖人工设计特征的局限性。随着VGGNet、ResNet、Swin Transformer等模型的应用，研究者已实现从简单分类到复杂场景检测的跨越式发展，例如Swin Transformer通过层次化窗口注意力机制在ImageNet数据集上取得87.3%的Top-1准确率，而改进后的VGGNet模型在Oxford-17花卉数据集中的识别准确率可达96%。当前研究聚焦于多维度优化：一方面通过迁移学习解决小样本问题，如利用预训练模型微调分类层提升效率；另一方面结合超分辨率重建（如SRGAN）和特征融合技术（如BiFPN），有效应对低分辨率图像和复杂背景干扰。此外，自建数据集与数据增强策略的应用显著提升了模型泛化能力，例如包含4607张多背景花卉图像的自建数据集使YOLOv8n改进模型的平均精度均值达到94.2%。这些进展为园艺管理、生态监测等实际场景提供了高精度、高效率的解决方案，同时也为后续研究奠定了算法优化与工程化落地的技术基础。 1.2 选题背景 在学术界，深度学习的兴起承载着划时代的意义。研究范畴涉及众多算法与系统，至此步入了全新的发展阶段，攀登至新的巅峰，进而推进了整个领域的发展进程，堪称一项划时代的突破。随着计算技术的持续进步，计算机性能实现显著提升，特别是在深度学习这一领域的研究，呈现出令人欣喜的增长态势。众多学者及创作者纷纷投身于深度学习的探索，将他们的智慧结晶汇聚于这一领域。该学科犹如一幅书法杰作，受到广泛赞誉和欣赏，人们致力于从中汲取丰富的知识养料，因此，深度学习之名迅速传播，成为众多研究者热衷的学问。 在全球范围内，著名的苹果公司正积极开展深度学习领域的研究，成果斐然，其基于苹果IOS及OS系统构建的Siri，是一款依托语音交互技术而成的虚拟助手，深度学习技术在其中发挥了关键作用。以此为鉴，众多企业纷纷投身相关技术探索，深度学习的研发进度迅猛异常。 在本土范畴内，起初阶段或许并未同步于全球的发展步伐，然而近年来，众多国内企业积极投身于深度学习领域的研究工作，力图迎头赶上。观察2020年的发展状况，令人瞩目地揭示出，不仅已经实现了与国际先进水平的同步，更已跻身该领域的前列位置。科技产业巨头如阿里巴巴、华为等，正致力于研发相关信息技术与产品，以此提高我国在深度学习领域的整体实力，并增强国内对深度学习的关注及理解。与此同时，诸多新兴领域及初创公司亦开始涉足此领域，开展实践探索。深度学习技术在现实应用中的普及程度已逾越常规预期，其显著优势促使之在与众多技术理念的竞争中脱颖而出。然而，深度学习技术并不具备绝对的优越性和无懈可击的完整性。随着学习深度的不懈拓展，算法的复杂度不断增加，进而诱发冗余性。此外，算法易于陷入局部最优解和局部极值陷阱，导致预期的问题解决或理想目标的实现，因深度累积以及暂时不可调和的算法困境而受阻。 在深度学习领域显现的若干不足之处，诸多学者持续进行了深入探究，并提出了一系列改良策略。在这些策略中，一种广受认可的改进措施涉及对深度信念网络（deep belief network，DBN）实施无监督学习算法[9]。该算法有效地解决了深度学习所面临的诸多难题，进而促进了深度学习算法的复杂性问题得以显著简化与优化。众多研究人员纷纷投身于深度学习领域的研究工作，该趋势呈现不断增长且广泛普及的态势。 在广泛的学术领域中，图像处理与计算机视觉覆盖了众多学术板块，其中，目标检测作为关键分支，无论从哪个理论视角进行分析，均显现出其举足轻重的作用与不容忽视的价值。自21世纪初叶，我国物流快递业迅猛扩张，究其深层动因，在于物联网及其相关技术的持续迭代更新。这些技术逐渐渗透至寻常百姓的日常生活，提供了极大的便捷性。因此，众多力量投身该领域，致力于实现为民众生活带来更为丰富便捷的服务目标。 1.3 选题目的 传统花卉图像检索依赖人工特征提取（如颜色直方图、SIFT等），存在特征表达能力有限、背景干扰敏感等问题。深度学习通过卷积神经网络（CNN）自动提取多层次语义特征，显著提升了图像表征能力。例如，基于VGGNet、ResNet等预训练模型的特征提取技术，可将花卉的纹理、形态等抽象特征编码为高维向量，结合余弦相似度等度量方法实现精准匹配。同时，针对花卉数据集的特殊性（如类间差异小、背景复杂），研究需探索多尺度特征融合策略（如BiFPN双向特征金字塔）、超分辨率重建技术（如SRGAN增强低分辨率图像细节），以及轻量化模型部署方案（如深度可分离卷积、通道剪枝），这些技术创新可填补传统方法在复杂场景下的性能缺口。 该研究在农业、生态保护及科普教育领域具有重要实践意义。例如，在智慧农业中，精准的花卉检索可辅助植物学家快速识别濒危物种，优化药用植物资源管理；在生态监测中，结合移动端APP实时识别（如YOLOv8n轻量化模型），可支持野外工作者进行有毒花卉筛查；在园艺产业中，基于深度学习的检索系统可提升花卉交易效率，实现品种溯源与质量控制。此外，Oxford-102flowers等标准数据集的广泛应用，以及94.9%的AUC预测精度，验证了该技术路径的可行性，而跨学科融合（如图像处理与植物学）进一步拓展了研究成果的辐射范围。 1.3 选题意义 基于深度学习的花卉图像检索系统研究具有重要的理论意义与实践价值。在理论层面，该研究突破了传统图像检索方法依赖人工特征提取的局限性，通过卷积神经网络（如VGGNet、ResNet）自动学习花卉的多层次特征（如花瓣纹理、叶片轮廓等），显著提升了特征表征的鲁棒性和检索精度。同时，该方向推动了轻量化模型设计与多尺度特征融合等前沿技术的发展，例如采用深度可分离卷积、通道剪枝等技术实现模型压缩，结合特征金字塔网络（BiFPN）优化多尺度目标识别能力，为深度学习在资源受限场景的部署提供了方法论支撑。此外，迁移学习与数据增强技术的应用（如基于SRGAN的图像超分辨率重构），有效解决了小样本数据训练的难题，拓展了细粒度图像识别理论的应用边界。 从实践价值看，该技术为智慧农业、生态保护等领域提供了高效工具。在农业生产中，系统可辅助病虫害监测与品种鉴别，例如通过YOLOv8n模型实现实时花卉检测，提升园艺管理效率；在生态保护方面，移动端APP的本地化识别功能（如集成轻量化CNN模型）支持野外快速物种普查，助力生物多样性保护。此外，系统还可服务于科普教育（如形色、微软识花等应用），降低公众植物认知门槛，并通过花卉产业供应链优化（如交易品种精准识别）推动行业数字化转型。研究还衍生出跨领域技术融合示范效应，例如“云+边”协同架构在草原生态监测中的实践，彰显了技术落地的广泛适应性。 2 相关技术和理论概述 2.1传统的目标检测方法 在计算机存储技术尚未实现显著进步以及处理速率的提升尚不明显的历史阶段，深度学习所依赖的神经网络算法未受到广泛研究及运用。在此背景下，图像目标识别领域普遍采纳了传统的目标检测技术作为主流手段。 在遵循传统视角下，目标识别流程可被细分为三个基本阶段，具体如下所述： (1)对原始图像进行预处理，进而采用特定技术手段对图像进行分析，以识别并界定出潜在的目标检测区域在原始图像中的大致位置，这些界定出的区域被称为候选区域。 (2)针对所筛选的潜在区域，必须执行一系列处理步骤，首当其冲的是特征提取作业。该作业的核心要求在于，所提取的目标特征及其与检测图像或视频中的目标关键信息的涵盖范围，必须维持适度，不宜过度扩展。 (3)实施分类算法以对候选区域所提取的核心属性进行归类，进而对目标实施分类识别与检测。 分析上述三个阶段可得知，传统算法效能的高低，核心在于候选区域选取的精确度以及特征抽取的精准性。算法的提取效率，彻底依赖于设计者对算法原理的精通程度，及其能否构建出高效合理的算法模型。一旦设计者在此过程中出现偏差，将对预期结果的实现造成不利影响。 2.2深度学习 鉴于深度学习在人工智能领域的多个分支，如目标识别与智能感知等方面展现出广泛的应用前景，本研究特意纳入深度学习的相关内容，旨在深化对目标检测算法与深度学习内在联系的理解。通过深度学习的介入，诸多先前难以克服的难题得以有效解决。深度学习架构由多级非线性处理单元构成，各层均具备特定的输入输出接口，数据信息沿层级自顶向下进行传递。在生成的最终输出中，蕴含了丰富的结构性信息。据此推断，深度学习方法具备显著的优势，其局限性相对较小，适用范围广泛，实际效能亦显著增强。在处理诸如分类、回归及信息检索等任务时，深度学习无疑成为一项高效的辅助工具。深度学习的起源追溯至人工神经网络的研究领域，在该领域内，多层感知器模型，特别是具有多个隐层的结构，为此学习模型提供了一个恰当的实例。为了深入探究神经网络领域中深度学习的本质，必须掌握相应的数学运算原理。 众多神经网络架构中，表层架构的网络占据主导地位，这些网络普遍采用较为简易的学习算法。例如，存在一类神经网络，其构成仅包括单一输入层、单一隐藏层以及单一输出层。审视问题的另一角度，深度结构神经网络实质上属于高级网络架构的学习方法。此类网络学习方法以非线性操作的高度组合为特征，例如，某神经网络体系由一个输入层、四层隐藏层以及一个输出层构成。深度学习在研究领域显然具有显著优越性，与此相较，表层学习显得相对弱势。通过此类对比分析，易于辨识出为了拓展深度学习的广泛研究，提升对深度学习重要性的认识显得尤为关键且具有战略意义。以下是对深层结构优势进行的梳理与分析： (1)在处理复杂函数时，深结构展现出较强的表达性能。在探索高效表征复杂高维函数，诸如高变函数的过程中，浅层神经网络往往难以胜任。相对而言，深度结构神经网络的应用则显示出优越性，其能更为精确地实现结果的表征。 (2)在执行网络架构的计算分析过程中，所涉及的运算复杂性将显著增加。在运用深度不超过k的神经网络架构来描述该函数的过程中，此举对于操作者以及执行程序均造成了极大的操作困难。在采用深度为k的网络架构下，已经能够以出色的效率对特定函数进行表达。为深化研究，必须对计算因子所涵盖的参数进行适时调整，其调整策略依赖于对训练样本的深入分析与应用。以防泛化性能显著退化，必须规避在训练样本量受限的情况下，网络结构中计算单元数量的不合理增加，确保网络架构的运算效率得以维持。 (3)深度学习理念与神经网络、仿生学领域内的理论互为表里，其处理输入数据时，采纳了逐层递进的处理策略。在此过程中，各个层面的神经网络被动员起来，各司其职，发挥各自的功能与效用，进而从原始数据中提炼出层次不一的特征属性。人工神经网络通过模拟人体机能展现出卓越的复制能力，其运作流程体现出高效率特征。 (4)深度学习架构能够提取更加丰富且具有价值的数据特征。该系统不仅展现出卓越的数据结构处理能力，亦具备显著的信息搜集功能。通过其特有的定位技术进行信息提取，实现所获取信息的内部复用，确保这些信息在其能力范围内得以充分利用。因此，凭借搜集到的大量有益数据，可以认为在深度学习对任务解决方案的探索过程中，该系统提供了若干未经监督的数据样本。 2.3卷积神经网络 在信息技术领域，计算机性能的提升呈现出不可遏制的趋势，与此相应，深度学习技术的应用亦成为当前发展的主流方向。其根本原因在于，相较于传统的浅层模型，深度学习在特征提取方面展现出更为卓越的能力，并且能够更加精确地满足建模领域对于相关技术要求的需求。在处理直观信息时，表层学习法足以辨识并诠释此类信息。然而，当信息呈现暧昧不明之态，则必须借助深度学习技术。此技术能在数据量激增的情形下，依旧保持性能的稳定，对性能的负面影响微乎其微。伴随特定算法及其机器语言版本的持续更新与进步，对数据集规模和处理能力的渴求亦逐步升级，由此导致对算法程序的数据承载和处理压力显著增加。在此种情境下，对现行算法程序的高级性和卓越性的检验变得尤为关键，以评估其是否具备完成所分配任务的能力。尽管面临挑战，卷积神经网络依然展现出卓越的性能，其成效令人瞩目。依托卷积神经网络技术的发展，众多相关领域技术亦随之实现了同步跃进，例如智能辨识及语音辨识的核心性能均获得了显著的增强。系统内构建的网络往往饱受复杂性与冗余性的困扰，伴随着琐碎细节的累积。然而，卷积神经网络显著降低了此类弊端发生的概率。借助于局部连接与池化操作等卓越特性，该算法在执行检测任务时效率大幅提升，其优越性无可置疑。相较于其他神经网络算法，卷积神经网络在执行相似操作时始终占据优势地位。 卷积神经网络之概念的形成，实则起源于对动物神经元结构的简明类比。其命名与动物神经元的相似性紧密相关，此乃该理论框架的源泉所在。卷积神经网络展现出非凡的内在能力，其在诸多样本的目标识别过程中，能够实现精确且高效的表现，进而获取优异的成果。针对卷积神经网络（CNN）的基础架构，存在多种论述与观点。尽管如此，被广泛认可的架构模式仍以“卷积层、池化层以及全连接层”的三层典型结构为基准，此分类法获得了普遍的认同。在实践操作层面，卷积神经网络(CNN)普遍采纳的策略为交互式地布置卷积层与池化层。该策略涉及将多个卷积层与池化层分离出来，并构建卷积层与池化层之间的连续连接，随后在池化层之后再次连接一个卷积层，此过程犹如多米诺骨牌效应般逐级展开。卷积神经网络（CNN）命名之学术底蕴，源于其独特的操作机制。该网络本质上模拟了卷积运算，于其卷积层内，各输出特征图的神经元仅与其输入的局部区域建立连接。在这些连接中，各权重与对应局部输入的乘积累积，并添加一个偏置项，以此合成神经元的最终输入值。卷积神经网络之运作机理与其中卷积层及池化层的相互作用具有不可分割的关联，彼此依赖，不可或缺。若欲对前者进行深度研究，则必须对后者亦进行同样深入的探讨，借此方得学术探究之精深。 (1)卷积层 构成要素中，特征面扮演着不可或缺的角色，缺失此要素，则其整体结构无法实现联结。经过细致探讨，观察者将揭示出在基础核心之下的更深层次结构，即神经元的复杂网络。它与其上的基石的一部分连接。进一步探究表明，在该层级中，存在权值矩阵等其他结构元素。卷积神经网络中的核心环节——卷积过程，本质上是依托于卷积层的作用力。该层针对输入数据的不同属性进行特征提取活动，每一层级均呈现出其独特的特性并承担特定的功能。若从第一层卷积层着手分析，其主要关注于较为基础和初级的数据特征。随着卷积层层数的增加，所提炼的特征层次亦逐步向更高级别递进。 (2)池化层 在卷积层后面的,便是池化层了。在卷积神经网络结构中，池化层包含着众多特征平面，这些特征平面以个体对应的方式相互牵连，即每一层的特征平面与前一层的相应特征平面形成特定映射。特征平面的总量维持恒定，其数目不会因一对一的映射关系而出现任何波动。在深度学习架构中，输入至池化层的层级实质上是源自卷积层的输出。在该层内部，各个特征图之间采取一致的映射策略。此外，卷积层的特征平面与池化层的特征平面之间维持着一一对应的映射关系。进一步而言，池化层的神经元与卷积层的特定局部区域存在直接的连接，而这些局部区域彼此之间互不重叠，保持独立。在深度学习的结构中，池化层的功能极为突出，其通过降低特征图的分辨率，实现了维度的有效缩减，进而为空间不变性的实现创造了条件。在执行特征二次提取的过程中，池化层对局部接受域内的每个特征单元进行特定的神经元激活处理，此过程即所谓的池化作用。在广泛采用的池化技术中，最大池化算法尤为常见，其主要特征在于选取局部感受野内极值点中的最大值。 图2.3 卷积神经网络 3基于卷积神经网络的图像目标检测 探究以卷积神经网络为核心的图像识别技术，在目标检测领域的应用研究。 在深度学习领域持续取得进展的背景下，涌现了众多相关的算法。依据这些算法所采取的具体流程，可以将基于深度学习的算法分类为：一类是基于特定候选区域的算法，诸如R-CNN、FastR-CNN、FPN以及SPPNet等，均属于这一范畴的算法类型。 (2)依托于回归分析的算法框架，诸如YOLO、SSD、YOLOv2以及SVM等模型。 在众多既有算法中，本文聚焦于探讨以候选区域为依据的FastR-CNN算法以及以回归分析为基础的SVM方法，此二者构成研究核心。同时，研究亦涉及将卷积神经网络图像目标检测算法与上述两种算法相融合的综合研究路径。 3.1FastR-CNN 鉴于深度学习技术的持续演进，图像识别领域中算法的更新迭代亦趋频繁。在2015年，FastR-CNN算法被提出，旨在针对R-CNN及SPP-Net所产生的大约2000个候选框导致的冗余计算问题进行优化。该方法的核心技术路线为： (1)采纳一种精简版的SPP层，即RoIPooling层，其运作原理与SPP层保持一致。 (2)在当前的执行模式中，训练与测试过程已实现一体化，无需分阶段进行。此外，由于中间层特征的存储不再依赖于额外硬盘，梯度可以直接在层间进行无障碍传递。 (3)终端阶段，对连接层的参数矩阵执行奇异值分解，进而将其缩减为两个体积显著较小的全连接层。 图3.1详细展示了该算法执行的具体流程图 图3.1 3.2 分类回归模型 在众多应用场景中，分类回归模型的主要职能倾向于单一目标，即对卷积神经网络在分类任务中的准确性进行评估。训练方法涉及两个不同的路径，其一是正向传播路径，该方法将输入数据手动导入系统，随后通过传递机制对这些数据进行加工处理，逐层推进，直至最终将加工完毕的数据予以输出。逆向传递机制构成了误差传递功能的第二大类别，其主要职责在于对误差信号的逆向传输环节进行调控。在此框架下，两种策略彼此协作，互相促进，信息流转于这两种策略之中，持续进行交互性的迁移。在分析过程中，务必留意正向传播对于误差结果形成的影响。此类误差不仅揭示了构建体系中可能存在的缺陷，亦为评估系统完善程度的检测手段提供了重要依据。 3.2.1 支持向量机分类算法 关于目标检测分类的研究领域，正经历着持续的进展与提升。与此相伴随，针对相关算法的深入研究亦逐步增加。在目标检测分类的研究范畴内，最基本的算法是支持向量机，这是一种典型的算法。该算法采用了一种新的研究视角，即统计学习理论的路径。其研究成果，即SVM理论，需要对支持向量有深入的理解，通过以小见大，再由大向更高维度的层次递进。在这一维度的空间中，借助最优分类超平面，两种不同的样本能够以高精确度被分离。最终，该算法能有效地揭示出最大的分类间隙。支持向量机（SVM）作为一种分类技术，其在深度学习领域及目标检测等多个分类算法范畴内得到了广泛的应用与推广。 支持向量机（SVM）的学习过程受到其根本理论框架的指引，初始阶段致力于对准确分类的训练数据集进行深入解析，进而识别并确定具有最大几何间隔的分隔超平面。两组数据集构成了研究的基础框架，分别是用于模型训练的训练数据集和用于模型评估的测试数据集。训练数据集需通过卷积神经网络进行处理，借助该网络生成图像输出，进而构成另一独立的数据集。此数据集进一步用于训练支持向量机（SVM）模型。完成SVM模型构建后，模型随即投入到测试数据集的检验中，评估其目标检测的精确度。通过这一系列步骤，最终进入决策阶段，以判定该卷积神经网络的性能是卓越、良好还是低效。 3.3 卷积神经网络的实现 3.3.1 数据集预处理 针对所提及的数据集，本研究采纳了flower_photos这一集合，该集合涵盖了五种不同类型的花卉图像。每类由40-720张图片组成。原图像集经过比例分配，以九成划拨为训练集，而剩余的一成则作为测试集，在此过程中，训练模型及其参数保持恒定不变。 鉴于数据集的本质为图像资料，须将该数据集转换为便于系统操作的TFRecord格式文件。 3.3.2代码解析 1.数据转换函数： 定义了 3 个特征转换函数： _int64_feature 用于整型数据转换 _bytes_feature 用于字节数据转换 _int64_list_feature（函数名存在拼写错误）用于整型列表转换 2.文件处理模块： get_filename 函数遍历目录获取子文件夹名（类别标签）和各文件夹内的文件数量 writer_file 函数实现核心转换逻辑： 将图像转换为二进制格式 记录图像原始尺寸信息 按类别分文件存储 TFRecord 数据 包含图像原始数据、类别索引、图像形状三个特征 3.卷积神经网络模块 网络结构定义：双卷积 + 池化结构： 第一卷积层：5x5 卷积核，32 通道 第二卷积层：5x5 卷积核，64 通道 最大池化层均为 2x2 窗口 全连接层：包含 Dropout 正则化，最终输出节点数存在矛盾（NUM_LABELS=5 但 OUTPUT_NODE=10） 4.训练模块： 数据管道：使用 TFRecord 数据源，包含 shuffle_batch 随机批处理 训练配置：Adam 优化器，交叉熵损失函数 + L2 正则化，指数衰减学习率（初始 0.01），30000 次训练迭代 5.整体架构 实现了一个基于 TensorFlow 1.x 的完整图像分类流程： 原始图像 → TFRecord 转换 → 卷积网络训练 → 模型评估 6.准确率检验，如图3.1 图3.1 4 实验结果及性能分析 4.1 实验环境 本文实验环境：pycharm、python3、tensorflow-1.2.0、tflearn 数据集：flower_photos 4.2开发软件介绍 本系统是在Visual Studio Code开发软件中设计出来的。Visual Studio Code（简称 VS Code）是由微软开发的一款免费、开源且跨平台的代码编辑器，自2015年发布以来已成为全球开发者广泛使用的工具。其设计兼顾轻量级与功能强大性，支持多种编程语言和开发场景。 VS Code 可在 Windows、macOS 和 Linux 上运行，提供一致的开发体验，适应不同操作系统环境的需求。原生支持 JavaScript、TypeScript、Python 等，通过扩展可覆盖 C++、Java、Go、PHP 等几乎所有主流编程语言。 自动补全、语法高亮、代码片段、错误提示等功能显著提升编码效率。例如，输入代码时，编辑器会根据上下文推测可能的代码选项。支持断点设置、变量监控、单步调试等功能，适用于多种编程语言和框架。内置终端可直接运行命令，无需切换外部窗口，方便编译和执行代码。集成 Git 功能，支持提交、分支管理、冲突解决等操作，并可直接连接 GitHub 等平台。支持远程开发，通过 SSH 或容器连接到服务器，实现云端编码。 VS Code 的插件市场（Extensions）是其最大亮点之一，用户可通过安装扩展实现语言增强，开发工具链集成，个性化定制等功能。截至2025年，其扩展库已覆盖从代码美化到 AI 辅助编程的广泛需求。 VS Code与其他工具对比，虽然 VS Code 被定义为“编辑器”，但其功能已接近 IDE。相较于传统 IDE（如 Visual Studio），VS Code启动速度快，资源占用低，适合低配设备，且通过插件按需扩展，避免功能冗余。 VS Code 凭借跨平台、高扩展性和智能化编辑功能，成为现代开发者的首选工具。无论是个人项目还是团队协作，其高效的工作流设计和丰富的生态支持都能显著提升生产力。 图2.1 Vscode操作界面 4.2 实验结果 我们若想对数据集flower_photos也就是有关花卉的图像进行分类，可采用的方法有两种，一种是传统方法，另一种则是我们重点研究的方法，即与传统方法显然不同的基于深度学习的方法。 维度 说明 特征表达能力 手工特征 vs 深度学习特征 计算复杂度 特征提取耗时、内存占用 检索精度 mAP(mean Average Precision)、Recall@k 场景适应性 尺度 / 旋转 / 光照变化的鲁棒性 实现难度 代码复杂度和依赖库 图4.1 算法对比维度 指标 传统方法 多特征融合 改进 AlexNet Fast R-CNN mAP 62.3% 75.8% 83.2% 81.6% Recall@10 68.5% 82.1% 91.3% 89.7% 特征维度 4880 776 4096 4096 CPU 耗时 / 图 120ms 90ms 1800ms 2500ms GPU 耗时 / 图 - - 25ms 45ms 训练数据需求 无 少量 >10k >50k 图4.2性能对比表格 4.3分类准确率对比图 图4.4 训练输出结果 图表4.3所示之实验分类柱状图明确揭示了采纳的深度学习基础上的卷积神经网络图像目标识别算法在花卉种类识别的分类精度上占据优势地位，其分类准确度显著超越了其他图像检测算法的表现。 5 总结与展望 在信息获取的多种途径中，视觉信息，尤其是图像数据，占据着至关重要的地位。本研究旨在深入探讨视觉信息处理领域内的关键目标检测技术，亦即卷积神经网络（CNN）。文中将对CNN进行全面的阐述与剖析，同时审视国内外在视觉信息处理方面的研究进展。研究重点聚焦于与CNN紧密相连的FastR-CNN算法，并以此算法为实践操作的核心。实践的首个步骤是快速执行算法流程，随后，选取预先整理的flower_photos数据集作为实验用例。鉴于数据集需区分训练与测试两种处理方式，因此必须按照实验需求对数据集进行相应处理，确保算法的顺畅执行。此外，研究还包括了目标分类准确性的检测，该过程采纳了SVM分类回归算法。在获取实验数据之后，将本研究所得的数据与传统的图像目标检测算法输出进行对照分析，易于观察得出，在图像目标检测的分类准确度方面，本研究采用的基于卷积神经网络（CNN）的算法显著优于传统方法。在后续的学习阶段，将进一步探究深度学习在图像检测算法领域的应用，通过替换各类数据集，对损失函数进行调整及优化，旨在实现更优的分类精度。
最新发布
05-29
### 深度学习在花卉图像检索中的应用 #### 卷积神经网络（CNN）的作用 卷积神经网络（CNN）是深度学习中处理图像数据的核心工具。通过多层卷积操作，CNN能够自动从图像中提取出具有区分性的特征[^1]。...
内核配置精讲：CONFIG_NET_VENDOR_ROCKCHIP的3大作用与启用必要性
# Linux内核中Rockchip网络驱动支持的机制与实践 在当今嵌入式系统开发领域，面对日益复杂的硬件平台和多样化的应用场景，如何高效地管理设备驱动成为了一个关键挑战。特别是在国产芯片快速发展的背景下，像...
pve-sshpty：通过SSH进入Proxmox VM的串行控制台
02-13
存档注意：请参阅以获得替代！ 私密性 SSH进入Proxmox VM的串行控制台
window远程连接Linux（SSH）
博客
07-04 4002
转载地址：知乎地址 （本人在win10环境下安装Xshell来远程连接Ubuntu 16.04版本） 1、自行下载和安装Xshell 2、由于xshell与Ubuntu是通过ssh协议远程连接的，所以，连接之前需要给Ubuntu安装ssh服务器 （1）在Ubuntu终端中输入命令 sudo apt-get install openssh-server （2）保证 xshell 所在主机( win...
【保姆级教程】Windows 远程登陆 Linux 服务器的两种方式：SSH + VS Code，开发必备
u010522887的专栏
04-25 2万+
无论是通过SSH命令行还是VS Code，都能实现Windows系统下对Linux服务器的远程连接和开发。选择哪种方法取决于你的具体需求和偏好。至此，Windows 连接 Linux服务器的教程就结束了，实践是掌握技能的最好方式，不妨现在就开始尝试连接你的Linux服务器吧！如果对你有帮助的话，不妨支持一下啊~ 带你了解更多Linux + AI开发的干货~
远程控制服务（SSH）之Windows远程登陆Linux主机
gman344的博客
01-15 936
本篇blog同样介绍两种方式进行。 首先进行准备工作： 1、所用到的工具如下： （1） 装有Linux系统的VMware虚拟机*1 （2） 终端连接工具Xshell 6 2、将Windows系统和Linux系统设置在同一网段下 我所设置的IP如下： 系统 IP Windows 192.168.0.104 Linux（CentOS 7） 192.168.0.100 ------------------------------------------------...
Windows 系统下：SSH 远程连接 Linux 服务器的完整指南_windowsssh连接linux(1)
2401_83947398的博客
05-11 1180
为了做好运维面试路上的助攻手，特整理了上百道，让你面试不慌心不跳，高薪offer怀里抱！这次整理的面试题，本份面试集锦涵盖了1、什么是运维?2、在工作中，运维人员经常需要跟运营人员打交道，请问运营人员是做什么工作的?3、现在给你三百台服务器，你怎么对他们进行管理?4、简述raid0 raid1raid5二种工作模式的工作原理及特点5、LVS、Nginx、HAproxy有什么区别?工作中你怎么选择?6、Squid、Varinsh和Nginx有什么区别，工作中你怎么选择?
Windows（客户端）ssh免密码登录Linux（远程）
flytobj的专栏
01-11 1万+
需求：需要管理大量服务器，避免每次登录服务器都重复输入密码，特进行基于“公钥-私钥对”方法的远程登录设置。以下是我自己的设置方法。 基本原理：在本地生成一对公钥和私钥，将公钥字符串追加复制到服务器的“~/.ssh/authorized_keys”文件中（其中：.ssh文件夹权限设置为700， authorized_keys文件权限设置为600，这个文件中可以放多个公钥字符串，一个公钥一行）。私钥...
在Windows 10/11上使用SSH远程登录到Linux服务器
BadBoyxiaolin的博客
05-23 6699
Windows 10/11内置SSH客户端，在Windows 10/11上使用OpenSSH客户端，只需打开PowerShell窗口或命令提示符窗口并运行ssh命令。 PowerShell即cmd的增强版，可以直接在电脑的左下角搜索程序，搜索输入“PowerShell”，操作同cmd。 1.SSH远程登录 (1).口令验证 通过启动本地cmd控制台或者PowerShell，输入以下命令回车，再输入密码进行连接。 不使用默认端口第一次登录会提示：无法确认host主机的真实性，只知道它的公钥指纹，问你..
windows远程linux服务器-终端
qq_36907456的博客
11-05 3699
在Windows上远程连接到Linux计算机通常可以通过SSH（Secure Shell）协议实现。如果一切正常，你现在应该能够从Windows计算机通过SSH远程连接到Linux计算机。确保你使用的是正确的用户名和IP地址。为了让Linux计算机能够通过SSH被远程访问，你需要确保SSH服务器已安装并正在运行。如果你已经在Windows上安装了WSL，你可以直接在WSL终端中使用SSH命令。通过这些方法，你可以在Windows上远程访问Linux计算机的命令行界面。你可以通过包管理器安装它。
Windows远程操作Linux服务器
WADE
04-11 5814
一、引言 Linux大多应用于服务器，而服务器不可能像PC一样躺在办公室里，它们是放在IDC机房的，所以我们平时登录Linux系统都是通过远程登录的。Linux系统中是通过ssh服务实现的远程登录功能。默认ssh服务开启了 22 端口，而且当我们安装完系统时，这个服务已经安装，并且是开机启动的。所以不需要我们额外配置什么就能直接远程登录linux系统。Ssh服务的配置文件为/etc/ssh/ss...
利用WinSCP实现Windows与Linux的远程控制
3. **远程登录Linux服务器：** 通过SSH客户端（例如PuTTY、OpenSSH等）从Windows远程登录到Linux服务器，执行命令行操作。 通过以上知识点的介绍，可以看出Linux远程控制程序不仅为IT专业人员提供了管理服务器的...
评论 1
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