docker笔记

本文详细介绍了在Linux环境下安装Docker的方法,包括检查内核版本、安装、重启、查看版本及状态等步骤,并提供了Docker常用操作命令,如搜索、拉取、运行、停止和删除容器等。

1.安装(linux环境)
需要先确定linux内核版本,内核版本继续高于3.10

uname -r

2.安装docker

sudo systemctl restart docker

3.查看docker版本

docker -v

4.查看docker状态

systemctl status docker

5.启动docker

systemctl start docker

6.停止docker

systemctl stop docker

7.设置开机自启

systemctl enable docker

docker操作命令

docker search 关键字 eg:docker search redis	我们经常去docker hub上检索镜像的详细信息,如镜像的TAG。
docker pull 镜像名:tag	:tag是可选的,tag表示标签,多为软件的版本,默认是latest
docker images	查看所有本地镜像
docker rmi image-id	删除指定的本地镜像
docker rum --name container-name -d image-name  说明:--name:自定义容器名,-d:后台运行,image-name:指定镜像模板
docker ps 查看运行中的容器
docker start container-name/container-id 启动容器
docker stop container-name/container-id 停止容器
docker rm container-id 删除容器
docker exec -it some-mysql bah 进入mysql容器

-p 6379:6379   -p:主机端口
docker logs container-name/container-id 容器日志
 ````
修改镜像源
阿里云搜索:容器镜像服务
在镜像中心有个镜像加数按照那个教程做
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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