LINUX环境使用rpm与yum进行软件安装

一:软件包管理介绍
1.软件包分类
源码包:脚本安装包
二进制包:RPM包,系统默认包
2.源码包
优点:
开源,有足够到能力,可修改源码
可以自由选择所需功能
软件是编译安装,所以更加设和自己到系统,更加稳定,效率也更高
卸载方便
缺点:
安装过程步骤较多,尤其安装较大到软件集合时,容易出现拼写错误
编译过程时间较长,安装比二进制安装时间长
因为是编译安装,安装过程中一旦报错新手很难解决
3.RPM包
优点:
包管理系统简单,只通过几个命令就可以实现包安装,升级查询和卸载
安装速度比源码包安装快的多
缺点:
经过编译,不再可以看到源代码
功能选择不如源码包灵活
依赖性
4.脚本安装包
所谓到脚本安装包,就是把复杂的软件包安装过程写成了程序脚本,初学者可以执行程序脚本实现一键安装。但实际安装到还是源码包和二进制包
优点:安装简单,快捷
缺点:安全丧失了自定义性
二:RPM包命令管理
1.RPM包的来源
RPM包在系统光盘中
挂载光盘:
mkdir /mnt/dirname
mount /dev/sr0 /mnt/dirname
包位置:
cd /mnt/dirname/Packages
2.RPM包命名规则
-软件包名
-软件版本
-软件发布次数
-适合的linux平台
-适合到硬件平台
-包扩展名
3.RPM包依赖性
树形依赖:a->b->c
环形依赖:a->b->c->a
模块依赖:查询网站:www.rpmfind.net
4.包全名与包名
包全名:操作的包没有安装的软件包时,使用包全名,而且要注意路径
包名:操作已经安装到软件包时,使用包名,是搜索//var/lib/rpm/中到数据库
5.RPM命令
安装:
rpm -ivh 包全名
选项
- -i(install) 安装
- -v(verbose)显示详细信息
- -h(hash)显示进度
- –nodeps 不检测依赖性

升级:
rpm -Uvh 包全名
选项
- -U(upgrade) 升级

卸载:
rpm -e 包名
选项
- -e (erase)卸载
- --nodeps不检查依赖性

查询:
查询包是否安装
rpm -q 包名
选项
- -q 查询(query)

查询所有已经安装的rpm包
rpm -qa
选项
- -a 所有(all)

查询软件包详细信息
rpm -qi 包名
选项:
- -i 查询软件信息(information)
- -p 查询未安装包信息(package)

查询包中文件位置
rpm -ql 包名
选项:
- -l 列表(list)
- -p 查询未安装包信息(package)

查询系统文件属于哪个rpm包
rpm -qf 包名
选项:
- -f 查询系统文件属于哪个软件包(file)

查询软件包的依赖性
rpm -qR 包名
选项:
- -R 查询软件包的依赖性(requires)
- -p 查询未安装包信息(package)

rpm包校验
rpm -V  已安装的包名
选项:
- -V 校验指定rpm包中的文件(verify)

三:yun在线管理
1.光盘挂载
2.使网络yum源失效
进入yum源目录
cd /etc/yum.repos.d/
修改yum源文件后缀名,使其失效
mv CentOS-Base.repo CentOS-Base.repo.bak
3.使光盘yum源生效
vi CentOS-Media.repo

name=CentOS-$releasever - Media
baseurl=file:///media/CentOS/(改为挂载目录,如:/mnt/cdrom)
gpgcheck=1
enabled=0(这块改为1,启用)
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-6
4.yum命令
(1).常用yum命令
1).查询
查询所有可用软件包列表
yum list

    搜索服务器上所有和关键字相关到包
    yum search 关键字
    2).安装
    yum -y install 包名
    选项:
    - -install 安装
    - -y       自动回答yes
    3).升级
    yum -y update 包名
    选项:
    - -update  升级
    - -y       自动回答yes
    4).卸载
    yum -y remove 包名
    选项:
    - -remove  卸载
    - -y       自动回答yes
    服务器使用最小化安装,用什么软件安装什么,尽量不卸载
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
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