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
4k累计阅读
4.1k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
kubeadm join ip:port --token <token的值> \
–discovery-token-ca-cert-hash sha256: <sha的值>
k8s中token一般有效期为24小时
$ kubeadm token list
如果获取到的值不为空，则该token有效
$ openssl x509 -pubkey -in /etc/kubernetes/pki/ca.crt | openssl rsa -pubin -outform der 2>/dev/null | openssl dgst -sha256 -hex | sed ‘s/^.* //’
如果token失效，则可以新生成一个
$ kubeadm token create --print-join-command # 默认有效期24小时,若想久一些可以结合–ttl参数,设为0则用不过期
【kubernetes】kubeadm部署k8s集群（3主3从+keepalived/nginx负载均衡高可用）
K8S kubeadm搭建kubeadm init：在使用kubeadm方式安装K8S集群时，可根据初始化配置文件或配置参数选项快速的初始化生成一个K8S的master管理平台kubeadm join：根据kubeadm init初始化的提示信息快速的将一个node节点或其它master节点加入到K8S集群里1）所有节点进行初始化，安装容器引擎、kubeadm、kubelet、kubectl，部署 nginx/haproxy 负载均衡器和 keepalived 高可用。
【Kubernetes学习之连接集群】利用 kubeconfig 或 secret Token 连接 k8s 集群
serviceaccount的权限由集群中对应的rolebinding决定，官方文档:
【k8s集群应用】kubeadm1.20高可用部署（3master）
使用这个 key 和之前生成的 token，可以执行类似于以下的命令来加入新的 master 节点。进行重新生成Token，再次加入集群，新生成的Token为 2小时。默认k8s的使用端口的范围为30000左右，作为对外部提供的端口。我们也可以通过对配置文件的修改去指定默认的对外端口的范围。命令可以生成 Kubeadm 的默认初始化配置文件，并将其重定向到指定文件路径，例如。当您需要将新的 master 节点加入到集群中时，需要获取。参数，并将其设置为所需的端口范围。替换为实际的节点名称。
kube获得token_kubeadmin安装k8s
yum源mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.bkwget -nc http://mirrors.aliyun.com/repo/Centos-7.repo系统配置net.bridge.bridge-nf-call-ip6tables = 1net.bridge.bridge-nf-call-i...
Kubernetes 忘记token解决方案
平常工作中我们可能会忘记加入 k8s 集群所需要的token，这个时候我们两种解决方案。 1、永久token生成 通过生成永久token来保证它不会过期，不安全不推荐 $ kubeadm token create --ttl 0 2、临时token生成 个人推荐这种生成一个临时token的方式，可以保证集群安全性 $ kubeadm token create 我们...
kubeadm初始化k8s集群token过期后,集群增加或删除节点——详细文档
kubeadm初始化k8s集群token过期后,集群增加或删除节点——详细文档
07.kubeadm 集群初始化命令指南09-token
受限用途令牌 --usages=signing --groups=system:bootstrappers:auditroups=system:bootstrappers:autoscaler。格式要求：令牌必须遵循 “a-z0-9]{6}.a-z0-9]{16}” 的格式。多控制平面部署 --print-join-command --certificate-key=多控制平面部署 --print-join-command --certificate-key=
Jetbrains IDE 配置上Gemini Code 插件，让你的的编程高效起飞～
Gemini Code Assist是 Google 家产品，基座模型为最新的Gemini 2.5 Pro。本篇实践了在 WebStrom 中Gemini Code Assist插件的高效编程。
k8s - 常用命令
k8s
基于YOLOX与LPRNet的车牌检测与识别系统（Python+UI界面）实战指南
本文详细介绍了如何利用YOLOX目标检测模型与LPRNet车牌识别模型，从零构建一个完整的车牌检测与识别系统。通过解析CCPD数据集、训练深度学习模型，并最终集成到PyQt5开发的图形化UI界面中，提供了一个从数据处理到应用部署的完整实战指南，帮助开发者快速掌握智能交通系统中的关键技术。
手把手教你用Multisim搭建FM直接调频电路（附完整波形分析）
本文通过Multisim仿真软件，手把手教你搭建FM直接调频电路。详细介绍了从核心概念理解、压控振荡器（VCO）参数设置、电路搭建与波形观测，到带通滤波器设计与信号优化的完整流程。通过对比滤波前后的时域波形与频谱分析，帮助读者直观理解频率调制原理，并提供了常见问题的排查思路与参数调试方法，将抽象的通信理论转化为可操作的实践技能。
k8s加入集群之获取token和sha256
1 获取或生成token 1.1 查看token 命令：kubeadm token list[root@k8s-master /]# kubeadm token list TOKEN TTL EXPIRES USAGES DESCRIPTION EXTRA GROUPS jg2shz.spsj
EMC(6)——电磁场的屏蔽
假如，机箱没有开口缝隙，比如篮球这种壳体，屏蔽效能都能达到100dB，100dB，基本上把电磁场强度能衰减万倍的关系，所以，这种方式屏蔽效能非常高。一般，钣金机箱，缝隙很大，大家目视就可以看到，铝铣的机箱，比较平整，但实际情况，表面其实也是坑坑洼洼，只是，大家肉眼看不出来而已！这种安装方式，是直接在缝隙增加导电材料，存在一个问题，就是，手法温柔点，压缩度会不够，手法粗暴点，过度压缩。所以，不是说，用金属机箱就能起到屏蔽效果，重要的是，要做好机箱孔缝电磁兼容设计，否则，是金属机箱，也是摆设。
k8s 新节点或 旧节点 加入到 master 节点
k8s 新节点或 旧节点 加入到 master 节点 参考地址: https://kubernetes.io/docs/setup/production-environment/tools/kubeadm/create-cluster-kubeadm/ 1.查看 master 的节点的 token ： > kubeadm token list 2.没有相应的 token 的话,则...
Claude Code（1）：手把手教你安装配置 Claude Code
Claude Code 是一款强大的 AI 编程助手工具，能够帮助开发者提升编码效率。本文将详细介绍如何在不同操作系统上安装和配置 Claude Code，让你快速上手这款工具。
STM32入门教程：水位传感器应用
这是一个简单的STM32水位检测系统的入门教程。希望通过学习本教程，您能对STM32微控制器的基本应用有更深入的了解，并能成功构建一个水位检测系统。如果您需要更详细的代码实例和教程，请参考相关的STM32开发手册和应用笔记。STM32是一款功能丰富且广泛应用于嵌入式系统的微控制器系列。在本教程中，我们将介绍如何使用STM32微控制器和水位传感器构建一个水位检测系统。
Kubernetes node节点加入Mater
Kubernetes node节点加入Mater
Android编译系统——Android.bp语法介绍（十五）
Android.bp 是 Android 构建系统（Android Build System）中的配置文件，用于描述如何编译和打包项目中的模块。它是用 Blueprint 编写的，其语法类似于 JSON，但专为 Android 编译系统设计，提供了更高效、灵活的模块化管理。
k8s重要概念及部署k8s集群（一）
重要概念 1. cluster cluster是 计算、存储和网络资源的集合，k8s利用这些资源运行各种基于容器的应用。 2.master master是cluster的大脑，他的主要职责是调度，即决定将应用放在那里运行。master运行linux操作系统，可以是物理机或者虚拟机。为了实现高可用，可以运行多个master。 3.node node的职责是运行容器应用。...
★教程3:Simulink学习教程入门60例目录
1.订阅本教程用户可以免费获得本博任意1个(包括所有免费专栏和付费专栏)博文对应代码；2.本Simulink课程的所有案例(部分理论知识点除外)均由博主编写而成，供有兴趣的朋友们自己订阅学习使用。未经本人允许，禁止任何形式的商业用途；3.本课程除了介绍常见的Simulink模块介绍之外，我们更侧重于各种实例的完整设计介绍。从通信，控制器，图像处理，语音处理，电力系统等诸多常用领域介绍了相关案例，如果对于某个较为复杂的案例，初学者无法正确复现，也可以私信博主获得完整Simulink模型文件。
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")
Kubernetes(K8S)集群部署
具体操作步骤可以参考之前的教程，建议是先安装一台，然后克隆虚拟机，这样速度快。注意：在克隆时记得修改Mac地址、IP地址、UUID和主机名。（最后别忘了保存下快照~）
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
kubeadm管理的k8s（kubernetes）集群加入新节点
kubeadm管理的k8s（kubernetes）集群加入新节点一、token有效期的问题二、快速获得join命令（一条命令时实现节点加入）三、获得不过期的token（一条命令时实现节点加入） 一、token有效期的问题 使用kubeadm安装k8s集群的过程中，bootstrap控制器会自动产生kubeadm join 命令。但由于自动生成的Token是只有24小时的有效期，如果在24小时候，...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
kubeadm join命令加入k8s集群的报错记录
Kubelet 似乎没有运行或处于不健康状态，报错信息如下。##注意是master节点。#删除k8s配置文件和证书文件。
基于Kubeadm实现K8S集群扩缩容指南
缩容注意事项 确保所有非DaemonSet Pod已被驱逐，避免业务中断。 重置节点后需清理残留数据，防止敏感信息泄露。 扩容注意事项 Token有效期：默认24小时，--ttl 0设置为永久有效。 确保新节点与Master网络互通，防火墙放行6443端口。 常见问题排查 节点无法加入：检查Token有效性、时间同步、网络连通性。 节点状态非Ready：等待网络插件（如Calico）自动配置，检查kubelet日志： journalctl -u kubelet -f
K8S集群增加新node - kubeadm 生成 token
K8S集群增加新节点 - kubeadm 生成 token 通过kubeadm初始化后，都会提供node加入的token。 但是默认token的有效期为24小时，当过期之后，该token就不可用了。 生成新的token。 [root@k8s-master ~]# kubeadm token create iuv3h7.9yhwvfm9f3phpfcl [root@k8s-master ~]# ku...
kubeadm join 使用的 token 过期之后，如何加入集群
在 k8s 1.8 之后，默认生成的 token 有效期只有 24 小时，之后就无效了。if you require a non-expiring token use --token-ttl 0 在初始化集群之后如果 token 过期一般分一下几部重新加入集群。 重新生成新的 token $ kubeadm token create m9rrtc.2cm48k5w6ymsprwt $ k...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1975
扫一扫
