【藏于山中的妖怪,隐入尘烟山海】

山是群晖7.1

大概三年前,我有了第一台自己的群晖6.2,后来升级到了7.0,现在用的7.1,也许我只能小声说,嘿,挺好使.
最好用的地方是web界面,web里面最好用的是docker给人的感觉,docker里面可以, port, volume,随时调整,console随时使用.所以才有了后来的kasm 里的OS.当然还有套件,我不是矿神的三方,很好用.正好来挖这座山.

山中有河流两条

我要是的河流是网络结构的灵活性,也就是

  1. 挺更不太安全的NPS,这是我不太愿意谈的,因为他如果暴露出漏洞,又没有办法修复,我就太危险了.但是基本不设计危险保密的东西.顶多来人看我隐私.我都把毛巾挂摄像头防止.说会NPS,他真像流经大地的树枝.也是WEB管理,可以互相连接各种网络. 因为我的群晖上曾经有三条网络,他可以随意转接.让三个网络可以互通.比如, 外网-家里的网络.这些都是相互的.
  2. 第二个确实感谢caddy.以前我用不同的TCP端口,表示不同的服务.caddy给我的ezdial.cn一个能力.就是我把*.ezdial.cn给了caddy.然后用不同的子域名表示不同的服务.反向代理不同的端口.这样我只要记住一个端口,记住一个字母就能找到自己的服务.目前用的有, a.ezdial.cn的远程aria2的下载.npss.ezdial.cn的fileborwser.还有其他的比如的filebrowser下用caddy的静态服务,开了一个目录,而且也防的npss.ezdial.cn下面的一个/子目录.原因是他最像静态文件访问.可以随便调用.好过任何网盘,比如iptv的订阅,和节点订阅.
    总之这两个就是一种四通八达的连接线.也就是我需要的山中之河.

有洞府两座

前面已经提过了,大家可能猜到,docker.我的aira2就的他上面,最近做的一个摄像头点名的后台,flash, 和redis,都是在这个上面.好处已经说过.但是我用的不规范. pantain,是一个管理docker的工具 ,而且可以安装的docker.大概吧,有很多比如下面的主叫,用来做android studio还有vscode 做vue,python, jupyter,这些的操作环境,都在ubuntu 22.04里面,上面已经介绍过了, 我发现可以把他叫妖怪是因为,他居然可以共用两条河流,nps,caddy, 毕竟,开始我还用他做 node.js的chatgpt的一个中转.后面说妖怪再细说
另一个是虚拟机.VMM,visual machion manager .这个有点像独立体的操作系统.曾安装了win7,openwrt,tiny.目前用着,armbian,做旁路由,安装crash用.本来可以给他两条线路,一内,一外,做一个软路由.但是感觉太核心的网络功能,在一个综合性的设备上.心里别扭.所以拆离了,成了一个旁路透明软路由.而且,后来把frpc的客户端也跑到里面.这样就是为了测试. 主要是随意升级. 没啥问题.

深潭一处

其实我开始大概想在这里说caddy,但是他成了河流, 那么,那么可以把河流当成frp吧. 现在继续说caddy,好吧该说的已经说过了.

巨树一颗

这个树,大概是另外一个,就是套件管理吧,前面已经说过.比如,以前文章说过的电子邮件系统,就是用套件实现的,还是官方的.但是web mail.官方的要收费.不然版本低,功能受限.所以用了docker的web cube.
当然好多都得自己去发现了.postgres.各种开发基础也可以在这里找出.比如当我把flask的docker.文件系统映射到存储.安装了简单的编辑TextEdit.我就能web改变app.py.保存,随时加载调试,因为是debug=true.这样操作是挺方便的.
曾经也弄了个本地电子书.分类管理的图书工具.C开头的.后来没在用.也有音乐电影,图片.这里不专门介绍.
最好妖怪出场

怪乃ubuntu24.04LT

他的出场是因为,docker本身寄存的系统里,性能的使用好过VMM的虚拟机.而且所用的版本,内置webvnc.一个开源项目.居然输入法拷贝站体,都有一丝丝的顺滑敢.再看功能,真是个妖怪.以下是简要介绍,可能会展开说说,这一次先到这里.

居于洞府之中

乘河流世间往来

吞吐云雾幻化身形

灵气和树

日常骚操作

他的Jupyter

还有VSCode

pip、npm、yarn、apt-get

Vue、React

ssh、ip addr add

内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输层与层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输权重和层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比图表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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

打赏作者

wjcroom

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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