Linux 状态命令之网络状态 ping 简介Linux ping 命令用于检测主机。 执行 ping 指令会使用 ICMP 传输协议,发出要求回应的信息,若远端主机的网络功能没有问题,就会回应该信息,因而得知该主机运作正常。 语法123456789101112131415161718ping [-dfnqrRv][-c<完成次数>][-i<间隔秒数>][-I<网络界面>][-l<前置载入> 2021-07-05 Linux #Linux
Linux 状态命令之网络状态 ss 简介ss(Socket Statistics)命令可以用来获取 socket 统计信息,它显示的内容和 netstat 类似。但 ss 的优势在于它能够显示更多更详细的有关 TCP 和连接状态的信息,而且比 netstat 更快。当服务器的 socket 连接数量变得非常大时,无论是使用 netstat 命令还是直接 cat /proc/net/tcp,执行速度都会很慢。 ss 命令利用到了 TC 2021-07-05 Linux #Linux
Linux 状态命令之网络状态 telnet 简介telnet 命令用于登录远程主机,是基于 Telnet 协议的远程登录程序,对远程主机进行管理。telnet 因为采用明文传送报文,安全性不好,很多 Linux 服务器都不开放 telnet 服务,而改用更安全的 ssh 方式了。但仍然有很多别的系统可能采用了 telnet 方式来提供远程登录,因此弄清楚 telnet 客户端的使用方式仍是很有必要的。 telnet 命令还可做别的用途,比如 2021-07-05 Linux #Linux
Linux 状态命令之进程状态 pstree 简介Linux pstree(英文全称display a tree of processes) 命令将所有进程以树状图显示,树状图将会以 pid (如果有指定) 或是以 init 这个基本进程为根 (root),如果有指定使用者 id,则树状图会只显示该使用者所拥有的进程。 语法12345pstree [-a] [-c] [-h|-Hpid] [-l] [-n] [-p] [-u] [-G|-U] 2021-07-05 Linux #Linux
Linux 运维常用命令 123456789101112# 查看用户 fenglepeng 打开的进程数量[fenglepeng@centos ~]# ps -U fenglepeng | wc -l21# 查看 和 uwsgi 相关的线程数量[fenglepeng@centos ~]# ps -xH |grep uwsgi | wc -l106# 查看用户 fenglepeng 打开的文件数量[fenglepeng@ce 2021-07-05 Linux #Linux
WebSocket 简介 0、概念介绍 单工通信:数据传输只允许在一个方向上传输,只能一方发送数据,另一方接收数据并发送。 半双工:数据传输允许两个方向上的传输,但在同一时间内,只可以有一方发送或接收数据。 全双工:同时可进行双向数据传输。 1、websocket 介绍WebSocket 是 HTML5 下一种新的协议(WebSocket 协议本质上是一个基于 tcp 的协议),WebSocket 协议在 2008 年诞 2021-07-05 JavaScript #JavaScript
epel 源 epel 简介EPEL (Extra Packages for Enterprise Linux)是基于Fedora的一个项目,为“红帽系”的操作系统提供额外的软件包,适用于RHEL、CentOS和Scientific Linux. epel 源配置 对本地yum源进行删除或者备份mv /etc/yum.repos.d/test.repo /etc/yum.repos.d/test.repo.ba 2021-07-05 Linux #Linux
layui 注意事项 layui 中 只能使用 function_name = function(){} 的函数,不能使用 function func (){} 格式。 2021-07-05 frontend > layui #frontend #layui
yum 源 yum 源简介yum 是一种在Linux环境下安装、更新和删除软件包的软件管理器。通过yum,用户可以轻松地从软件仓库中搜索和安装包含所需软件的软件包,并自动处理所需的依赖关系。 此外,yum 还可以与其他软件管理工具配合使用,例如 rpm。它是许多Linux发行版中的默认软件包管理器。 简介 首先备份 /etc/yum.repos.d/CentOS-Base.repo 1mv /etc/yum. 2021-07-05 Linux #Linux
前端报错之mixed content the page at was loaded over https mixed content the page at was loaded over https报错原因: HTTPS页面里动态的引入HTTP资源,比如引入一个js文件; 在HTTPS页面里通过AJAX的方式请求HTTP资源。 解决方案: 如果目标有https资源,就是用https方式能打开连接,可以直接用相对路径例如//baidu.com CSP:如果不想改,而且确定连 2021-07-05 JavaScript #JavaScript
清华镜像源 因为 Centos 官网是挂在国外的服务器上,下载镜像时相比于国内的下载速度会慢很多,所以在这里向大家分享两个国内的镜像站去下载 Centos 镜像。 清华大学开源软件镜像站下载Centos7镜像 清华大学开源软件镜像站地址:https://mirrors.tuna.tsinghua.edu.cn/ 向下滑找到【centos】进行点击。 向下滑点击【7.9.2009/】。 点击【i 2021-07-05 Linux #Linux
缓冲(buffer)和缓存(cache) buffer 和 cache 是内存的不同的体现,接下来简单分析对buffer和cache的理解。 buffer:A buffer is something that has yet to be “written” to disk. 翻译过来就是:buffer 就是写入到磁盘。 buffer 是为了提高内存和硬盘(或其他I/O设备)之间的数据交换的速度而设计的。 buffer 是在向 2021-07-05 Linux #Linux
阿里镜像源 因为 Centos 官网是挂在国外的服务器上,下载镜像时相比于国内的下载速度会慢很多,所以在这里向大家分享两个国内的镜像站去下载 Centos 镜像。 二、前往阿里云镜像站下载Centos7镜像 阿里云官网地址:https://www.aliyun.com/ 点击左上角的【文档与社区】展开选择【镜像站】。 点击【centos】。 点击【下载链接】。 向下翻点击【7.9.2009 2021-07-05 Linux #Linux
深度学习常见数据集COCO Python使用 pycocotools.coco 简介COCO API 提供了 Matlab, Python 和 Lua 的 API 接口. 该 API 接口可以提供完整的图像标签数据的加载, parsing 和可视化。此外,网站还提供了数据相关的文章, 教程等。 在使用 COCO 数据库提供的 API 和 demo 之前, 需要首先下载 COCO 的图像和标签数据(类别标志、类别数量区分、像素级的分割等 ): 图像数据下载到 coco/ 2021-06-29 深度学习 > Python #深度学习 #Python
深度学习常见数据集COCO Python使用 pycocotools.cocoeval 首先了解下cocoeval .py的构成吧。 Params类:对于COCO格式的数据检测,我们主要分为不同的IoU阈值,不同的面积范围,单张图片的最大检测数量。在这些不同的参数下,会得到不同的AP与AR。 所以在这个类中,我们需要指定这些参数的数值范围,具体可看下面贴出的代码。 标准的即IoU阈值设置为从0.5-0.95 间隔0.05,一共10个阈值 AR的阈值为0-1 间隔0.01 ,一共101 2021-06-29 深度学习 > Python #深度学习 #Python
评价模型的参数 TP、TN、FP、FN 一、基础概念 TP:被模型预测为正类的正样本 TN:被模型预测为负类的负样本 FP:被模型预测为正类的负样本 FN:被模型预测为负类的正样本 预测为正样本(Positive) 预测为负样本(Negative) 实际为正样本(True) TP(真正例) FN(假反例) 实际为负样本(False) FP(假正例) TN(真反例) 二、通俗理解(以西瓜数据集为例)以西瓜数据集为例 2021-06-29 深度学习 #深度学习
评价目标检测(object detection)模型的参数 IOU、AP、mAP 首先我们为什么要使用这些呢? 举个简单的例子,假设我们图像里面只有1个目标,但是定位出来10个框,1个正确的,9个错误的,那么你要按(识别出来的正确的目标/总的正确目标)来算,正确率100%,但是其实效果不是很好,而且还有框的各种情况,因此我们需要下面的指标来衡量一个目标检测模型的好坏。 1.IOU(Intersection Over Union)这是关于一个具体预测的Bounding 2021-06-29 深度学习 #深度学习
深度学习之 FPN (Feature Pyramid Networks) 论文题目:Feature Pyramid Networks for Object Detection 论文链接:https://arxiv.org/abs/1612.03144 论文代码:Caffe版本 https://github.com/unsky/FPN 《Feature Pyramid Networks for Object Detection》这篇论文主要解决的问题是目标检测在处理多 2021-06-21 深度学习 #深度学习
深度学习之TersorRT 1 简介TensorRT是一个高性能的深度学习推理(Inference)优化器,可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架,将TensorRT和NVIDIA的GPU结合起来,能在几乎所有的框架中进行快速 2021-06-21 深度学习 #深度学习
深度学习常见数据集之COCO COCO 简介 官网地址:https://cocodataset.org MS COCO 数据集主页:http://mscoco.org/ Github 网址:https://github.com/Xinering/cocoapi 关于 API 更多的细节在网站: http://mscoco.org/dataset/#download MS COCO的全称是Microsoft Common Ob 2021-06-18 深度学习 #深度学习