weixin_39464400的博客

原创 晒一下阿里云云计算ACA证书

原创 《Linux就该这么学》day18：文件共享服务Samba, NFS和autofs

原创 《Linux就该这么学》day17：使用vsftpd服务传输文件

原创 《Linux就该这么学》day16：Apache服务和SELinux设置

原创 《Linux就该这么学》day15：使用ssh服务管理远程主机

原创 《Linux就该这么学》day12：防火墙iptables和firewalld

原创 《Linux就该这么学》day11：★逻辑卷LVM+配置网卡4种方法+配置yum/dnf软件仓库

原创 《Linux就该这么学》day10：磁盘阵列RAID技术

原创 《Linux就该这么学》day09：磁盘设备管理

原创 《Linux就该这么学》day08：文件权限和sudo

原创 《Linux就该这么学》day07：用户身份与文件权限

原创 《Linux就该这么学》day06：Shell命令

原创 《Linux就该这么学》day05：Vim编辑器和Shell命令

原创 《Linux就该这么学》day04：管道符和重定向

原创 《Linux就该这么学》day03：常用的Linux基础命令

原创 《Linux就该这么学》day02：安装虚拟机和红帽系统

原创 《Linux就该这么学》day01：红帽系统介绍

原创 Linux中文件颜色的总结

Linux中一切都是文件；要想配置一个服务，就要去修改该服务对应的配置文件；要想让该服务立刻生效，需要重启该服务。关于Linux中不同文件颜色的含义总结如下：蓝色：目录文件（directory)白色：普通文件（regular）绿色：可执行文件（executable）红色：压缩文件 （.tar.gz 和 .tar.bz2）黄色：设备文件（block, character, fifo）淡蓝色：链接文件 （link）粉红色：图片文件或套接字文件（socket）灰色：其他文件 (other

原创 Linux命令行输入中非常有用的快捷键总结

下面的ctrl代表键盘左下角的control键，alt代表空格按键旁边的alter键，小写字母（比如a）代表键盘上的a按键。Linux命令行输入中有用的快捷键如下：ctrl + a 回到本行命令的开头ctrl + e 回到本行命令的结尾ctrl + u 一次性删除本行正在输入的命令ctrl + l 清空所有屏幕内容，让屏幕看起来更整洁。 这里的l是L键，即letter的首字母。tab 在敲命令时经常按下tab键会自动补全单词或命令。

原创 用VMware虚拟机安装红帽RHEL8出现“此主机不支持64位客户机操作系统”的问题

主机Win10，用VMware15.5虚拟机安装红帽RHEL8系统，在安装到客户机选择“版本”的步骤时，报出“此主机不支持64位客户机操作系统”的错误，导致无法安装。 由于之前主机启用了Hyper-V 管理器，导致了相互之间的不兼容。 解决办法： 按住win+r键打开运行输入框，输入cmd，以管理员身份，调出命令提示符窗口，输入： bcdedit /set hypervisorlaunchtype off 如下图管理员： 命令提示符Micros...

原创 晒一下阿里云人工智能方向的ACA证书~~

原创 短小精悍算例: 用Python求矩阵的秩和逆矩阵

1、用Python求解矩阵的秩import numpy as npa = np.array([[1, 2, 3], [3, 5, 6], [1, 3, 5]])# 求矩阵的秩print(np.linalg.matrix_rank(a))结果： 32、用Python求解矩阵的逆矩阵# 求逆矩阵print(np.linalg.inv(a))结果： array([[ 7., -1., -3.], [-

原创 解决Jupyter Notebook不能用tab键自动提示补全的问题

解决Jupyter Notebook不能用tab键自动提示补全的问题Jupyter中经常碰到无法使用Tab键自动补全的问题，原因是jedi库版本太新了，不兼容。查看jedi库的版本，在cmd中输入：pip show jedi显示：Name: jediVersion: 0.18.0这是最新版本，换一个低版本的库，在cmd中输入：pip install jedi==0.17.0Jupyter Notebook就可以用tab键自动提示的功能了！完美解决~~~...

原创 短小精悍算例：Python中zip()函数的用法

x = [1, 2, 3]y = ['a', 'b', 'c']z = zip(x, y) # x和y中元素一一对应上print(dict(z)) # 以字典形式输出输出结果：{1: 'a', 2: 'b', 3: 'c'}

原创 短小精悍算例：Python中用astype()函数转换数据类型

把64位浮点数据转换为32位。import numpy as npa=np.array([1.0, 2.0, 3.0])print("a的数据类型：", a.dtype)b=a.astype('float32') # 转行数据类型print("b的数据类型：", b.dtype)输出结果：a的数据类型： float64b的数据类型： float32...

原创 短小精悍算例：TensorFlow中的softmax函数求模拟概率

已知一个数组：X=[x1, x2, x3] （ exp(x代表幂指数 )x1的模拟概率为：p(x1)=exp(x1) / ( exp(x1)+exp(x2)+exp(x3))x2的模拟概率为：p(x2)=exp(x2) / ( exp(x1)+exp(x2)+exp(x3))x3的模拟概率为：p(x3)=exp(x3) / ( exp(x1)+exp(x2)+exp(x3))import tensorflow as tfx = tf.constant([[0.1, 0.2, 0.5],

原创 短小精悍算例：TensorFlow中tf.argmax()函数的使用-返回最大值的位置索引

import numpy as np import tensorflow as tfx = np.array([[3, 1, 2], [4, 7, 3], [5, 0, 1], [2, 4, 6]])a = tf.argmax(x, axis=0) # 求各列最大值b = tf.argmax(x, axis=1) # 求各行最大值sess = tf.Session()print(sess.run(a))

原创 短小精悍算例：TensorFlow中concat()函数实现矩阵拼接操作

import tensorflow as tfimport numpy as npA = tf.placeholder(dtype=tf.float32, shape=[2, 2])#矩阵连接操作，在大型神经网络中用的比较多AA0 = tf.concat([A, A], axis=0) #上下拼接AA1 = tf.concat([A, A], axis=1) #左右拼接#初始化init = tf.global_variables_initializer()sess = tf.Sessi

原创 短小精悍算例：TensorFlow中使用cast()函数转换数据类型

import tensorflow as tfimport numpy as npA = tf.placeholder(dtype=tf.float32, shape=[2, 2])B = tf.cast(A, tf.float64)print(A.dtype,B.dtype)输出结果：<dtype: 'float32'> <dtype: 'float64'>A是32位浮点型，转换为B后是64位浮点型。...

原创 短小精悍算例：TensorFlow中placeholder的使用举例

TensorFlow中placeholder用于接收外部数据，见如下算例。import tensorflow as tfimport numpy as np# 定义变量a = tf.Variable(np.ones([4, 4]))# 定义placeholder，起到接受数据的作用b = tf.placeholder(dtype=tf.float64, shape=[4, 4])# 变量初始化（必不可少的环节）init = tf.global_variables_initializer()

原创 短小精悍算例：TensorFlow通过定义变量实现矩阵乘法

import tensorflow as tfimport numpy as np#定义变量b1 = tf.Variable(np.ones([4, 4])*2)b2 = tf.Variable(np.ones([4, 4]))#定义矩阵乘法b1_elementwise_b2 = b1 * b2 # 对应元素相乘b1_dot_b2 = tf.matmul(b1, b2) # 矩阵乘法#variable需要初始化init = tf.global_variables_initializ

原创 短小精悍算例：TensorFlow实现两个矩阵的相乘运算

import tensorflow as tfimport numpy as npa1 = tf.constant(np.ones([4, 4]))a2 = tf.constant(np.ones([4, 4])*0.3)sess = tf.Session() # 开启一个会话print(sess.run(a1),'\n') # 打印矩阵a1print(sess.run(a2),'\n') # 打印矩阵a2print(sess.run(a1@a2)) # 打印矩阵a1*a2输

原创 短小精悍算例：Python中快速产生多行多列空值None列表

方法1：利用Numpyimport numpy as npa=np.zeros([5,3])a[a==0.0]=Nonea=a.tolist()print(a)方法2：利用for循环c=[[None for j in range(3)] for i in range(5)]print(c)结果都是如下：5行3列[[nan, nan, nan], [nan, nan, nan], [nan, nan, nan], [nan, nan, nan], [nan, nan, nan]

原创 短小精悍算例：用Python的matplotlib库绘制矩阵热力图

import matplotlib.pyplot as pltimport numpy as np# 产生10*10维矩阵a = np.random.uniform(0.5, 1.0, 100).reshape([10,10])# 绘制热力图from matplotlib import cmplt.imshow(a, interpolation='nearest', cmap=cm.coolwarm, origin='lower')plt.colorbar(shrink=.92)plt

原创 短小精悍算例：Python绘制柱状图

import matplotlib.pyplot as pltimport numpy as npn = 12X = np.arange(n)Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')plt.bar(X

原创 短小精悍算例：Python实现PCA(主成分分析)降维

PCA（principal components analysis）即主成分分析技术，意在利用降维的思想，把多个指标转化为少数几个综合指标。下面用Python实现：from sklearn.decomposition import PCAfrom sklearn import datasets## 加载数据iris = datasets.load_iris()X = iris.datay = iris.target## 降维操作，4维降维成2维pca = PCA(n_components

原创 短小精悍算例：Python如何提取数组Numpy array中指定元素的位置索引

数组a的表达式如下：import numpy as npa = np.array([1, 2, 3, 2, 2, 3, 0, 8, 3])print(a)输出结果：[1 2 3 2 2 3 0 8 3]现在要找出a中元素3的位置索引。r1 = np.where(a==3)print(type(r1))print(r1)输出结果：<class 'tuple'>(array([2, 5, 8], dtype=int64),)可见得到的是一个tuple。如果要想得到arra

原创 短小精悍算例：Python如何提取列表list中指定元素的位置索引

列表a=[1, 2, 3, 2, 2, 3, 0, 8, 3]现要找出列表a中元素3所在的索引位置。可以使用a.index(3),但是只能返回第一个元素3的索引，不能返回所有元素3的索引。a=[1, 2, 3, 2, 2, 3, 0, 8, 3]a.index(3)返回结果：2 # 可见只返回第一个元素3的索引。考虑用enumerate方法，如下：a=[1, 2, 3, 2, 2, 3, 0, 8, 3]r1 = [k for (k,v) in enumerate(a) if v

原创 短小精悍算例：用Python的feature_selection库实现特征选择

用Python的feature_selection库实现特征选择。from sklearn.datasets import load_irisfrom sklearn.feature_selection import chi2from sklearn.feature_selection import SelectKBestiris = load_iris() # 加载数据X, y = iris.data, iris.targetprint("原始特征(前10个)：\n", X[0:10]

原创 图像处理算例：用Python的奇异值分解SVD实现图像压缩

import matplotlib.image as mpimg # mpimg 用于读取图片mappingimport numpy as np import matplotlib.pyplot as pltimg = mpimg.imread("D:/swift.jpg")img = img[:, :, :]/255 print("原始图像尺寸：", img.shape)...