运维基础01

一、硬件

1、主机/服务器:

1u = 4.45cm
dell   型号
1U         R410 420
2U         R730   

2、主机组成:

主板 CPU 硬盘 内存 声卡 显卡

3、服务器电源:

双电源/多台服务器可以单电源

4、主板

5、CPU

负责运算和控制的控制中心。CPU比计算机其他部件更能决定计算机的工作速度和效率。

型号

英特尔  AMD  

(1)CPU风扇

6、BIOS芯片

负责主板通电后各部分自检,设置,保存,一切正常后才能启动操作系统。

常见三种BIOS:Award BIOS、AMI BIOS和Phoenix BIOS这三种。

7、总线扩展槽

8、硬盘

大容量存储器,决定网站的访问速度

IDE SCSI SAS(用于服务器) SATA SSD

 9、内存条

电脑临时存放数据的机器。

内存大小决定电脑速度。

运维会优化,将所有数据放在内存,让用户使用内存数据。

           L1L2L3     cache

CPU  ——>内存——>硬盘

10、各层次性能比较

二、操作系统

1、linux

centos---redhat更新后换logo

redhat---Fedora稳定后使用

Fedora--最早更新linux版本

2、安装CentOs7.4

(1)RedHat7=CentOs7,只是logo不一样

(2)虚拟机向导

(3)处理器

(4)内存

(5)网络类型

(6)磁盘

(7)镜像文件

(8)安装

界面说明:

Install CentOS 7  安装CentOS 7

Test this media & install CentOS 7 测试安装的光盘镜像并安装CentOS 7

Troubleshooting 修复故障,这个在后期讲到修复无法正启动的Linux系统时,会讲如何使用。

(9)处理最小化安装

(10)分区

注:

boot 分区: 是引导分区,作用:系统启动,在boot分区存放着grub,内核文件等,一般200M就够。

swap交换分区:内存扩展分区  交换分区  给多大?  一般最多:8G,16G,如果系统使用到了swap分区,就直接添加物理内存或排查一下服务器有没有被黑。

/   根    : 所有文件的根      绝对路径的开始标志

sda:表示第一块磁盘  

(11)关闭KDUMP

(12)网络

子网掩码24=255.255.255.0

注意:

这里有一个坑:桥接模式的IP地址和默认路由:即网关地址要跟物理主机的IP地址网段一样。

所以IP要改成193.168.3.63

(13)安装

密码root123456

(14)安装成功,测试网络

(15)whoami查当前用户

(16)init 0关机

(17)快照

3、centos 6-与centos 7的区别:

1、默认文件系统的区别:ext4  xfs

2、硬盘默认调度算法不一样:cfq  deadline

3、内核版本不一样:2.6   3.10

4、在7中,支持动态补丁机制kpatch,这个也是作为技术预览的,和btrfs文件系统一样

5、支持内核模块黑名单机制:modproble.blacklist=module

6、支持嵌套虚拟化技术,对虚拟机cpu更流畅

7、内核级支持资源调优和分配  在7中,以cgroup

8、在6中对usb2.0.在7中,usb3.0支持

9、lvm快照。在7中。qcow2格式文件型快照的支持

10、加强了对vmware的技术支持。自带open-vmtools替换了vm-tools

11、启动工具,在7中用的全新服务启动管理器systemctl ,在6中,做一些服务的启停用service

12、在7 中内核出现错误了。导出core文件最大支持3TB,6中最大支持2TB

4、VMware虚拟机技巧之虚拟机网络使用技巧

vmware为我们提供了三种网络工作模式,它们分别是:Bridged(桥接模式)、NAT(网络地址转换模式)、Host-Only(仅主机模式)。

桥接模式就是将主机网卡与虚拟机虚拟的网卡利用虚拟网桥进行通信。

在桥接的作用下,类似于把物理主机虚拟为一个交换机,所有桥接设置的虚拟机连接到这个交换机的一个接口上,物理主机也同样插在这个交换机当中

虚拟机ip地址需要与主机在同一个网段,如果需要联网,则网关与DNS需要与主机网卡一致。

NAT(地址转换模式)NAT模式下,虚拟主机需要借助虚拟NAT设备和虚拟DHCP服务器,使得虚拟机可以联网。虚拟机和物理机共有一个IP地址。

注:虚拟机使用NAT模式时,Linux系统要配置成动态获取IP。

Host-Only模式将虚拟机与外网隔开,使得虚拟机成为一个独立的系统,只与主机相互通讯。相当于NAT模式去除了虚拟NAT地址转换功能。

注:虚拟机使用Host-Only模式时,Linux系统要配置成动态获取IP。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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