fedora19下配置samba服务器与windows7共享文件夹

Fedora19安装Samba服务

              在Fedora19的虚拟机上安装samba,成功后会像访问正常磁盘一样访问Linux下的文件。此内容是照着网上的方法自己在虚拟机上安装了一遍,看了好几篇文章找不到出处了,算不上真正的原创。

1.       yum –y install samba                //-y全部回答问题为是

安装成功如下图

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

 

2.       yum –y install system-config-samba      安装samba图形用户管理软件

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

 

3.       在活动中搜索samba,并点开

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

 

4.       点击Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客添加共享目录,这里添加的是用户zcm的主目录,描述填*,表示所有机器都可以访问,可擦写和显示都勾选上。如图

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

访问选择为所有人提供访问。

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

5.       选“首选项->Samba用户”,如图

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

点击“添加用户”,UNIX用户名选择了zcm用户,该用户是/home/下的普通用户,然后创建windows用户名和密码

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

6.       更改虚拟机网络连接为桥接,用ifconfig命令查看获取了一个IP192.168.0.12。在windows下也添加一个同网段的IP,我添加的是192.168.0.58。然后互相ping一下

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

可以ping通,说明已经在同一个网段了。

7.       设置防火墙,勾选上所以的sambasamba-client, 当前查看选择“永久配置”,否则再开机还得重新配置。如下图

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

8.       使用windows进行访问

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

Linux Fedora19安装Samba服务 - gdizcm - gdizcm的博客

 

此时点击zcm文件夹会提示无权限。

 

9.       在命令行输入setenforce 0,则可以访问。

       默认的,SELinux禁止网络上对Samba服务器上的共享目录进行写操作,即使你在smb.conf中允许了这项操作。      /usr/bin/setenforce 修改SELinux的实时运行模式

setenforce 1 设置SELinux 成为enforcing模式

setenforce 0 设置SELinux 成为permissive模式  

如果要彻底禁用SELinux 需要在/etc/sysconfig/selinux中设置参数selinux=disabled,然后重启 

 

之后就能访问共享的文件夹了。

 

附:重启samba服务命令: service  smb  restart      

                                   /bin/systemctl  restart  smb.service

       smbpasswd命令可以添加samba用户名和密码

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