deepin15.11使用RVM安装ruby

  • sudo apt-get update

  • sudo apt-get upgrade

  • sudo apt-get install curl

  

  # 安装RVM

  • curl -L get.rvm.io | bash -s stable

 

上面安装RVM有可能会报错,如下图:

 

根据提示,我们执行提示的命令:

gpg --keyserver hkp://pool.sks-keyservers.net --recv-keys 409B6B1796C275462A1703113804BB82D39DC0E3 7D2BAF1CF37B13E2069D6956105BD0E739499BDB

会报错,提示:

 

执行命令:

sudo apt-get install dirmngr

然后重新执行上一个gpg命令

 

这样我们再次执行:

curl -L get.rvm.io | bash -s stable

 

再次出现报错:拒绝连接

 

这时候我们更换国内的源:

  • sudo apt-get install gem
  • sudo apt-get install bundler

  ---------------参考:https://blog.csdn.net/valecalida/article/details/87359620

 

  # 切换ruby-china镜像

  • gem sources --add https://gems.ruby-china.com/ --remove https://rubygems.org/

  # 确保只有 gems.ruby-china.org

  • gem sources -l 

 

 

 

这样我们再次执行:

curl -L get.rvm.io | bash -s stable

 

 出现Thanks for installing RVM ?

  • echo '[[ -s "$HOME/.rvm/scripts/rvm" ]] && . "$HOME/.rvm/scripts/rvm"' >>~/.bashrc
  • source ~/.bashrc

  -----------------------参考:https://blog.csdn.net/yc1022/article/details/50985023

 

  # 查看rvm版本,正常显示版本及说明RVM安装成功!

  • rvm -v

 

 

下面安装Ruby:

RVM命令:

  # 查询已经安装的ruby:

  • rvm list

 

  # 列出已知的ruby版本:

  • rvm list known

 

  # 安装一个ruby版本:  

  • rvm install 2.6.3

 

  # 卸载一个已安装版本: 

  • rvm remove 2.4.0

 

查询当前的ruby版本:

 

 安装2.6.3版本:

rvm install 2.6.3

这时候有可能会报如下错误,其实就是网络故障。有时会有有时不会,至于为什么会网络故障,原因不明。

 

遇到这个错误重启一下系统回复网络即可。

然后重新执行安装命令,等待RVM编译安装对应版本ruby即可。ps:时间有些长,大概五到十分钟左右。

   

 

 

            

   

 

 

本文主要步骤参考:https://www.jianshu.com/p/6427da732d94

 

转载于:https://www.cnblogs.com/Zlcode/p/11490724.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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