阿里云 ECS 7天实践训练营 Class4学习心得

最新推荐文章于 2024-08-17 16:48:31 发布
最新推荐文章于 2024-08-17 16:48:31 发布
阅读量329 收藏 1
点赞数
分类专栏： 阿里云 ECS 7天实践训练营 文章标签： linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fei_yv/article/details/107914798
版权

打造离线下载服务器

背景知识

CCAA

CCAA是服务器离线下载解决方案包，组件包含Aria2，ccaa_web，AriaNg，Filemanager。Aria2是一个很好用的下载器，用命令行进行操作，一会用于离线下载；ccaa_web用于支撑AriaNg运行；而AriaNg为Aria2提供WEB的可视化界面，更方便用户操作；Filemanager则用于管理下载的文件。

使用的软件

ubuntu 18.04.01 64位
PuTTY
Filezilla
CCAA方案包

运行环境

这次使用了ubuntu 18.04 64位的空白镜像。

安装并配置CCAA

安装ccaa

# 国内服务器
bash <(curl -Lsk https://raw.githubusercontent.com/helloxz/ccaa/master/ccaa.sh) cdn
# 国外服务器
bash <(curl -Lsk https://raw.githubusercontent.com/helloxz/ccaa/master/ccaa.sh)

国外的正常情况是访问不了的。
国内的我输入了没响应，这时候是网速问题，比较难访问那个下载源。
在这里插入图片描述
问题不大，多运行几次就行。
然后选1进行安装，网络原因下载安装包速度比较慢，耐心等一会。
在这里插入图片描述
（真的好慢。。。）
在这里插入图片描述
下载路径使用默认路径，直接回车。
最后设置密码，注意不能有特殊字符。
在这里插入图片描述
这时就安装好了

常用命令

ccaa:进 入CCAA操作界面
ccaa status:查看CCAA运行状态
ccaa stop:停止CCAA
ccaa start:启动CCAA
ccaa restart:重启CCAA
ccaa -v:查看CCAA版本(2.0开始支持)

设置ccaa

浏览器访问。

http://(公网ip):6080/

遇到了个小问题，无法访问。
在这里插入图片描述
我的安全组是开放所有的显示端口的。
在这里插入图片描述
但不行，所以我试试手动添加一个6080端口的，开放所有ip访问。
在这里插入图片描述
成了，稍微等一会进入了ccaa界面。
在这里插入图片描述
点击左侧菜单的AriaNG设置，点击RPC然后修改密码为刚才设置的密码。
最后点击左上角的重新加载页面就完成了。

使用ccaa

在这里插入图片描述
这里的aria2连接一直失败。
在这里插入图片描述
所以我又去开放了一个用到的6800端口。
在这里插入图片描述
这时连接上了。
下面下载一些文件试试：
在这里插入图片描述
在这里插入图片描述
下载速度很客观。
在这里插入图片描述
也可以使用其他方式下载。
按文件管理后跳到File Browser页面。
同样，要开放一下6081端口。
在这里插入图片描述
登陆后可以对文件进行管理，也可以在线观看视频等。
至此可以正常使用离线下载器了，Class4的内容就完成了。
Aria2这个下载器还是非常好用的，自己电脑也可以装一个。
如有错误，欢迎指出，大佬轻喷，谢谢！
文章引用附带链接，侵权删。

浅寻_2k
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
网易云课堂 Andrew Ng 深度学习Class1-Class4课后作业及答案
04-08
网易云课堂吴恩达的课后练习，从第一课到第四课，每课每周的作业都有，包含答案，第三课只有习题测试没有编程，所以不要误会资源不全，前三课的练习和第四课第一周的练习在压缩包中，第四课后三周的编程练习由于数据...
阿里云ECS七天训练营（4）
jijianzhang2204的博客
08-10 165
阿里云ECS训练笔记4—打造离线下载服务器安装CCAA使用CCAA CCAA 是服务器离线下载解决⽅案包，组件包含了Aria2 提供离线下载，ccaa_web⽀撑AriaNg运⾏， AriaNg为Aria2 提供WEB界⾯以及Filemanager提供⽂件管理。ccaa还支持各种传输协议、断点下载。 安装CCAA 使用了阿里云ECS服务器，操作系统为Ubuntu 18.04 打开命令行输入命令下载CCAA bash <(curl -Lsk https://raw.githubusercontent.c
阿里云 ECS 7天实践训练营 Class3学习心得
Qian2k
08-08 266
基于云服务器构建微信公众号管理系统实践版本运行环境安装微擎下载源代码上传源代码安装微擎 实践版本 Ubuntu16.04 64位 PHP7.1 运行环境 class3和class2的运行环境一致，所以不更改配置，直接沿用上一节课的环境。 用到的 class2心得：https://blog.csdn.net/fei_yv/article/details/107864924 安装微擎 下载源代码 阿里云的文档中的微擎源代码压缩包损坏了，所以直接去微擎官网下载： https://s.w7.cc/store-sta
阿里云 ECS 7天实践训练营 Class5学习心得
Qian2k
08-10 315
搭建Java Web开发环境背景知识JDKMySQLTomcat实践版本运行环境安装JDK安装MySQL数据库安装Tomcat访问Tomcat 背景知识 JDK JDK是 Java 语言的软件开发工具包，包含了JAVA的运行环境（JVM+Java系统类库）和JAVA工具，用于支持Tomcat的运行和Java的开发。 MySQL MySQL 是最流行的关系型数据库管理系统，用于组织、存储和管理数据。 Tomcat Tomcat是一个web服务器。因为tomcat是用java写的，所以需要Java的运行环境。
云服务器 ECS 学习笔记
weixin_34401479的博客
06-26 243
云服务器 ECS云服务器 Elastic Compute Service（ECS）是阿里云提供的一种基础云计算服务阿里云专有网络：在阿里云专有网络之上，可以产生更多的业务可能性。阿里云专有网络更加稳定和安全。 纵向的弹性，即单个服务器的配置变更 对于阿里云的弹性而言，是计算的弹性、存储的弹性、网络的弹性以及您对于业务架构重新规划的弹性 实例规格族，根据业...
云计算ECS理解总结
weixin_34007020的博客
02-01 331
2019独角兽企业重金招聘Python工程师标准>>> ...
C语言+ECS游戏框架Class4-2
04-25
总的来说，"C语言+ECS游戏框架Class4-2"是一个很好的实践项目，它将帮助开发者了解如何在没有高级语言特性的情况下实现强大的游戏架构。通过这个课程，你可以提升C语言编程技能，同时对ECS设计模式有深入的理解，为...
C语言+ECS游戏框架Class4-1
04-22
在本项目"C语言+ECS游戏框架Class4-1"中，我们主要探讨的是如何使用C语言来构建一个基于实体组件系统（Entity Component System，简称ECS）的游戏框架。ECS是一种设计模式，常用于游戏开发，它提倡将游戏对象拆分为...
视频中工程代码 class4_counter
05-31
视频中工程代码 class4_counter视频中工程代码 class4_counter视频中工程代码 class4_counter视频中工程代码 class4_counter视频中工程代码 class4_counter视频中工程代码 class4_counter视频中工程代码 class4_...
东芝推出具备Class4传输速率级别的8GB SDHC存储卡
12-02
新产品的最高写入速度将达到每秒约6MB的高速，而且还对应“SD传输速率级别”的“Class4”，最低也能保障每秒4MB。这款容量8GB的SDHC存储卡对应Class4还是业内首创。 　SDHC存储卡随着处理动画及高清晰度图片的数码...
阿里云 ECS 7天实践训练营 Class2学习心得
Qian2k
08-07 457
搭建wiki知识库背景知识LAMPApache HttpdMySQLPHPOneinStackPuTTYFileZiilaMediaWiki实践版本安装运行环境镜像选择安全组安装MediaWiki安装PuTTY和FileZiila下载MediaWiki并解压缩使用 chown 命令为目录赋予权限安装MediaWiki结语 背景知识 LAMP LAMP是指一组软件的软件名称首字母缩写。这些软件通过一起使用来运行动态网站或者服务器。 本次课程实践用到的LAMP指Linux，Apache Httpd，MySQL，
阿里云ECS 7天实践训练营学习笔记 Day3
kxdsdnf的博客
08-08 306
阿里云ECS 7天实践训练营学习笔记 Day3 云端搭建Linux环境阿里云ECS 7天实践训练营学习笔记 Day3一、为Linux环境安装图形化桌面（Gnome）二、Linux的基本操作 一、为Linux环境安装图形化桌面（Gnome） 1、选择系统 选择公共镜像的 CentOS 7 64bit 系统 2、更新软件源并升级系统 在 SSH 内运行： yum update&& yum install wqy-microhei-fonts 3、安装Gnome+VNC一键包： wgetht
ECS 7天实践训练营参加感想
zzttc_的博客
08-12 258
ECS 7天实践训练营参加感想 持续了7天的ECS实践训练营活动圆满结束了，下午小姐姐又进行了结营直播，来自全国各地的很多位同学都说了说这几天的感想，自己想说的很多，却又不知道该怎么组织语言，忘了有多长时间没写过东西了，只好等到直播后再来码字，下面是我的一些感想。 作为一个开学就大四的土木狗，感觉大学四年过的很快，专业知识也学的一般，最主要的原因是抗拒毕业后去工地。所以自己就想去多扩展一些其他行业的知识，看能不能改变去工地的现实，正好在网上看见有一个大佬发的参加之前期的训练营，于是自己也报名了。 报名后，开
阿里云 ECS 7天实践训练营 D1 学习心得
wei_shusheng的博客
09-23 404
无意中看到阿里的学习中，决定给自己充下电，扩展自己的知识面 阿里云ECS云服务器简介 云服务器（Elastic Compute Service，简称ECS）是阿里云提供的性能卓越、稳定可靠、弹性扩展的IaaS（Infrastructure as a Service）级别云计算服务。云服务器ECS免去了您采购IT硬件的前期准备，让您像使用水、电、天然气等公共资源一样便捷、高效地使用服务器，实现计算资源的即开即用和弹性伸缩。 ...
初学者阿里云服务器（ECS）使用心得
lalalalyx的博客
10-30 480
实现的过程为：外网用户通过网址访问阿里云云服务器中我们创建的实例对象，将请求交给nginx后发现不能处理就通过配置的反向代理交给TomCat处理index.html的请求。
Linux 定时任务
flash的博客
08-14 367
在Linux系统中，cron是一个广泛使用的定时任务工具，允许用户安排周期性执行的任务（脚本或命令）。cron守护进程（crond）会读取配置文件（通常位于/etc/crontab），并根据这些配置文件中指定的时间规则来执行相应的任务。
linux开启RNDIS，实现虚拟网卡
轩辕霸天L
08-15 436
首先要 `make clean`，清空之前的编译结果。
linux HBA驱动中scsi_host_template .shost_attrs
Wang20122013的博客
08-13 505
scsi_host_template是一个结构体，用于定义SCSI主机（host adapter）的属性和操作。这个模板用于初始化SCSI主机结构体scsi_host_template，它包含了主机的属性、操作函数等。shost_attrs是scsi_host_template结构体中的一个成员，它是一个属性组，用于定义SCSI主机可以支持的属性。每个属性都会有相应的操作函数，这些函数定义了如何读取或写入属性值。例如，一个属性可能有一个show函数来返回当前值，一个store函数来设置新值。
Linux Xfce 桌面环境系统休眠的问题
最新发布
Wynter
08-17 259
通过这些步骤，你应该能够解决 Xfce 桌面环境中的系统休眠问题。如果问题仍然存在，可能需要进一步检查硬件兼容性或寻求更专业的技术支持。确保你的硬件驱动程序正确支持电源管理功能。特别是对于笔记本电脑，显卡和电池驱动程序的兼容性非常重要。确保你的系统上运行着正确的电源管理守护进程。在大多数现代 Linux 发行版中，这通常是。查看系统日志可能会提供一些关于为什么系统进入休眠状态的线索。如果你暂时不需要系统休眠功能，可以禁用它。
maskrcnn训练自己数据集
05-31
Mask R-CNN 是一种基于 Faster R-CNN 的目标检测算法，可以检测出物体的位置，还可以精确地分割出物体的 mask。下面是一个 Mask R-CNN 训练自己数据集的基本步骤： 1. 准备数据集 首先，您需要准备自己的数据集，包括图片和标注。图片可以是任何大小，但最好是统一大小，以便于训练。标注可以使用标准的 COCO 标注格式，包括标注文件和类别文件。 2. 定义类别 您需要定义自己数据集的类别，例如人、车、动物等等。您可以创建一个名为 `CustomConfig` 的类，继承自 `Config` 类，并在其中设置 `NUM_CLASSES` 参数为您的类别数量加 1（因为需要加入一个背景类别）： ```python class CustomConfig(Config): # Give the configuration a recognizable name NAME = "custom_dataset" # Train on 1 GPU and 1 image per GPU GPU_COUNT = 1 IMAGES_PER_GPU = 1 # Number of classes (including background) NUM_CLASSES = 1 + 4 # Background + 4 classes ``` 3. 定义数据集加载器 您需要定义一个数据集加载器，将准备好的数据集导入到模型中。您可以创建一个名为 `CustomDataset` 的类，继承自 `utils.Dataset` 类，并在其中实现 `load_dataset()`、`load_image()`、`load_mask()`、`image_reference()` 等方法，具体实现可以参考 Mask R-CNN 官方代码。 ```python class CustomDataset(utils.Dataset): def load_dataset(self, dataset_dir, subset): self.add_class("custom_dataset", 1, "class1") self.add_class("custom_dataset", 2, "class2") self.add_class("custom_dataset", 3, "class3") self.add_class("custom_dataset", 4, "class4") # Load annotations annotations = json.load(open(os.path.join(dataset_dir, "annotations.json"))) annotations = annotations["annotations"] # Add images and annotations to dataset for a in annotations: image_id = a["image_id"] image_path = os.path.join(dataset_dir, "images", str(image_id) + ".jpg") if not os.path.exists(image_path): continue if a["iscrowd"]: continue if a["category_id"] not in [1, 2, 3, 4]: continue self.add_image( "custom_dataset", image_id=image_id, path=image_path, width=a["width"], height=a["height"], annotations=a["bbox"] ) def load_mask(self, image_id): # Load annotations for image annotations = self.image_info[image_id]["annotations"] # Create one mask per instance masks = np.zeros([self.image_info[image_id]["height"], self.image_info[image_id]["width"], len(annotations)], dtype=np.uint8) # Load masks for i, a in enumerate(annotations): x1, y1, w, h = a x2 = x1 + w y2 = y1 + h masks[y1:y2, x1:x2, i] = 1 # Return masks and class IDs return masks, np.ones([len(annotations)], dtype=np.int32) def image_reference(self, image_id): info = self.image_info[image_id] return info["path"] ``` 4. 训练模型 在训练之前，您需要将预训练 COCO 权重加载到模型中： ```python model.load_weights(COCO_MODEL_PATH, by_name=True, exclude=["mrcnn_class_logits", "mrcnn_bbox_fc", "mrcnn_bbox", "mrcnn_mask"]) ``` 然后，您可以使用 `train()` 方法训练模型。在训练之前，您需要创建一个名为 `CustomConfig` 的配置对象，并设置好超参数和文件路径： ```python config = CustomConfig() config.display() model = modellib.MaskRCNN(mode="training", config=config, model_dir=MODEL_DIR) # Train the head branches model.train(dataset_train, dataset_val, learning_rate=config.LEARNING_RATE, epochs=30, layers='heads') ``` 5. 测试模型 在测试模型之前，您需要将模型切换到 inference 模式： ```python model = modellib.MaskRCNN(mode="inference", config=config, model_dir=MODEL_DIR) ``` 然后，您可以使用 `detect()` 方法对图片进行检测和分割： ```python results = model.detect([image], verbose=1) r = results[0] visualize.display_instances(image, r['rois'], r['masks'], r['class_ids'], class_names, r['scores']) ``` 以上就是使用 Mask R-CNN 训练自己数据集的基本步骤。具体实现可以参考 Mask R-CNN 官方代码。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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