阿里云ECS训练营入门Class4——基于ECS和NAS搭建个人网盘

最新推荐文章于 2024-09-06 12:57:46 发布
最新推荐文章于 2024-09-06 12:57:46 发布
阅读量359 收藏
点赞数 1
分类专栏： 阿里云ECS训练营 文章标签： 阿里云
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/qq_45718018/article/details/107942070
版权

本节课整个场景体验
在这里插入图片描述
阿里云社区有许多场景供我们体验，所需的云产品资源都会免费提供，但开启试用之后要及时完成体验过程，资源会在一定时间后释放。

创建资源

体验界面右侧云产品资源栏下点击 免费开通 按钮，开始创建实验资源。

说明：资源创建过程需要1-3分钟。完成实验资源的创建后，用户可以通过 云产品资源 查看实验中所需的资源信息，例如：IP地址、用户名、密码等。
在这里插入图片描述
在这里插入图片描述

连接ECS服务器

1、 打开终端工具。

Windows：打开命令窗口，win+r，输入cmd 回车
MAC：打开命令行终端Terminal
2、在终端中输入连接命令ssh [username]@[ipaddress]。其中 username 为创建的ECS服务器的用户名；ipaddress替换为弹性IP,例如：

ssh root@47.101.170.65

3、输入yes后再输入服务器密码（输入时密码不可见）

登录成功后如下图所示（一开始命令输错了【捂脸】）
在这里插入图片描述

安装 OwnCloud

OwnCloud是一款开源的云存储软件，基于PHP的自建网盘，支持多个平台（windows，MAC，Android，IOS，Linux）。
执行以下命令：
1、添加新的软件源

rpm --import https://download.owncloud.org/download/repositories/10.0/CentOS_7/repodata/repomd.xml.key

wget http://download.owncloud.org/download/repositories/10.0/CentOS_7/ce:10.0.repo -O /etc/yum.repos.d/ce:10.0.repo

在这里插入图片描述
在这里一开始输入指令都没有什么反应，老是出错
在这里插入图片描述
便去小组群里询问学长学姐，才得知是没有连接上ssh，看来我是盲目地input指令不看运行结果（sillyme*1）

2、执行以下命令安装OwnCloud-files

yum install owncloud-files

在这里插入图片描述

3、 执行以下命令查看安装是否成功

ll /var/www/html

在这里插入图片描述

安装 Apache 服务

1、执行以下命令安装 Apache 服务

yum install httpd –y

在这里插入图片描述
2、执行以下命令启动Apache服务

systemctl start httpd.service

3、打开浏览器输入体验平台创建的ECS的弹性公网IP。如果出现如下图内容表示Apache安装成功！
在这里插入图片描述
4、添加OwnCloud配置：
i）打开Apache配置文件

vim /etc/httpd/conf/httpd.conf

在这里插入图片描述
ii）按i键进入文件编辑模式，然后在内容后添加以下内容

# owncloud config
Alias /owncloud "/var/www/html/owncloud/"
<Directory /var/www/html/owncloud/>
    Options +FollowSymlinks
    AllowOverride All
    <IfModule mod_dav.c>
        Dav off
    </IfModule>
    SetEnv HOME /var/www/html/owncloud
    SetEnv HTTP_HOME /var/www/html/owncloud
</Directory>

在这里插入图片描述
打开配置文件后是一脸懵，满屏蓝字，还要按 i 键，都不知道在哪输入，于是又请教小组大佬们，他们说直接输入就行，我按了…依然没有反应，结果又被告知要英文输入（sillyme * 2）我竟然这么基本的意识都没有，正确操作之后，最下面一行出现了—INSERT—，but我依然没有看到所谓的，结果我又来求助惹…哇! 还可以方向键翻页（sillyme*3）里面内容还不少【害怕】找了一会儿，终于给我找到了，
在这里插入图片描述
但是问题又来了，无法输入要插入的内容，怎么回事，卡了🐎？额（sillyme*4）再次询问了小组大佬们，原来是光标没选对【笑哭】是那个小的由方向键控制的光标而不是鼠标点击的…彳亍 口 巴 ！终究还是完成这小小的操作惹。

iii）按esc键退出编辑模式，然后输入:wq保存并退出配置文件
在这里插入图片描述

安装并配置PHP

1、 执行以下命令手动更新rpm源

rpm -Uvh https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm   
rpm -Uvh https://mirror.webtatic.com/yum/el7/webtatic-release.rpm

2、执行以下命令安装PHP 7.2版本
说明：OwnCloud只支持PHP 5.6+

yum -y install php72w
yum -y install php72w-cli php72w-common php72w-devel php72w-mysql php72w-xml php72w-odbc php72w-gd php72w-intl php72w-mbstring

3、执行以下命令可以检测PHP是否安装成功

php -v

4、将PHP配置到Apache中，执行如下命令：
i）找到php.ini文件目录

find / -name php.ini

ii）打开httpd.conf文件

vi /etc/httpd/conf/httpd.conf

iii）按i键进入文件编辑模式，然后在文件最后添加以下内容

PHPIniDir /etc/php.ini

有了之前的教训，再也不会silly了！

iv）按esc键退出编辑模式，然后输入:wq保存并退出配置文件
v）重启Apache服务

systemctl restart httpd.service

配置OwnCloud

上述内容配置成功后，就可以登录OwnCloud创建个人网盘了，因为个人能力太不给力，体验免费开通的资源已经释放，所以不能实操惹【/(ㄒoㄒ)/~~】

1、打开浏览器，输入ECS弹性IP/owncloud，例如39.98.122.246/owncloud

2、创建管理员账号和密码，然后单击【存储&数据库】，配置数据库，最后单击【安装完成】
在这里插入图片描述
3、输入已创建的用户名和密码登录Owncloud
在这里插入图片描述
登录成功即可。

挂载NAS服务

具体操作还是看实验详情吧【跪】

如上就是本次场景的全部体验内容，可以多次体验噢

这是我第一次进行如此“复杂”的操作，感觉有点码农搬砖的味儿了，虽然是按照实验步骤一步步来的，可是还是遇到了许多麻烦，我在体验前还觉得这难不倒我，没想到还是【跪】了。这真是“文档得来终觉浅，绝知此事要躬行”
还得多动手，不然是不知道直接是多么silly。

勝物
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
C语言+ECS游戏框架Class4-2
04-25
在本课程"C语言+ECS游戏框架Class4-2"中，我们将深入探讨如何利用C语言这一基础编程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。这是一种现代游戏开发中常用的设计模式，它将...
RPM命令详解1---安装&更新&删除
qq_41768644的博客
07-28 2193
rpm命令详解
rpm命令详解
热门推荐
和光同尘的博客
11-09 2万+
RPM简介 RPM是RedHat公司随RedhatLinux推出了一个软件包管理器，通过它能够更加轻松容易地实现软件的安装（像windows下安装软件一样）。 1.安装软件：执行rpm -ivh rpm包名，如： # rpm -ivh apache-1.3.6.i386.rpm ******************************************* rpm 参数解释： i 安装软件包 v 显示附加信息 h 安装时输出哈希标记(``#'') 如果需要详细了解rpm的使用参见附录 ****
阿里云高校学生计划——基于ECS和NAS搭建个人网盘
Aaron_Beck的博客
06-28 1061
Step1：创建资源 请点击页面左侧的 云产品资源，在下拉栏中，查看本次实验资源信息； 在资源下拉栏点击 免费开通 按钮，开始创建实验资源。 Step2：连接ECS服务器 使用ssh工具连接ECS服务器 Step3：安装OwnCloud 执行以下命令，添加一个新的软件源。 rpm --import https://download.owncloud.org/download/repositories/10.0/CentOS_7/repodata/repomd.xml.key wg
基于ECS和NAS搭建个人网盘
s4754776的博客
06-28 653
一、安装 OwnCloud OwnCloud是一款开源的云存储软件，基于PHP的自建网盘。基本上是私人使用，没有用户注册功能，但是有用户添加功能，你可以无限制地添加用户，OwnCloud支持多个平台（windows，MAC，Android，IOS，Linux）。 1. 执行以下命令，添加一个新的软件源。 rpm --import https://download.owncloud.org/download/repositories/10.0/CentOS_7/repodata/repomd.xml.
阿里云进阶训练营--day07
wangzun233的博客
06-28 313
今天是最后一次作业了，作业内容是：基于ECS和NAS搭建个人网盘 安装 OwnCloud 执行以下命令，添加一个新的软件源。 rpm --import https://download.owncloud.org/download/repositories/10.0/CentOS_7/repodata/repomd.xml.key wget http://download.owncloud.org/download/repositories/10.0/CentOS_7/ce:10.0.repo -O /
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_...
循序渐进学Excel视频课程_Excel Home_Class4图形与图表入门.wmv
12-01
循序渐进学Excel视频课程_Excel Home_Class4图形与图表入门.wmv
东芝推出具备Class4传输速率级别的8GB SDHC存储卡
12-02
SDHC(SD High Capacity)是一种基于SD存储卡协会制定的SD规格Ver2.00，可以实现2GB以上的大容量、高性能的SD存储卡。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...
阿里云飞天洛神云网络子系统“齐天”：超大规模云网络智能运维的“定海神针”
云布道师
09-06 1242
引言：近日，在南京上秦淮国际文化交流中心举办第八届未来网络发展大会上，阿里云凭借“超大规模云网络智能运维系统”一举斩获由中国通信学会专家组评选的“未来网络领先创新科技成果奖”，本次获奖也体现出阿里云在云网络技术领域科技创新实力获得业界的高度认可，评委专家一致认为“本项目针对云网络运维面临的成本、效率、实施性等挑战，突破了高性能运维数据管理、无人值守网络变更、高精度网络监控、全链路异常自愈等关键技术，研制了数智融合的超大规模智能云网络运维系统，提升了云网络系统的可靠性，支撑了阿里云全球 300 多万客户。活动
完整的PID和LQR四旋翼无人机simulink,matlab仿真，两个slx文件一个m文件，有一篇资料与其对应学习
09-09
完整的PID和LQR四旋翼无人机simulink,matlab仿真，两个slx文件一个m文件，有一篇资料与其对应学习。
SpringBoot 的食物营养分析与推荐网站 毕业论文.docx
09-09
SpringBoot 的食物营养分析与推荐网站 毕业论文.docx
全球与中国沥青添加剂和改性剂市场现状及未来发展趋势（2024版）.docx
09-09
全球与中国沥青添加剂和改性剂市场现状及未来发展趋势（2024版）.docx
cesiumlab3工具，地图高程DEM，.tif转.terrian格式文件工具
最新发布
09-09
正在做地图，的小伙伴可以一起学习，亲测可用
ssm基于SSM的宠物店线上运营系统的设计与实现毕业论文.docx
09-09
ssm基于SSM的宠物店线上运营系统的设计与实现毕业论文.docx
基于ssm的端游账号销售管理系统设计与实现.docx
09-09
基于ssm的端游账号销售管理系统设计与实现.docx
QMC转MP3，简单方便
09-09
QMC转MP3
Two Stroke Rotary双冲程转子发动机3D图纸 INVENTOR设计 附STP.zip
09-09
Two Stroke Rotary双冲程转子发动机3D图纸 INVENTOR设计 附STP.zip
利用pytorch框架设计基于DPN92模型的图像检测与分类输出坐标、大小和种类
05-05
首先，我们需要安装PyTorch和其他必要的库。可以使用以下命令安装PyTorch： ``` pip install torch torchvision ``` 其他库可以使用以下命令安装： ``` pip install numpy pandas matplotlib opencv-python ``` 接下来，我们需要下载DPN92预训练模型的权重。可以使用以下命令下载： ``` wget https://github.com/c0nn3r/DPN/releases/download/v2.0/DPN92_extra_5k.pth.tar ``` 现在开始设计模型。我们将使用PyTorch中的预训练模型和自定义头来实现图像检测和分类。以下是完整的代码： ```python import torch import torch.nn as nn import torch.nn.functional as F import torchvision.transforms as transforms import cv2 import numpy as np # Define the custom head for object detection class DetectionHead(nn.Module): def __init__(self, in_channels, num_classes): super(DetectionHead, self).__init__() self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=1, padding=1) self.bn1 = nn.BatchNorm2d(in_channels) self.conv2 = nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=1, padding=1) self.bn2 = nn.BatchNorm2d(in_channels) self.conv3 = nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=1, padding=1) self.bn3 = nn.BatchNorm2d(in_channels) self.conv4 = nn.Conv2d(in_channels, num_classes * 5, kernel_size=3, stride=1, padding=1) def forward(self, x): x = F.relu(self.bn1(self.conv1(x))) x = F.relu(self.bn2(self.conv2(x))) x = F.relu(self.bn3(self.conv3(x))) x = self.conv4(x) return x # Define the model class DPN92Detection(nn.Module): def __init__(self, num_classes): super(DPN92Detection, self).__init__() self.dpn92 = torch.hub.load('rwightman/pytorch-dpn-pretrained', 'dpn92', pretrained=True) self.head = DetectionHead(2688, num_classes) def forward(self, x): x = self.dpn92.features(x) x = F.avg_pool2d(x, kernel_size=7, stride=1) x = x.view(x.size(0), -1) x = self.head(x) return x # Define the class names class_names = ['class0', 'class1', 'class2', 'class3', 'class4'] # Load the model and the weights model = DPN92Detection(num_classes=len(class_names)) model.load_state_dict(torch.load('DPN92_extra_5k.pth.tar', map_location='cpu')['state_dict']) # Set the model to evaluation mode model.eval() # Define the image transformer image_transforms = transforms.Compose([ transforms.ToPILImage(), transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) # Load the image image = cv2.imread('test.jpg') # Transform the image input_image = image_transforms(image) input_image = input_image.unsqueeze(0) # Make a prediction with torch.no_grad(): output = model(input_image) # Get the class probabilities class_probs = F.softmax(output[:, :len(class_names)], dim=1) # Get the bounding box coordinates, sizes and class indices coords_sizes_classes = output[:, len(class_names):].view(-1, 5) coords_sizes_classes[:, :2] = torch.sigmoid(coords_sizes_classes[:, :2]) coords_sizes_classes[:, 2] = torch.exp(coords_sizes_classes[:, 2]) coords_sizes_classes[:, 3:5] = torch.argmax(coords_sizes_classes[:, 3:], dim=1).unsqueeze(1) coords_sizes_classes = coords_sizes_classes.cpu().numpy() # Filter out the boxes with low confidence conf_threshold = 0.5 filtered_boxes = coords_sizes_classes[class_probs[0] > conf_threshold] # Draw the boxes on the image for box in filtered_boxes: x, y, w, h, c = box x *= image.shape[1] y *= image.shape[0] w *= image.shape[1] h *= image.shape[0] x1 = int(x - w / 2) y1 = int(y - h / 2) x2 = int(x + w / 2) y2 = int(y + h / 2) cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, class_names[int(c)], (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) # Show the image cv2.imshow('Image', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上面的代码中，我们定义了一个名为`DetectionHead`的自定义头，用于检测图像中的对象，并输出它们的坐标、大小和类别。然后，我们定义了一个名为`DPN92Detection`的模型，该模型使用DPN92预训练模型和自定义头进行图像检测和分类。我们还定义了一些变量，如类名、图像变换器、置信度阈值等。最后，我们将模型和权重加载到内存中，并使用`cv2`库加载图像。我们将图像传递给模型，然后使用`softmax`函数获取类别概率，使用`sigmoid`和`exp`函数获取边界框的坐标和大小，并使用`argmax`函数获取类别索引。最后，我们过滤掉低置信度的边界框，并将它们绘制在原始图像上。
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