【VTH的Linux之旅】【0x00】安装Ubuntu20.04

将Ubuntu20.04安装在Vmware虚拟机

在ubuntu的官方网站下载ubuntu20.04。 注意,下载桌面版(文件名形如:ubuntu-20.04.2.0-desktop-amd64.iso),体验会好一些。

打开vmware虚拟机软件-文件-新建虚拟机-典型(推荐)
在这里插入图片描述

点下一步,输入要设置的用户名、密码,点下一步等等等即可进行自动安装。

配置Ubuntu20.04使其好用

安装好的Ubuntu20.04并不好用。
原因大致如下:

  1. 其vim编辑器版本太老,会出现按上下左右出ABCD的问题,不符合我们的使用习惯。
  2. 其软件源都是国外的源,慢的要死,等更新能等半年。

小tips

tips1
针对上述第二点,不仅仅是软件源要换,以后用pip也要换,docker的源也要换,总之,需要用到互联网的资源,先考虑考虑能不能换国内源。 包括前端开发的npm cnpm 指定地址等。

tips2
apt/apt-get/yum啥区别?怎么都是包管理用的?
linux基本有两个大的家族,一个是redhat(redhat, centos, fedora),另一个是debian(debian, ubuntu)。
redhat家族的安装包格式通常是rpm,安装rpm包的命令通常是 rpm -参数,包管理工具是yum,支持tar包。
debian家族的安装包格式通常是deb,安装deb包的命令通常是dpkg -参数,包管理工具是apt/apt-get,支持tar包。
啥是tar包?其实就是压缩包。
rpm包其实就相当于windows中的安装程序,它会自动处理软件包之间的依赖关系(不然啥依赖都自己装能累死,处理依赖关系是包管理软件的基本素养)。
tar一般都是源码打包的软件,需要自己解包,然后进行安装三部曲,./configure, make, make install. 来安装软件。
aptapt-get高级点,现在都推荐用apt

好了,我们现在开始解决问题2, 即将apt换源。
把大象装进冰箱需要3步,而换源亦是如此。
换源3步曲:

  1. 打开清华大学ubuntu镜像站,选择自己的ubuntu版本,复制文本内容。
  2. 备份/etc/apt/sources.list文件为/etc/apt/sources.list.bak, 用vim打开/etc/apt/sources.list, 用步骤1中的文本内容替换本文件并保存。
  3. 执行apt update

为什么先解决问题2呢?因为换了源之后,更新vim无比丝滑。更新vim只需要2步。

  1. 卸载掉老的vim。
  2. 安装新的vim。
$sudo apt-get remove vim-common
$sudo apt-get install vim

Ok, 至此,再安装啥东西就能直接用apt了,贼快贼爽。vim还贼好用。

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 3
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