B01 - 004、配置联网

本文详细介绍了在CentOS6虚拟机中配置联网的步骤,包括生成MAC值,设置网关,配置主机静态IP,启动虚拟机,更改MAC值,修改网络配置以及重启生效等。内容涵盖VMware的虚拟网络编辑器,使用vim编辑网络配置文件,并讨论了相关注意事项和问题解决方案。
摘要由CSDN通过智能技术生成
初学耗时:0.5h

注:CSDN手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。

一、 配置联网。【重点】
  1.1  CentOS6虚拟机关机命令。
  1.2  生成MAC值。
  1.3  设置网关。
  1.4  配置主机静态IP。
  1.5  启动虚拟机。
  1.6  更改MAC值。
  1.7  修改网络配置。
  1.8  重启生效。
  1.9  验证网络。



记忆词:

  ...

B01 - 999、搭建大数据环境下的虚拟机


ギ 舒适区ゾ || ♂ 累觉无爱 ♀





一、配置联网

  1.1 ~  CentOS6虚拟机关机命令。【关机才能生成MAC值】
shutdown -h now
  1.2 ~  生成Mac值。【虚拟机唯一标识】
    1.2.1 .  右键虚拟机选择设置。
    1.2.2 .  选择网络适配器。
    1.2.3 .  选择高级。
    1.2.4 .  看到MAC地址,点击生成。
    1.2.5 .  最后别忘了确定。

     alt

  1.3 ~  设置网关。
    1.3.1 .  VMware - 编辑 - 虚拟网络编辑器 - 更改设置。

    alt

    1.3.2 .  点击VMnet8,NAT模式。

    alt

    1.3.3 .  更改IP第三段为【1~254】。

    alt

    1.3.4 .  点击NAT设置,更改网关的第四段【1~254】。

    alt

  1.4 ~  配置主机静态IP。【注意:与网关不能冲突,这里选2】
    1.4.1 .  在电脑右侧下方,打开“网络和Internet”设置。
    1.4.2 .  更改适配器选项。
    1.4.3 .  右键VMnet8。
    1.4.4 .  选择Internet协议版本4(TCP/IPv4),点击属性进行更改。

    alt

    1.4.5 .  Win+R,cmd,验证主机IP。
ifconfig
ping www.baidu.com
  1.5 ~  启动虚拟机。
  1.6 ~  更改MAC值。【vim比vi界面更友好】
yum -y install vim
vim /etc/udev/rules.d/70-persistent-net.rules
    1.6.1 .  光标移到NAME=“eth0”这行,非编辑模式下输入dd,删掉即可。
    1.6.2 .  光标移到NAME=“eth1”这行,非编辑模式下输入大写的A,可跳转到该行末尾的编辑模式下,把【eth1】改成【eth0】即可。
    1.6.3 .  配置完,按 :wq! 【wq前冒号后叹号】或shift+zz退出即可。
1、以上如果有误操作,在非编辑模式下按 u 即可返回。
2、在vim界面中,shift+zz错按成ctrl+z怎么办?

---- 先明白ctrl+c是怎么回事?直接把进程转移到后台,并未退出,也就是挂起一个当前运行的程序,所以vim再次编辑就会报错。

---- 方案①:vim跳过提示警告进入浏览界面,:q!(不保存直接退出),fg 1(恢复到前台,改完按:wq),jobs(查询后台挂起程序编号)。

---- 方案②:查看警告提示第一行:“.aaa.txt.swp”,
输入命令,找到.aaa.txt.swp:ll -a(因为swp是隐藏文件)
执行删除命令:rm -rf .aaa.txt.swp

  1.7 ~  修改网络配置。
vim /etc/sysconfig/network-scripts/ifcfg-eth0
    1.7.1 .  把HWADDR【Hardware Address、MAC值】直接删除。
3、这里的MAC值为什么可以删除,不会影响到虚拟机正常运行吗?


---- 不会,因为MAC值只是对硬件的唯一识别,而我们用的是虚拟机,实际上是没有硬件的,只在启动时验证即可。这里既然是虚拟机模板,为了方便统一,也避免以后的修改,所以直接删了。

    1.7.2 .  把ONBOOT【开机是否启动】改成yes。
    1.7.3 .  修改BOOTPROTO【IP获取方式:dhcp动态、static静态】,此处为保证网段稳定性,用静态static。
    1.7.4 .  手动输入静态IP地址配置。
IPADDR=192.168.1.101
NETMASK=255.255.255.0
GATEWAY=192.168.1.1
DNS1=8.8.8.8

alt

4、注意:IP地址范围只能是3~254,为什么呢?

---- 因为这里不能与网关的1,还有主机静态IP的2起冲突!

5、IP地址、子网掩码、网关、域名解析系统的内容详解?


---- IPADDR【IP地址】:自家地址。
---- NETMASK【子网掩码】:划分IP地址为网络地址和主机地址。
---- GATEWAY【网关】:一个网络通向另一个网络的IP地址。
---- DNS1【域名解析系统】:IP地址不好记,用域名来代替,而这个域名查找IP的过程就是域名解析。

    4.7.5 .  配置完,按 :wq! 或shift+zz退出即可。
  1.8 ~ 重启生效。
reboot
service network restart
6、什么时候重启虚拟机?什么时候重启网络服务?


---- 在虚拟机里更改了MAC值,也就是执行了本次操作流程的第6步,那就必须重启。
---- 如果是更改了IP地址,重启网络服务就可以生效。

  1.9 ~  验证网络。
ifconfig
ping www.baidu.com	# Ctrl+c 可以退出实时状态。


穿花蛱蝶深深见,点水蜻蜓款款飞。

- - - - - - - - - - - - - - - - - - - - - - - - - - - -


※ 世间诱惑何其多,坚定始终不动摇。

下列几种语言及其开发工具中同时支持COM和CORBA组件技术的是:


A、VB
B、C++Builder/Delphi
C、 PB
D、JAVA

B
alt



穿花蛱蝶深深见,点水蜻蜓款款飞。

- - - - - - - - - - - - - - - - - - - - - - - - - - - -


注:CSDN手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。

我知道我的不足,我也知道你的挑剔,但我就是我,不一样的烟火,谢谢你的指指点点,造就了我的点点滴滴:)!



穿花蛱蝶深深见,点水蜻蜓款款飞。


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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