Linux上安装JDK1.7与Tomcat7.0

Linux上安装JDK1.7与Tomcat7.0

Ubuntu上安装JDK1.7请用tar.gz包,Fedora可选用rpm包。

如果在Ubunturpm包安装,需要先转换为deb格式。

安装包的下载

jdk7

http://www.oracle.com/technetwork/java/javase/downloads/jdk7u9-downloads-1859576.html

tomcat7

http://tomcat.apache.org/download-70.cgi

 

Jdk的安装

1.解压或安装

.gz

#tar -zxvf jdk-7u9-linux-i586.tar.gz

解压后的目录如:jdk1.7.0_09

将其复制或移动到/usr目录下

#mv jdk1.7.0_09 /usr

 

.rpm

#rpm -ivh jdk-7u9-linux-i586.rpm

 

2.配置环境变量

#vi /etc/profile

profile文件中 umask 022结束字符前加入

export JAVA_HOME=/usr/jdk1.7.0_09

export JAVA_BIN=/usr/jdk1.7.0_09/bin

export PATH=$PATH:$JAVA_HOME/bin

export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH

 

 

如果Ubuntu系统还要修改默认jdk

update-alternatives --install /usr/bin/java java /usr/jdk1.7.0_09/bin/java 300

update-alternatives --install /usr/bin/javac javac /usr/jdk1.7.0_09/bin/javac 300

通过这一步将我们安装的jdk加入java选单。

update-alternatives --config java

 

 

重启Terminal测试

#java -version

 

Tomcat的安装

 

1.首先解压缩    

#tar -zxvf apache-tomcat-7.0.32.tar.gz

得到Tomcat的所有文件.然后把它拷贝到你要安装的位置,如/opt/tomcat

#cp -r /home/zdw/software/apache-tomcat-7.0.32 /opt/tomcat

切换到/opt/tomcat/bin

#cd /opt/tomcat/bin

运行命令

#./startup.sh

 

正常情况下可以见到如下的信息:    

 

Using CATALINA_BASE:   /opt/tomcat

Using CATALINA_HOME:   /opt/tomcat

Using CATALINA_TMPDIR: /opt/tomcat/temp

Using JRE_HOME:        /usr/java/jdk1.7.0_09

Using CLASSPATH:       /opt/tomcat/bin/bootstrap.jar:/opt/tomcat/bin/tomcat-juli.jar

 

2.然后用浏览器打开如下的网页   

http://localhost:8080/    (如果没有把Port number改为80

如果你见到Tomcat的网页(index.jsp),证明Tomcat安装成功,并已经启动.

 如要关闭Tomcat,在/opt/tomcat/bin下运行下面的命令即可    

#./shutdown.sh

/


原创作品,允许转载,转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。 http://yifangyou.blog.51cto.com/900206/626559

 0)到官网去下在jdk

wget http://download.oracle.com/otn-pub/java/jdk/7/jdk-7-linux-x64.tar.gz -O jdk-7-linux-x64.tar.gz 

1)安装

  
  
  1. tar -zxvf jdk-7-linux-x64.tar.gz 

2)移动到指定目录,下面用软连接的原因是便于以后升级 

 

  
  
  1. mv jdk1.7.0 /Application/
  2. ln -s /Application/jdk1.7.0 /Application/java 
  3. ln -s /Application/java/bin/java /sbin/java 

3)设置环境变量

 

  
  
  1. echo "export JAVA_HOME=/Application/java" > /etc/profile.d/java_env.sh echo "export JRE_HOME=/Application/java/jre" >> /etc/profile.d/java_env.sh 
  2. echo "export CLASSPATH=.:\$JAVA_HOME/lib:\$JRE_HOME/lib:\$CLASSPATH" >> /etc/profile.d/java_env.sh 
  3. echo "export PATH=.:\$JAVA_HOME/bin:\$JRE_HOME/bin:\$PATH" >> /etc/profile.d/java_env.sh

即:在/etc/profile.d/文件夾下創建java_env.sh文件,在文件裏面輸入環境變量.

export JAVA_HOME=/Application/java
export JRE_HOME=/Application/java/jre
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
export PATH=.:$JAVA_HOME/bin:$JRE_HOME/bin:$PATH

设置为可执行文件

 

  
  
  1. chmod +x /etc/profile.d/java_env.sh 

使环境变量在当前ssh客户端生效

 

  
  
  1. source /etc/profile.d/java_env.sh 

4)验证

最好把以前的java删除

 

  
  
  1. root@vs-3310-099:/Application/java# java -version java version "1.7.0" Java(TM) SE Runtime Environment (build 1.7.0-b147) Java HotSpot(TM) 64-Bit Server VM (build 21.0-b17, mixed mode) 

 

end

本文出自 “一方有” 博客,请务必保留此出处http://yifangyou.blog.51cto.com/900206/626559

/


  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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