What I have done

最新推荐文章于 2024-09-10 09:28:05 发布
最新推荐文章于 2024-09-10 09:28:05 发布
阅读量599 收藏
点赞数
分类专栏： Linux 文章标签： vim mozilla 终端 flex yacc firefox
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/yuventus/article/details/5813056
版权

1、给Firfox更新组件
  工具->附加组件->查找更新，在Mozilla网站上查找合适的组件下载。
2、给面板的“位置”栏添加书签
  使用文件浏览器的 书签->添加书签 操作
3、给ls创建别名
  打开~/.bashrc文件，找到相关语句，并添加下面一行命令
  $ alias ll='ls -al'
4、把终端加到右键菜单中
  $ sudo apt-get install nautilus-open-terminal
5、消除终端响铃和系统滴滴声
  打开终端， 编辑->当前配置文件->常规，禁止终端响铃
  系统->首选项->音效, 关闭系统响铃
6、删除ubuntu8.04自带的文档编辑器下载，并foxit reader代替evince
  $ sudo apt-get remove evince
7、安装gcc/g++/make, gdb等
  $ sudo apt-get install build-essential
8、安装rar，unrar
  $ sudo apt-get install rar unrar
9、bash的配置文件是$HOME/.bashrc(或是.bash_profile、.bash_login)
  vim的配置文件是$HOME/.vimrc
10、查看swap分区使用情况
  $ free -m
11、vim配置
  $ sudo apt-get install vim
  //从网上下载了一个编写的很全的配置文件包vimrc_easwy.zip，里面包含.vimrc文件和.vim文件夹，其中.vimrc是vim的配置文件而.vim是vim的插件安装的地方。
  $ cp Resources/ubuntu/vim/vimrc_easwy.zip .    //将下载的vimrc_easwy.zip拷贝到主文件夹下，"."此时表示是主文件夹。
  $ unzip vimrc_easwy.zip                //解压缩vimrc_easwy.zip，此时会产生.vimrc文件和.vim文件夹到主文件夹下。
  //上面的.vimrc文件只是一般的对vim的配置，但没有对C的更好的支持，需要安装c.vim插件（下载的安装包是cvim.zip）
  $ cp Resources/ubuntu/cvim.zip .vim        //将下载的cvim.zip拷贝到~/.vim文件夹下进行解压缩。
  $ cd .vim
  $ unzip cvim.zip                        //解压缩之后，cvim.zip里面的文件就装到了.vim里面合适的文件夹下
  //现在vim的设置比较好了，如果想将vim打造成一个更好的IDE，还可以继续完善设置。
  //下载vim的中文手册，并按照里面INSTALL的说明安装文档。要学会使用vim的帮助手册
12、安装C标准库的man手册
  $ sudo apt-get install manpages
  $ sudo apt-get install manpages-dev
13、更新firefox的flashplayer组件
  //下载最新版的install_flash_player_10_linux.tar.gz，解压缩之后产生一个libflashplayer.so
  //将libflashplayer.so拷贝到/usr/lib/adobe-flashplugin目录下
  $ sudo cp libflashplayer.so /usr/lib/adobe-flashplugin/      
  //进入/etc/alternatives目录下，并建立到/usr/lib/adobe-flashplugin/libflashplayer.so的符号连接
  $ cd /etc/alternatives
  $ sudo ln -s /usr/lib/adobe-flashplugin/libflashplayer.so firefox-flashplugin
  //进入/usr/lib/firefox/plugins目录下，并建立到/etc/alternatives/firefox-flashplugin的符号连接，如果已存在flashplugin-alternative.so的符号连接，重定义该连接
  $ sudo ln -s /etc/alternatives/firefox-flashplugin flashplugin-alternative.so
14、安装yacc和flex
  $ sudo apt-get install flex bison
15、字体选用Bitstream Charter

16、安装chm阅读器
  $ sudo apt-get install xchm

yuventus
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《what i have done》动画MTV 动画分镜设计.pdf
11-01
《What I Have Done》动画MTV的动画分镜设计是一份深入探讨动画制作与分镜艺术的学术作品，旨在通过3D和Flash技术呈现歌曲的主题，即对人类对地球破坏的反思与和平的呼唤。该动画MTV借鉴了原版MTV的核心思想，通过...
安装firfox，及插件
wxc_ya的博客
03-07 371
安装下载安装飞狐软件下载火狐对应的插件下载pycharm模块 安装飞狐软件 下载火狐对应的插件 1，点击菜单–附加组件 2，搜索插件或从本地导入接插件 3，找到对应的插件 4，安装 5，查看是否安装成功 6，下载其他插件也是一样的步骤 注：有的插件需要重启浏览器 下载pycharm模块 ...
ubuntu11.04手工安装flash插件
weixin_30376509的博客
06-11 70
今天下载了一个ubuntu 11.04,系统默认用到firefox 4.0,没有flash插件，这个不奇怪，奇怪的是通过系统自动插件寻找也居然找不到!(这个太不能原谅了）。 实际上我觉得系统应该把flash插件装好，很简单的事情啊，why not?（本来ubuntu是有很好的在线更新机制的，可惜那些网站都在国外，甚至有些是被屏蔽的，对中国人来说，这个本来应该是优点的在线更新反而变成了噩梦） ...
adobe-flash-properties-gtk 依赖错误解决方法
KingEasternSun的专栏
10-10 2011
错误现象本来打算安装g++，结果出现下面错误:~$ sudo apt-get install g++ 正在读取软件包列表... 完成 正在分析软件包的依赖关系树 正在读取状态信息... 完成 您可能需要运行“apt-get -f install”来纠正下列错误： 下列软件包有未满足的依赖关系： adobe-flash-properties-gtk : 依赖: adobe
What Have I Done-开源
07-11
Whid 是一个简单的应用程序，可以跟踪时间。 你可以用它来查看你今天实际做了什么，或者你可以用它来跟踪在项目上花费的时间。 它还可以打印发票。
情态动词+have_done的用法41339PPT课件.pptx
10-08
should have done是指出某人应该做什么却没有做（The work should have been finished yesterday.），而ought to have done则更加正式，同样表示遗憾或批评（I ought to have helped her more.）。 以上就是关于...
matlab集成c代码-Gxsf:我在广西师范大学做了什么
05-22
What I have done in the Gxsf. 我在广西师大这几年都干了点啥。 更新日志 Coming soon FDC个人使用的脚本，系统误差与统计误差的做法等。 2021.01.28 重要 ：FDC基础教程勘误 2021.01.23 的教程，详细说明见FDC...
Linux 中常用的 Vim 命令大全
weixin_58606202的博客
09-07 1066
Vim 是一个基于vi的高级文本编辑器，提供了更多强大的功能。它的名字是 "Vi IMproved" 的缩写。正常模式（Normal Mode）：进入 Vim 时的默认模式，用户可以在此模式下执行各种命令。插入模式（Insert Mode）：在此模式下，用户可以像普通文本编辑器一样输入文本。命令模式（Command Mode）：用于执行保存、退出、查找等操作，需要通过进入。Vim 拥有丰富的命令集，掌握这些命令将显著提高你的文本编辑效率。
我与Linux的爱恋：yum和vim以及gcc、gdb、git的使用
guoguoqianng.的博客
09-07 1185
yum vim gcc gdb git的使用
Vim笔记
Kent的博客
09-07 305
【指尖飞舞：vscode + vim 高效开发（系列视频）】https://www.bilibili.com/video/BV1z541177Jyp=16&vd_source=23e4761174881d73295e362ffd706749。g_跳到行尾最后一个非空字符。
Linux中的Vim文本编辑器
jun778895的博客
09-07 664
Linux中的Vim是一个非常强大的文本编辑器，它提供了丰富的命令来支持各种文本编辑操作。以下是一个Vim常用命令的详细总结，涵盖了基本操作、编辑命令、移动光标、查找替换、保存退出等多个方面。
在springboot中如何使用Jetty替换Tomcat
tyxjolin的专栏
09-08 392
BIO是传统的同步阻塞IO，即客户端发起请求，服务器必须开一个线程接收请求，并开启一个线程进行处理，直到处理完毕后再通过一个线程返回结果。在高并发的情况下，服务器线程开销巨大，容易导致线程堆积和资源浪费。
Tomcat服务器安装SSL证书教程
锐成信息racent
09-10 606
现在锐成信息申请一张SSL证书，证书申请成功后，会获取到颁发证书文件（.zip）压缩格式，当中有包含四种证书格式如：Tomcat、Nginx、IIS、Apache；Tomcat服务器上需要用到Tomcat文件夹内的证书。Tomcat服务器安装SSL证书教程，主要包括获取证书、安装证书、重启Tomcat以及测试SSL证书是否安装成功等4大步骤，以下是详细图文教程。Tomcat 支持 PFX 格式和 JKS 两种格式的证书，您可根据您 Tomcat 的版本择其中一种格式的证书安装到 Tomcat 上。
餐厅点餐系统springboot.zip
09-10
开发一个基于Spring Boot的餐厅点餐系统可以大大提高餐厅的服务效率和顾客体验。下面是一个简单的案例程序，展示了如何使用Spring Boot来构建这样一个系统。这个系统将包括用户管理、菜单管理、订单管理等基本功能。 1. 创建项目 首先，通过Spring Initializr（https://start.spring.io/）创建一个新的Spring Boot项目，并添加必要的依赖项，如Web、Thymeleaf、Spring Data JPA 和 MySQL Driver。
MATLAB_SIMULINK中的病毒传播模拟器.rar
09-10
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
Sigrity-Sigrity MCP Specification.rar
最新发布
09-10
Sigrity-Sigrity MCP Specification.rar 当引脚名称映射失败时，通过坐标映射为替代引脚映射方法添加可选的引脚坐标（相对于元件原点）。 本文档描述了信号模型连接协议（MCP）。 MCP用于在管芯（芯片）、封装和PCB之间连接电路模型和/或物理布局。 MCP允许任何MCP型号的Sigrity产品内的自动模型和结构连接。 它还允许第三方工具将Sigrity模型与MCP集成或连接。 MCP使用简单的ASCII格式，支持模型连接的多个电路和引脚，并允许将物理引脚集中在电路模型中。 MCP具有可扩展性和向后兼容性。
智能优化算法-樽海鞘优化算法（SSA）
09-10
樽海鞘优化算法 (Salp Swarm Algorithm, SSA) 虽然名称中提到的是“樽海鞘”，但实际上这个算法是基于群体智能的一种元启发式优化算法，它模拟了樽海鞘（Salps）在海洋中的游动和觅食行为，用于解决复杂的优化问题。 SSA的工作机制主要包括以下几个方面： 链式游动：模拟樽海鞘在海洋中形成链状结构进行集体游动，用于探索解空间。 觅食行为：通过模拟樽海鞘的觅食行为，促进算法的局部搜索能力。 动态调整：根据当前搜索状态动态调整搜索策略，平衡全局搜索和局部搜索。 优点包括： 强大的探索能力：SSA能够有效地探索解空间的不同区域。 灵活性：适用于多种优化问题，包括连续和离散优化。 快速收敛：通常能够在较少迭代次数内找到较好的解。 易于实现：算法设计直观，易于编程实现。
CNG油改气 150+155+2.0+调试软件
09-10
CNG油改气 150+155+2.0+调试软件
为什么消费者喜欢生成式人工智能（英）(1).pdf
09-10
为什么消费者喜欢生成式人工智能（英）(1).pdf
You have trained a TensorFlow model using Dropout layers for regularization. Now, youwant to use Monte Carlo Dropout for making predictions. What do you need to dodifferently during the prediction stage?
06-03
During training, Dropout layers are used to randomly drop out some of the neurons in the network, which helps to prevent overfitting and improve generalization performance. However, during prediction, we don't want to randomly drop out neurons because we want to make a deterministic prediction. To use Monte Carlo Dropout for making predictions, we need to modify the model by applying Dropout layers at prediction time. This can be done by setting the Dropout probability to zero during prediction, effectively deactivating the Dropout layer. Then, we can run the model multiple times with different random Dropout masks to obtain a distribution of predictions, which can be used to estimate the uncertainty of the predictions. In TensorFlow, we can achieve Monte Carlo Dropout by creating a new model that is identical to the original model, but with the Dropout layers modified to have a different behavior during prediction. This can be done by creating a custom Dropout layer that overrides the `call()` method to apply the Dropout probability only during training, and to deactivate the Dropout layer during prediction. The modified model can then be used to make predictions by running it multiple times with different random Dropout masks. Here is an example of how to implement Monte Carlo Dropout in TensorFlow: ``` import tensorflow as tf # Define custom Dropout layer for Monte Carlo Dropout class MonteCarloDropout(tf.keras.layers.Dropout): def call(self, inputs): if not self.training: return inputs return super().call(inputs) # Define original model with Dropout layers model = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Dropout(0.2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(10) ]) # Create modified model with Monte Carlo Dropout mc_model = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), tf.keras.layers.MaxPooling2D((2, 2)), MonteCarloDropout(0.2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), MonteCarloDropout(0.5), tf.keras.layers.Dense(10) ]) # Train original model with Dropout layers model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) model.fit(train_images, train_labels, epochs=10) # Use Monte Carlo Dropout to make predictions with modified model predictions = [] for i in range(100): predictions.append(mc_model.predict(test_images, training=True)) predictions = tf.stack(predictions) mean_prediction = tf.math.reduce_mean(predictions, axis=0) var_prediction = tf.math.reduce_variance(predictions, axis=0) ``` In this example, we define a custom Dropout layer `MonteCarloDropout` that overrides the `call()` method to deactivate the Dropout layer during prediction. We then create a modified model `mc_model` that is identical to the original model, but with the Dropout layers replaced by `MonteCarloDropout` layers. We train the original model with Dropout layers using the `fit()` method. To make predictions with Monte Carlo Dropout, we run the modified model `mc_model` multiple times with different random Dropout masks by setting the `training` argument to `True`. We then stack the predictions into a tensor and compute the mean and variance of the predictions across the different runs. The mean prediction represents the estimated class probabilities, while the variance represents the uncertainty of the predictions.
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