备忘录: Ubuntu安装和配置ssh
一 安装openssh-server,安装ssh服务器sudo apt install openssh-server二 配置ssh_config 文件$ sudo gedit /etc/ssh/ssh_config配置内容如下:Host *# ForwardAgent no# ForwardX11 no# ForwardX11Trusted yes# RhostsRSAAuthentication no RSAAuthentication yes Passw
备忘：openWRT 的TFTP方式烧写程序使用记录
备忘：openWRT 的TFTP方式烧写程序使用记录注:此文章为使用备忘记录。1).TFTP 服务器安装及配置参考说明 ubuntu16.04 - 64 $ sudo apt install tftp-hua tftpd-hua $ cat /etc/default/tftpd-hpa # /etc/default/tftpd-hpa TFTP_USERNAME="tftp" TFTP_DIRECTORY="/var/lib/tftpboot" #服务器文件存放的位置
Buildroot 移植openSSH到嵌入式平台记录
本篇记录nuc980的linux4.4版本通过Buildroot 移植openSSH的过程，关于Buildroot在nuc980上的应用请参考:添加链接描述第 1 步: buildroot中选择openSSH包> Target packages> Networking applications> [*] opensshSymbol: BR2_PACKAGE_OPENSSH [=y] Type : boolean Prompt: openssh Lo
Android平台与硬件间的接口-HAL Stub框架分析
1、硬件接口 HAL Stub 框架HAL stub的框架三个结构体、两个常量、一个函数，简称321架构，android4.4版本定义在：@hardware/libhardware/include/hardware/hardware.h@hardware/libhardware/hardware.c【1】:每一个硬件都通过 hw_module_t 来描述，我们称之为一个硬件对象。struct hw_module_t｛ uint32_t tag; // 该值必须
Android平台的 hw_get_module 函数的学习
通过hw_get_module_t来找到注册的硬件对象。@hardware/libhardware/hardware.cstatic const char *variant_keys[] = { “ro.hardware”, “ro.product.board”, “ro.board.platform”, “ro.arch”};// 由上面定义的字符串数组可知，HAL_VARIANT_KEYS_COUNT的值为4struct constint HAL_VARIANT_KEYS_COUNT
1 -＞ openWrt 简介、下载源码、编译
注意实现:openwrt-19以下版本中: feeds.conf.default 文件中内容：# 修改为 github.comsrc-git packages https://git.openwrt.org/feed/packages.gitsrc-git luci https://git.openwrt.org/project/luci.gitsrc-git routing https://git.openwrt.org/feed/routing.gitsrc-git telephony ht
tf.keras快速入门——序列模型
最简单的模型是tf.keras.Sequential模型，可以理解为神经网络层的简单堆叠，可以完成一些简单的分类任务，但是却无法表示任意模型。通常将使用函数式API来构建更加复杂的模型。本文在这里只简单总结序列模型的使用。1. 导入相关依赖import tensorflow as tf2. 定义序列模型model = tf.keras.Sequential()3. 添加神经网络层model.add(tf.keras.layers.Dense(units=32, input_shape=(16
tf.keras快速入门——函数式API
在上篇中简单的使用了序列模型，由于序列模型只能表示为神经网络层的简单堆叠，而无法表示成任意模型。故而这里将使用函数式API来构建更加复杂的模型。在鸢尾花分类一文中简单使用了序列模型来解决这个问题，这里将使用函数式API来解决这个问题，体验使用函数式API的便捷性。先看看官方案例：import tensorflow as tfinputs = tf.keras.Input(shape=(3,))x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(
研究生生活断代史（九）
回顾2020的这一年，可能因为疫情的借口，我有更加充分的理由来说服自己，自己过去的懒惰是不可避免的。但，貌似到现在看来，自己都不再相信这个借口，更何况自己身边的人。回顾这一年，我是否做到了“不因虚度年华而悔恨 不因碌碌无为而羞耻”？我不禁陷入了沉思。 在这一年里，我自己却暴露出了很多缺点。以懒惰成性为主线贯穿其中，偶尔的自大、自满，偶尔的不知所谓，偶尔的想入非非，…, 这就是我的本来面目吧。缺点一大堆，却总是愿意听那些官方的好听话语而觉得自己又行了，明知道那些奉承话语说出来就是为了让听者愉悦
2 -＞ openwrt 源码文件构成及作用
如果要在 openWrt 系统上移植设备驱动、增加软件包、修订bsp相关内容时，首先面临的问题是，我们在什么地方找到bsp的设备树文件呢？到哪里修改驱动相关内容呢？我的应用如何打包到镜像中呢？我们带着疑惑来往下看，首先认知 wrt 的源码构成：第 1 节配置文件 与 包管理文件；make menuconfig 中的部分参数来源此 config 文件夹中配置内容。第 2 节include 文件注意下图中、文件路径的位置从图中的调用关系看出，在package/boot/uboot-layer
tf.keras快速入门——函数式API(二)
在上篇的tf.keras快速入门——函数式API中简单的使用了和序列模型不同的样子来定义网络。但是，该网络只是层与层之间的连接更加灵活，但却没有其余的优点了。当我们需要完全自定义网络模型和前向传递过程，就满足不了了。这里，我们讨论自定义模型。自定义Model类，需要最少复写两个方法，分别是：__init__()call()在__init__()我们初始化所需要的神经网络层，在call()中定义这些神经网络层如何连接，可以理解为前向传播。然后需要返回一个outputs，也就是输出。在本篇中，还
3 -＞ openWrt系统移植FRR路由协议第三方软件包记录
openWRT 编译后将产生如下文件:并且会将目录 staging_dir作为编译的临时安装目录，最终的生成文件保存在目录bin下|目 录 | 含 义 ||–|--||dl | 下载软件代码包 临时目录。编译前，将原始的软件代码包下载到该目录||feeds |扩展软件包目录。将一些不常用的软件包放在其他代码库中，通过feed机制可以自定义下载及配置||bin |编译完成后的最终成果目录。例如安装映像文件及 ipk 安装包||build_dir |编译中间文件目录。||stagin..
tf.keras快速入门——函数式API(三)
1. 前言本篇将简单讲述自定义层2. 背景在上篇中，简单实现了自定义Model，实现鸢尾花的分类任务。但是其实还是没有多大的改变，这里我们将其序列->Input->自定义Model核心部简单罗列：2.1. Sequentialmodel = tf.keras.Sequential()model.add(tf.keras.layers.Dense(4, input_shape=(4,), activation='relu'))model.add(tf.keras.layers.Den
tf.keras快速入门——自定义损失函数（一）
官网的自定义损失函数：here在官网中，我们可以看见给出了两种方法来使用Keras提供自定义损失。1. 简单的均方误差def custom_mean_squared_error(y_true, y_pred): return tf.math.reduce_mean(tf.square(y_true - y_pred)) model.compile(optimizer=keras.optimizers.Adam(), loss=custom_mean_squared_error)这
3 -＞ 嵌入式 Linux l2tp 移植、配置和测试记录
l2tp 原理简介请参考曹世宏的博客:https://cshihong.blog.csdn.net/article/details/100005648服务器端的参数配置本次实验采用的 xl2tpd ，服务器端内容配置如下。2.1） 配置 /etc/xl2tpd # cat xl2tpd.conf[global]port =1701ipsec saref = noaccess control = noauth file=/etc/xl2tpd/l2tp-secretsdebu..
今日推荐
周排行