xinyu

1、使用mysql命令登录root用户 这时你需要进入/etc/mysql目录下，然后sudo vim/vi debian.cnf查看里面的用户名和密码，然后使用这个文件中的用户名和密码进入mysql,假如debian.cnf中的用户名为debian-sys-maint,则： mysql -u debian-sys-maint -p 然后按回车，这时需要你输入密码，复制debian.cnf中的密码（不要手动输入，因为容易产生错误）。 此时你能进入到mysql里面了。 2、创建新用户 CREATE USER 'mindoc_db_read'@'%' IDENTIFIED BY 'mindoc_db_read@123'; 备注上面@后的命令解释 '%'

把anaconda 文件夹换到想要的文件夹，设置一个软连接即可，如下： ln -s /data/zwj/new/anaconda3/ /home/zwj/anaconda3 前面是更换后的新地址，后面是旧地址。

1、在ubuntu镜像中创建容器，并将docker服务器的50003端口映射到容器的22端口上 docker run -it -d -p 50003:22 ubuntu 这时我们使用docker ps可以看到我们的容器已经启动了 2、通过ID进入容器 docker exec -it a9cbce70127f /bin/bash 3、安装ssh server apt-get update apt-get install passwd apt-get install openssh-server tips:如果你使用命令，报这个命令找不到，可以直接使用apt-get install 命令名来安装这个命令 4、通过passwd命令来设置root的密码 5、启动ssh服务 service ssh

1、首先打开如下路径下的hosts文件 2、按照如下格式可以添加新的域名 改好保存之后，通过172.30.7.165可以访问的服务，也可以通过LocalInfogoHost来访问

1、 添加docker用户组(一般安装docker时会自动添加) sudo groupadd docker  2、 将指定用户添加到docker用户组中 注:将USER替换为自己的用户名 sudo gpasswd -a USER docker 3、 查看是否添加上： cat /etc/group | grep docker 附赠操作： 1、删除 sudo gpasswd -d USER docker 2、重启docker服务： sudo systemctl restart docker

解决方法： 1、修改/etc/passwd vim /etc/passwd 2、在最后位置找到新增加的用户 将/bin/sh改为/bin/bash 3、保存退出

压缩 tar –cvf jpg.tar *.jpg //将目录里所有jpg文件打包成tar.jpg tar –czf jpg.tar.gz *.jpg   //将目录里所有jpg文件打包成jpg.tar后，并且将其用gzip压缩，生成一  个gzip压缩过的包，命名为jpg.tar.gz tar –cjf jpg.tar.bz2 *.jpg //将目录里所有jpg文件打包成jpg.tar后，并且将其用bzip2压缩，生成一个bzip2压缩过的包，命名为jpg.tar.bz2 tar –cZf jpg.tar.Z *.jpg   //将目录里所有jpg文件打包成jpg.tar后，并且将其用compress压缩，

查看当前后台运行的命令 有两个命令可以用，jobs和ps,区别是jobs用于查看当前终端后台运行的任务，换了终端就看不到了。而ps命令用于查看瞬间进程的动态，可以看到别的终端运行的后台进程。 （1）jobs命令        功能：查看当前终端后台运行的任务        jobs -l选项可显示当前终端所有任务的PID，jobs的状态可以是running，stopped，Terminated。+ 号表示当前任务，- 号表示后一个任务。 （2）ps命令          功能：查看当前的所有进程          ps -aux | grep "test.sh"    #a:显示所有程序  u:以用户为主的格式来显示   x:显示所有程序，不以终端机来区分 关闭当前后台运行的命令 kill命令：结束进程      （1）通过jobs命令查看jobnum，然后执行   kill

开启永久后台： nohup 代码运行命令 & 显示后台运行日志： tail -fn 50 nohup.out 后台运行不生成nohup.out文件： nohup python ftp_test.py >/dev/null 2>&1 & nohup python test.py > test.log 2>&1 & nohup python test.py &> test.

ps -aux|grep multigpu_train.py|grep -v grep|awk '{print $2}' 其中 ps -aux|grep chat.js a:显示所有程序 u:以用户为主的格式来显示 x:显示所有程序，不以终端机来区分 用ps -def | grep查找进程很方便，最后一行总是会grep自己 用grep -v参数可以将grep命令排除掉 ps -aux|grep chat.js| grep -v grep 再用awk提取一下进程ID ps -aux|

驱动与驱动内核版本不匹配： Failed to initialize NVML: Driver/library version mismatch. 原因：内核模块中nvidia驱动没有同步更新。 解决方案： 方式1: 直接重启 方式2：手动重新加载内核模块（先移除旧模块，再加载新模块） （1）查看依赖（可略） lsmod | grep -i nvidia （2）依次依次依赖模块 sudo rmmod nvidia_uvm sudo rmmod nvidia_drm sudo rmmod nvidia_modeset （3）移除旧模块（上一步不执行，会报错） sudo

linux中关于cpu的相关信息都在文件/proc/cpuinfo中 显示物理cpu个数 cat /proc/cpuinfo | grep 'physical id' | sort | uniq | wc -l 显示每个物理cpu的核数 cat /proc/cpuinfo | grep 'cpu cores' | uniq 显示逻辑cpu的个数 cat /proc/cpuinfo | grep 'processor' | wc -l 总核数 = 物理CPU个数 X 每颗物理CPU的核数 总逻辑CPU数 = 物理CPU个数 X 每颗物理CPU的核数 X 超线程数

ubuntu系统使用的gcc版本随着发布版本的不同而不同，在编译android系统时不同的版本推荐用不同的gcc去编译，那么可不可以改变系统的gcc来适应android编译环境的需求呢？答案是可以的。 先看看我们系统用的gcc和g++是什么版本 gcc -v 可以获得的信息如下 gcc version 4.4.6 (Ubuntu/Linaro 4.4.6-11ubuntu2) 如果我们想使用gcc4.5怎么办？首先看看有没有安装gcc4.5， ls /usr/bin/gcc* 结果只有/usr/bin/gcc  /usr/bin/gcc-4.4两个，那么我们需要安装 sudo apt-get install gcc-4.5 gcc-4.5-multilib g+

很多时候，特别是在linux调整分区后，开机重启时会出现 error : unknow filesystem grub rescue> 的字样，系统就是进不去。这表示你的grub2的配置文件坏了 由于分区调整或分区UUID改变造成grub2不能正常启动，从而进入修复模式了（grub rescue)，也称救援模式。 在救援模式下只有很少的命令可以用：set , ls , insmod , root , prefix (1)set 查看环境变量，这里可以查看启动路径和分区。 (2)ls 查看设备 (3)insmod 加载模块 (4)root 指定用于启动系统的分区,在救援模式下设置grub启动分区 (5)prefix 设定grub启动路径 具体修复步骤如下： 1、查看分区：grub

这篇文章在既保证速度，又要保证精度的情况下，提出了 SSD 物体检测模型，与现在流行的检测模型一样，将检测过程整个成一个 single deep neural network。便于训练与优化，同时提高检测速度。 SSD 将输出一系列 离散化（discretization） 的 bounding boxes，这些 bounding boxes 是在 不同层次（layers） 上的 feature maps 上生成的，并且有着不同的 aspect ratio。 要计算出每一个 default box 中的物体，其属于每个类别的可能性，即 score，得分。如对于 PASCAL VOC

目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派： 1.两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列)， 2.一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位(YOLO系列) 之前的R-CNN系列虽然准确率比较高，但是即使是发展到Faster R-CNN，检测一张图片如下图所示也要7fps(原文为5fps)，为了使得检测的工作能够用到实时的场景中，提出了YOLO。 YOLO的检测思想不同于R-CNN系列的思想，它将目标检测作为回归任务来解决。 下面来看看YOLO的整体结构： 由上两图所示，网络是根据GoogLeNet改进的，输入图片为448*448大小，输出为7X7X(2X5+20)，现在看来这样写输出维度很奇怪，下面来看一下输出是怎么定义的。 将图片分为SXS个单元格(原文中S=7)，之后的输出是以单元格为单位进行的： 1.如果一个object的中心落在某个单元格上，那么这个单元格负责预测这个物体。 2.每个单元格需要预测B个bbox值(bbox值包括坐标和宽高，原文中B=

《Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》简称MTCNN，是一种基于多任务级联卷积神经网络的人脸检测和对齐方法，通过三阶的级联卷积神经网络对任务进行从粗到细的处理。每个阶段的网络都是一个多任务网络。处理任务有三个：人脸/非人脸判定、人脸框回归和特征点定位。 本文总体架构示意图如下图所示： 人脸/非人脸判定采用cross-entropy损失函数： 人脸框回归采用欧式距离损失函数： 特征点定位也采用欧式距离损失函数： 其中a表示三个任务在当前阶段的网络中损失所占比重。B是采样类型指示，取值为{0,1}，当人脸/非人脸判定为非人脸时，box和landmark的B取值0，而det取值1；判定为人脸时，全部取值为1。 为应对目标多尺度问题，MTCNN将原始图像resize到不同尺寸，构建图像金字塔，作为三阶级联架构的输入。 **第一阶段，**通过一个浅层的CNN快速生成候选窗口。 该阶段是一个全部由卷积层组成的CNN，取名P-Net，获取候选人脸窗口以及人脸框回归向量。基于人脸框回归向量对候选窗口进行校正。

跨镜追踪技术背景 跨镜追踪系统，主要利用行人重识别技术依据人物穿着、体态、发型等信息来判断图像或视频序列中是否存在特定的行人，可与人脸识别技术相结合，解决跨镜头场景下在人脸被遮挡、距离过远时的人物身份识别。 跨镜追踪示意图 跨镜追踪的研究意义 跨镜追踪系统通过实时、自动化分析视频流中人物身份信息，能够实现对特定人物跨时间、跨空间的布控追踪和即时定位，对公安监视追踪嫌疑人、物业排查可疑人员均能提升效率，减少因时间成本造成的事态恶劣化，且能极大程度上避免工作人员因倦怠、脱岗等因素造成误报和不报情况，切实提高监控区域的安全防范能力。由于监控系统场景中人脸多数情况下不清晰，因而业界普遍采用行人重识别（Person Re-Identification, 简称ReID）算法实现跨镜追踪，其对人脸清晰度、人脸角度、摄像头位置的敏感度较人脸识别低，在今年爆发的新冠肺炎疫情期间，基于ReID技术的一套跨镜追踪系统就为疫情防控立下了功劳，因此ReID算法也备受关注。 行人重识别算法检索示例图 跨镜追踪的研究难点 配合式场景人脸识别近几年已逐步商用化，但在视频监控场景下，人脸质量往往不高或人脸不可见，因此多数情况下无法发挥作用，而ReID算法实际场景下准确率也较低，仍存在不少研究难点，总结如下： 1、行人数据严重缺失 由于涉及到隐私以及行人数据需要在不同镜头下采集同一人同时间段内出现的画面，