Syncthing来同步服务器数据到本地

缘由 服务器端的数据有多重要我就不说了,毕竟是删过库的人,明白那种崩溃的感觉。后来我尝试把数据放到Github,但看到那令人尴尬的提交图时,感觉装逼了,然后就默默的寻找其它方法,我自己一直在用BitTorrent Sync来做分布式网盘从互联网获取好的资源,去官网发现也可以安装在自己的服务器端来进行同步使用,但苦逼的时一直找不到节点,使用了代理以及分享的DHA什么的,也是0效果。后来看使用某教程最后提到了Syncthing这个工具,然后就种草了。 官网 维基百科简介 Syncthing是一个开源的文件同步客户端与服务器软件,采用Go语言编写。它可以在本地网络上的设备之间或通过Internet在远程设备之间同步文件,使用了其独有的对等自由块交换协议。源代码托管在GitHub上 跨平台支持 使用方法 软件下载地址 | GITHUB 服务器端 服务器端配置 下载 | 没有安装GITHUB请参照GITHUB使用教程 # 进入tmp临时存放文件夹 cd /tmp # 下载syncthing,注意查看版本; wget https://github.com/syncthing/syncthing/releases/download/v1.3.1/syncthing-linux-amd64-v1.3.1.tar.gz # 解压 tar xzvf syncthing-linux-amd64-v1.3.1.tar.gz # 进入解压文件夹 cd syncthing-lin………

Seaborn

SeaBorn 官网 用matplotlib封装来显示数据显示模板 #Seaborn #用matplotlib封装来显示数据显示模板 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline #inline直接把图显示在book上 整体布局风格设置 ## 整体布局风格设置 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline def sinplot(flip=1): x = np.linspace(0,14,100) # 在0-14找100个点 for i in range(1,7): # 画6条线 plt.plot(x,np.sin(x + i * 0.5) * (7 – i) * flip) sinplot() # print(help(np.linspace)) 默认参数 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline def sinplot(flip=1): x = np.linspace(0,14,100) # 在0-14找100个点 for i in range(1,7): # 画6条线 plt.plot(x,np.sin(x + i * 0.5) * (7 – i) * flip) sns.set() # 使用seaborn默认参数 sin………

Matplotlib

使用到的数据 Github/YOUTUBE_studying 画图 import pandas as pd unrate = pd.read_csv('DATA.csv') unrate['DATE'] = pd.to_datetime(unrate['DATE']) # 日期格式转换 print(unrate.head(12)) # 画图工具 import matplotlib.pyplot as plt #%matplotlib inline #Using the diffenent pyplot functions,we can create,customize,and display a plot .For example, we can use # plt.plot() # 画图 # plt.show() # 显示 first_twelve = unrate[0:12] #取值 ## 参数说明 print('\n\n—-plot(x,y,c)———-') plt.plot(first_twelve['DATE'],first_twelve['VALUE'],c='red',label='test') #分别为x,y轴对应数据,c:color,label plt.legend(loc='best') # 显示label,loc为显示位置(best为系统认为最好的位置) plt.show() # print(help(plt.plot)) ## x,y轴字体角度变化/防止字体过于拥挤在一起 print('\n\n————x,y轴字体角度变化/防止字体过于拥挤在一起——') plt.plot(first_twelve['DATE'],first_twelve['VALUE&#039………

Pandas

pandas 数据处理库 读取文件 pandas.read_csv(‘xxxx.csv’) import pandas as pd m = pd.read_csv('m0.csv') print(type(m)) print(m.dtypes) # 字符值为object # print(help(pd.read_csv)) # <class 'pandas.core.frame.DataFrame'> # noteid int64 # notebook object # username object # date object # dtype: object 显示数据 m.head() #把数据显示出来,默认显示前五条 # m.head(3) #显示前3条 # m.tail(4) # 显示后四行 # print(m.columns) # 显示列的指标 # print(m.shape) # 查看数据维度(m,n)=》表示总共有m个样本,每个样本有n个指标 取数据 # location ### 取第一个数据 print(m.loc[0]) print('———-') print(m.loc[3]) ### 取从3开始到6结束 m.loc[3:6] ### 取1,3,5 id = {1,3,5} m.loc[id] ### 一列一列取 col = m['noteid'] # 列名来定义,如无则默认为第一行为列名 print(col) ### 取多列 col = ['noteid','username'] data = m[col] print(data) # 取以什么来结尾的列 # 比如找以(kg)结尾的 import pandas as pd m = pd………

Numpy

numpy 矩阵等计算,还要了解基本的高数,概率,线代知识,这些都要用到。特别是矩阵的转换以及算法等等。 详细学习参考学习资料 NumPy 教程 | 菜鸟教程 查找xxxx的帮助文档 print(help(numpy.xxxx)) 构造多维数组 numpy.array() 注意里面的值必须为同一类型,否则有类型转换; eg: # 构造数组 # 一维数组 vector = numpy.array([5,10,15,20]) # 二维数组,注意有两个括号 matrix = numpy.array([[5,10,15],[20,25,30],[35,40,45]]) print(vector) print(matrix) 如何构造三维以上的数组是一个难点所在 mumpy/0.ipynb/13*14 查看xxx的结构/用于debug print(xxxx.shape) 查询 print(xxxx[x,y]) print(xxxxx[,1]) # 取第一列 print(xxxx[:,0:2]) #第一和第二列 切片 print(xxxx[n:m]) 判断值是否存在 xxx == m # xxx 中是否有m/会判断每一个值 整体值类型改变 v = numpy.array(["1","2","3"]) print(v.dtype) print(v) v = v.astype(float) print(v.dtype) print(v) 求极值 指定维度求值 # 对行求值 m = numpy.array([ [5,10,15], [20,25,30], [35,40,45] ]) m.sum(axis=1) # answer: # array([ 30, 75, 120]) #对列求………

学人工智能要用到的部分数学知识

个人的所有学习笔记 基础知识 矩阵算法/高数知识 线性回归算法 误差:真实值和实际值之间的误差 似然函数:由数据去推参数,什么样的参数跟我们的数据组合后恰好是真实值 对数似然:乘法难解,加法就容易了,对数里面的乘法可以转换为加法 评估方法 R^2 = xxxxxx 越接近1,拟合程度越高 梯度下降 引入 当我们得到了一个目标函数后,如何进行求解?直接求解?(并不一定可解,线性回归可以当作一个特里) 常规套路 机器学习的套路就是我交给机器一堆数据,然后告诉它什么样的学习方式是对的(目标函数),然后让它朝着这个方向去做。 如何优化? 逐步完成迭代优化,每次优化一点点。 批量梯度下降 容易得到最优解,但是由于每次考虑所有样本,速度很慢 准确度最高 随机梯度下降 每次找一个样本,迭代速度快,但不一定每次都朝着收敛的方向 小批量梯度下降法 每次更新选择一小部分数据来算,实用! 学习率(步长) 对结果会产生巨大的影响,一般小一些 如何选择:从小(一般0.01)的时候,不行再小 批处理数量: 32,63,128都可以,很多时候还得考虑内存何效率 逻辑回归(Logistic regression) 目的:分类还是回归?是经典的二分类算法………

V2ray+Apache+Cdn+Tls

缘由(废话/不想看可以忽略) 也就不提了,今年第二次服务器IP被封,我第一次就感觉很蛋疼,但网上看了许多教程都没有弄好,而且多数都是Nginx的配置,我自己用的是Apache就更蛋疼了,同时也意味着我是否开始需要转变我的服务器配置了,毕竟我们都是希望能够简简单单的使用产品,能够获取很多的网络资源。我看最近好像Apache好像教程不足Nginx了,也行是我最近使用的东西Nginx更试用吧!具体使用比例我也没有找到详细的资料来证实。我弄好后发现,可能不是网上的教程有多么复杂,而是我连基本的专业知识都没有,我想如果我会这些服务器配置的基础知识,就能了解他们到底写的是什么东西以及如何运用。也不用大费周折了吧! 适用人群(其它人群没必要浪费时间在这篇教程上面了) 有点基础Linux知识的,比如怎么登陆服务器,什么是命令行等等; 搭建过一些网站,知道一些简单的配置如何修改。 知道V2ray是怎么使用的,不知道的请参照 V2rayN(Windows)使用教程 V2ray 动手能力强和有耐心的上面都可以忽略! :) 安装教程(基于宝塔面板) 按步骤仔细看完,直接跳跃的我也没有办法 服务器(推荐CentOS系统) Vultr 搬瓦工 宝塔安装 使用 SSH 连接工具,如宝塔远程………

邮箱加密SSL配置

自己最近尝试弄站点邮箱,弄好后就各种尝试去寻找其中的Bug,初次使用是能够简单的接收发邮件,但我发现发出去的邮件,对方接收都会显示一个小红锁。我点击就提示该邮件未加密。一般通常未加密的邮件都会被列为Spam类邮件。自己就弄了好几天,也弄的直接用不了,要重新安装才能使用。也发生过怎么弄都只能在服务器端发送邮件,手机等等邮件客户端死活连接不上的情况。我也不清楚自己最后是怎么弄好的。但我把自己感觉有用的信息发出来吧!

私人邮箱搭建教程

缘由 最近一直在配置二级域名,然后就尝试想给自己配置一个私人邮箱来用作个人博客的联系邮箱。 前提 宝塔面板 一个可以开启25等端口的服务器 听说国内的服务器把这些端口都给屏蔽了,我用的是搬瓦工,刚开始我自己测试自己的服务器。检测没有通过,以为也被屏蔽了,发邮箱收到邮件说没有屏蔽任何端口。后来发现是自己搞错了,那个检测代码有问题,连443端口都检测失败; 一个可用的域名 国外(服务器)购买推荐:namesilo,如果是国内服务器就没有从这里买了,国内服务器要备案,域名如果是国外的也要转回国内备案,同时端口是否会开放我也不清晰; 1美刀优惠码 emperinter 安装教程 安装宝塔 使用 SSH 连接工具,如宝塔远程桌面助手连接到您的 Linux 服务器后,挂载磁盘,根据系统执行相应命令开始安装(大约2分钟完成面板安装): Centos安装脚本(推荐使用Linux) yum install -y wget && wget -O install.sh http://download.bt.cn/install/install_6.0.sh && sh install.sh Ubuntu/Deepin安装脚本 wget -O install.sh http://download.bt.cn/install/install-ubuntu_6.0.sh && sudo bash install.sh Debian安装脚本 w………

初试爬虫

使用的python包 Request 我并没有使用urllib,我刚开始用这个,一直抓取不到我网站,直接报错。按网上配置什么浏览器参数之类的还是报错。用这一个就简单了许多,而且代码也比较少。 BeautifulSoup 正则表达式匹配在线测试 一个博客/里面有10来篇关于爬虫的资料/入门感觉比较简单易懂 代码 这代码仅针对于pixabay的图片下载,如果要转换的话。注意去查看你需要网站的页面等等信息,自行修改; # 图片来源于Pixabay: https://pixabay.com/zh/ import requests as req import math import re from bs4 import BeautifulSoup origin_img_link = [] # 获取page页有关key图片信息 def get_picture_page(key,page): i = 1 while(i < page): print('————这是第%d页———-' %i) origin_rul = 'https://pixabay.com/zh/images/search/'+ key +'/?pagi=' + str(i) #仅针对于pixabay的页面翻页形式/Get得到页数,自行修改 r = req.get(origin_rul) bs = BeautifulSoup(r.content, 'html.parser') #解析网页 hyperlink = bs.find_all(name = 'i………