電腦中毒是不可避免的,Linux系統也是如此,在得知系統中毒後,首要任務是找到病毒文件並將其清除,在Linux系統下可使用find命令查找病毒,下面通過實例講解下find如何查找病毒。
電腦中毒是不可避免的,Linux系統也是如此,在得知系統中毒後,首要任務是找到病毒文件並將其清除,在Linux系統下可使用find命令查找病毒,下面通過實例講解下find如何查找病毒。
前兩天收到中華電信HINET的電話
說某一網域被入侵,亂發信被檢舉
今天客戶說寄到GMAIL的信全部寄不出去
查了一下,先到下面網址打入IPhttps://mxtoolbox.com
https://www.dnsbl.info/dnsbl-details.php?dnsbl=dnsbl.spfbl.net
發現有被兩個單位列入黑名單
問了谷歌後,只要在其他dnsbl或是CBL裡沒有紀錄就好
因為信件發不出去(gmail hotmail 直接被退回)
問了CPanel官方後
他說hostname無法對應,要改成與nameserver一樣
然後如何重建Exim PTR /保留DNS Cache 和更新MAIL HELO
進入WHM
Home »Service Configuration »Exim Configuration ManagerDocumentation
Rebuild Reverse DNS Cache and Update Mail HELO
昨日要寄信到GMAIL信箱
發現CPanel SMTP出現錯誤
最近被MAIL SERVER搞得焦頭爛額
每日到CPANEL官方問問題
結果都是沒找到被GAMIL及HOTMAIL檔信問題
也處理不了
找了小洲老師,他說只有做SmartHost relay或換IP
進入WHM -> Exim Configuration Manager -> BACKUP
備份設定檔
最近被MAIL SERVER搞得焦頭爛額
每日到CPANEL官方問問題
結果都是沒找到被GAMIL及HOTMAIL檔信問題
也處理不了
找了小洲老師,他說只有做SmartHost relay或換IP
進入WHM -> Exim Configuration Manager -> BACKUP
備份設定檔
IPFS和Filecoin都是由協議實驗室打造的明星項目,IPFS是一種點對點、版本化、內容尋址的超媒體傳輸協議, 其所要構建的是一個分佈式的web 3.0;
Filecoin是一個基於IPFS的去中心化存儲網絡,是IPFS上唯一的激勵層,是一個基於區塊鏈技術發行的通證。IPFS和Filecoin是相輔相成的,IPFS的壯大和普及有利於為Filecoin帶來更多的客戶資源,Filecoin也能推動網絡朝著更有紀律性、更具激勵性、更有協作性的方向發展。
IPFS協議從2015年1月發布至今五年有餘,技術也越來越成熟,作為下一代互聯網底層通信協議,IPFS已經成功應用在數據存儲、文件傳輸、網絡視頻、社交媒體、去中心化交易等各個領域,這些APP、應用、平台,正在重構整個互聯網,今天,我們就來介紹有哪些應用使用了IPFS協議。
一、搜索引擎
1、谷歌瀏覽器
谷歌瀏覽器(Google Chrome)是目前世界上使用率和市場佔有率最高的瀏覽器。2019年初,IPFS 伴侶上架谷歌網上應用店,這個插件可以用來簡化IPFS 資源訪問的瀏覽器擴展。
IPFS伴侶(IPFS Companion)是由IPFS官方應用社區孵化出來的一個瀏覽器插件,可以幫助用戶在本地更好的運行、管理自己的節點,並隨時查看IPFS節點的資源信息。無需下載,一鍵調用。
2、BRAVE
這是一款擁有強大廣告攔截功能的瀏覽器,不但能攔截廣告,還擁有追踪保護的功能。
這個功能主要是隨時能夠屏蔽釣魚網站,提供的私有云可以用匿名廣告取代網站原來的廣告,可以說一切廣告在這個瀏覽器上都不存在,所有廣告都被攔截了,大大加快了網頁的加載和瀏覽速度,給用戶帶來更好的網絡體驗。現已嵌入IPFS插件。
BRAVE官網地址:https://brave.com/
3、Firfox火狐瀏覽器
2018年1月26日,火狐WebExtensions 產品經理Mike Conca 在Mozilla 官網發布了文章(Extensions in Firefox 59),列舉了火狐59的最新擴展(目前發佈於測試版)。其中一項特性是支持包括IPFS在內的分佈式協議。
2018年初,Firefox新增了“ipfs://”協議的支持。
4、Opera瀏覽器
Opera在今年5月的時候就宣布支持IPFS了。雙方合作持續,預計今年年底之前在其Android版Opera瀏覽器中推出IPFS支持。值得注意的是,Opera在瀏覽器中開發了加密錢包,有Android、iOS和桌面版。可見Opera很早就佈局了區塊鏈生態支持。
5. IPSE
IPSE是一款基於IPFS網絡的搜索引擎,致力於打造下一代互聯網的流量入口。在IPSE上可以搜索IPFS網絡的文件,由於採用哈希標註技術,可以讓內容的哈希地址轉化為文字標題,快速訪問。此外IPSE還是使用區塊鏈技術的搜索引擎,搜索將拒絕廣告跟踪,同時用戶還能獲得通證激勵。
IPSE 官網地址:https://www.ipse.io/
6、Poseidon
一個基於IPFS網絡的中心化的分佈式搜索引擎,可以讓用戶快速檢索IPFS網絡上的文件,尋找到所需要的數據,同時用戶參與挖礦還能獲得通證激勵。被譽為區塊鏈版Google。
二、內容平台
1、Netflix
Netflix成立於1997年,主要提供超大數量的DVD並免費遞送,除此以外它的用戶也可以通過個人電腦、電視、iPad、iPhone等聯網收看其電影、電視節目。近年來風靡全球的政治題材電視劇《紙牌屋》就是由奈飛出品。2019年10月,Netflix位列2019福布斯全球數字經濟100強榜第46名。
近日,IPFS宣布與全球最大的流媒體平台Netflix達成合作。作為一家地位和實力非同一般的企業為什麼選擇和IPFS進行合作呢?
在IPFS Camp 2019之後,Netflix便和IPFS開始了技術上的合作,將IPFS系統中的對等服務等技術整合到奈飛的工具中,利用IPFS的技術加速雲的構建、設計和測試。
Netflix想要解決的容器分發挑戰:如何在大規模,多區域環境中有效地提取容器圖像。圖像層通常位於不同的區域,利用IPFS作為點對點CDN,可以使Netflix基礎架構內的節點進行協作並將共同的種子播種到相鄰節點,從而有助於更快地分發容器。
Netflix官網地址:https://www.netflix.com/
2、D.Tube
IPFS最拉風的應用之一“D.Tube” ,對標YouTube,內容太絢爛了。
D.Tube 是第一個加密分佈式視頻平台,建立在STEEM 區塊鍊和IPFS 點對點網絡之上,未來會支持FIlecoin網絡,它旨在成為YouTube 的替代品,允許用戶在IPFS/FIlecoin 基礎上觀看或上傳視頻,並在不可變的STEEM 區塊鏈上進行分享或評論,同時賺取加密通證!Look,即減少了存儲成本又能賺token ,多麼愉快!
D.Tube官網地址:https://d.tube/
3、Ujomusic
對標蝦米音樂和咪咕音樂的Ujomusic,是一個IPFS上的音樂家的區塊鏈市場。
2015年,Ujo幫助音樂家Imogen Heap用區塊鏈發行了作品“Tiny Human”。粉絲可以購買許可權,下載、試聽,也可以用於混音等用途;而且粉絲支付的錢會自動分配給Heap和該作品的合作方。該初創企業還和很多品牌合作,為了“在開源區塊鏈系統中將這些目錄重新數字化”,同時鼓勵開發者在平台上開發應用。
Ujomusic官網地址:https://ujomusic.com/
4、Viewly
一個沒有煩人廣告、尊重用戶隱私的平台。在那裡,社區蓬勃發展,粉絲和創作者之間的互動受到高度鼓勵。擁有小型、中型或大型觀眾的創作者可以通過現代貨幣化來維持自身的生存:將無摩擦的微支付、粉絲贊助、贊助支持和商業相結合。通過跳過中間商、贊助創作者和直接支持他們的社區,企業可以提高廣告效率和降低成本。Viewly是一個分散的視頻平台,由區塊鍊和對等視頻共享技術支持。
Viewly 官網地址:www.viewly.com/
5、Dlive
DLive 建立了一個更公平的視頻平台社區。DLive 平台不收取任何佣金,用戶可以通過平台貨幣直接打賞內容創作者。此外,視頻社區的其他貢獻者也會受到相應的獎勵——比如給視頻點贊,參與討論等,也都會贏得Token。這種去中心化的評價體係不僅最大化保障了創作者的利益,也能使觀眾直接參與視頻內容的打分,讓好內容更容易被大家看到。
在這種自治自主烏托邦式的社區構想下,像LegendofTotalWar 和PewDiePie 這樣的硬核頭部主播紛紛加入。目前,DLive 上的主播數量已經達到了3.5 萬。
6、Primas
Primas是一個去中心化項目,致力於用區塊鏈技術解決互聯網經濟帶來的一系列問題,諸如假新聞、抄襲、洗稿、標題黨、低質量內容等。Primas獨創的分佈式可信內容協議(DTCP),將把可信、高質量的信息帶回互聯網,重塑互聯網內容價值生態。我們相信,傳播由人類智慧、情感創造的高質量信息,將促進人類社會的發展。15.jpg
OpenVino概念
圖改自https://www.learnopencv.com/using-openvino-with-opencv/#openvino-opencv
將已經訓練好的深度學習model經過Model Optimizer優化後
(何謂優化請見下面Model Optimizer條目)
經由Inference Engine 跟 硬體(CPU/ GPU /VPU)
達到加速Inference 的目的
★ Model Optimizer
●摘錄自:【AI_Column】運用 Intel OpenVINO 土炮自駕車視覺系統
協助去除已訓練好的模型中的冗餘參數,並可將 32bits 浮點數的參數降階,
以犧牲數個百分點正確率來換取推論速度提升數十倍到百倍。
●把深度學習框架Train出來的model, 轉換成 Inference Engine 可以用的IR file
目前支援的深度學習框架有 Caffe*, TensorFlow*, MXNet*, and ONNX*.
●之前以為所有由Caffe*, TensorFlow*, MXNet*, and ONNX* 訓練出的model
都可以由Model Optimizer轉換成IR file ,但看了 的Supported Models章節
好像不是這麼一回事,需找一個底下沒提到的model來實驗看看
有結果我再更新
Supported Models
For the list of supported models refer to the framework or format specific page:
• Supported Caffe* models
• Supported TensorFlow* models
• Supported MXNet* models
• Supported ONNX* models
• Supported Kaldi* models
●有script可以 configure Model Optimizer 以導入
所有OpenVino supported的深度學習框架或單一深度學習框架
若要手動configure Model Optimizer也有文件可以參考 -> Model Optimizer Developer Guide.
★ IR file
包含train model的topology 跟weight,使用者只要知道怎樣將
訓練好的model change to IR file,就可以使用OpenVino加速Inference
★ Inference Engine
用來run 最佳化後的深度學習model
C:\Program Files (x86)\Intel\openvino_2021.4.689\
deployment_tools\inference_engine\samples底下有放一些IE的samples
各Samples說明
延伸閱讀 → 如何run Inference Engine Samples
★ VPU plugin
這份文件好像在講怎樣的model能被vpu 支援
■OpenVino不提供Model Training
OpenVino的model來源以我的理解就以下這幾種
1.自己用OpenVino supported的深度學習框架去train model
或去Model Zoo下載所需model
1. Caffe [ Model Zoo ]
2. Tensorflow [ Model Zoo ]
3. MxNet [ Model zoo ] 連結失效
4. Open Neural Network Exchange (ONNX) [ Model zoo ]
2.OpenVino裡面附的pre-trained model
不過不一定有符合你需求的
3.OpenCV DNN sample model
■相關名詞
★ OpenVino用的是CNN( Convolutional Neural Networks )模型 ;
還包含了Deep Learning Deployment Toolkit (Intel® DLDT).
Convolution:影像->filter->擷取出特徵,比如邊緣。
此種過程叫做Convolution
★ OpenCV和OpenVX有什么联系和区别?
★ 機器學習
機器學習理論主要是設計和分析一些讓電腦可以自動學習的演算法。
機器學習演算法是一類從資料中自動分析獲得規律,並利用規律對未知資料進行預測的演算法。
★ 深度學習
是機器學習的分支。 深度學習框架比較
■如何安裝OpenVino
照著 安裝步驟做即可 (英文看不懂請自行克服)
-------------------------------------------------------------------------------------------------------------------------------
上述的東西都了解之後,接下來開始DEMO OpenVino附的兩個script
■Run the Image Classification Verification Script
★在C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\demo下
可以找到demo_squeezenet_download_convert_run.bat。
這個demo使用squeezenet model 判斷照片中的Object屬於什麼類別
可判斷的類別有一千種,有哪一千種可以看底下這個檔案
C:\Program Files (x86)\Intel\openvino_2021.4.689\
deployment_tools\demo\squeezenet1.1.labels
*路徑中的openvino_2019.1.148的2019.1.148這數字代表版本, 因此若安裝的OpenVino版本跟我不同,那數字也會不同
*若安裝不只一個版本的OpenVino,不同版本的OpenVino會有屬於自己的資料夾
而openvino那個捷徑會指向最後安裝的那個版本
★這個batch的內容如下
Step1 : 下載SqueezeNet model (使用downloader.py)
Step2: 用 Model Optimizer 把SqueezeNet轉成IR file。
(使用mo.py)
Step3: Build Inference Engine samples
batch檔執行過程中, 會看到cmd 畫面卡在
Build Inference Engine samples using MS Visual Studio (MSBuild.exe)一段時間
請耐心等候 。此步會產生 classification_sample.exe
Step4: 把car.png & IR file當作iInference Engine的input 來分析car.png
↓This is car.png
↓針對照片中的Object,分類前十名的結果依序從Prob.高到低排列
分類結果最高分數是sport car
★重跑demo_squeezenet_download_convert_run.bat
跑過一次batch之後,若再執行一次batch,
因為某些檔案跑過一次batch之後就已經存在了
batch裡的寫法偵測到某些檔案存在之後就會忽略掉某些Step
若想要完整地再跑一次,需刪除以下檔案
●刪除model
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models
\models\FP32\classification
底下整個squeezenet 資料夾刪掉
注意:FP32是針對CPU device的,若是VPU devide ,對應到的folder name是FP16
●刪除 IR
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\ir\FP32
\classification\squeezenet\1.1\ 底下整個caffe 資料夾刪掉
注意:FP32是針對CPU device的,若是VPU devide ,對應到的folder name是FP16
------------------------------------------------------------------------------------------------
■Run the Inference Pipeline Verification Script
★demo_security_barrier_camera.bat 這個batch的內容如下
Step1 : 下載 three pre-trained models IRs
Step2:build Security Barrier Camera Demo Inference Engine來分析car1.bmp
Step3: 圖片裡的object會被第一個model判斷成是車輛,
這個判斷結果被當作input 導入到下一個model,
這個model可以指出車輛的一些屬性 ex:車牌
最後 車牌被當作input導入到第三個model,這個model可以把車牌的字元識別出
會被稱做Pipeline 我想應該是識別結果從第一個model傳到第三個model
像水流在管線裡流動一樣吧...
★重跑整個bat
跑過一次batch之後,有些step會被忽略掉,因為某些檔案已經存在了
若要乾乾淨淨的再跑一次,需要刪除以下檔案
●刪除 IR
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\
ir\FP32\classification\squeezenet\1.1\
底下整個caffe 資料夾刪掉
----------------------------------------------------------------------------------------------------------
以上範例是使用openvino在 CPU
若用其他intel 硬體, 比如movidius gpu vpu FPGA or MYRIAD
請參考安裝文件中 Optional Steps這部份
-----------------------------------------------------------------------------------------------------------
■OpenVino PreTrained Model
★OpenVINO提供好幾個pre-trained models
可以用Model Downloader 或到
https://download.01.org/opencv/2019/open_model_zoo/ 去下載
下載的model是被優化過的model,稱作IR file( xml 檔+ bin 檔)
★可在這邊 https://docs.openvinotoolkit.org/latest/_demos_README.html
Demos that Support Pre-Trained Models章節
看各個pre-trained model support哪些Device
Object Detection Models
裡面包含好幾個model可以用來偵測object
包含:人臉,人,車輛
Object Recognition Models
用來分類或特徵辨識,使用在其他detector之後。比如先做人臉偵測,再做年齡/性別辨識
Semantic Segmentation Models
原文網址:https://kknews.cc/zh-tw/tech/mgqvl9.html
語義分割(Semantic Segmentation)的目標是給定一張圖片,對於圖片中的每一個像素做分類。
例如圖1(a)中給出的原始輸入圖片,語義分割算法對圖片中的每一個像素分類,
得到如圖1(b)的結果。在圖1(b)中,不同顏色代表不同類別:
如紅色代表行人,藍色代表汽車,綠色代表樹,灰色代表建築物等。
語義分割問題在很多應用場景中都有著十分重要的作用(例如圖片理解,自動駕駛等)
Instance Segmentation Models
INSTANCE SEGMENTATION可以知道同類object的數目(不同顏色表示)
https://arxiv.org/pdf/1405.0312.pdf
Human Pose Estimation Models
Image Processing
提高影像品質
Text Detection
Action Recognition Models
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
■Trouble Shooting
● 安裝時遇到CMake*/ Python* version xxx or higher is not detected.
->Fixed by 安裝如提示的CMake & Python版本後
再重安裝一次OpenVino
● 電腦已經有安裝Python3.6.5了
還是會出現Python* version xxx or higher is not detected.
->Fixed by 再安裝一次Python >選Modify >勾選Add Python.....
->再安裝一次OpenVino就可以了
● 執行demo_squeezenet_download_convert_run.bat前
若沒有安裝cmake 會出現以下Error
'cmake' is not recognized as an internal or external command,
operable program or batch file.
->Fixed by 安裝cmake
請參考 Install CMake* 3.4 or higher章節
● 執行demo_squeezenet_download_convert_run.bat發生以下Err
target_precision = FP32
Python 3.6.6
ECHO is off.
PYTHONPATH=C:\Program Files (x86)\IntelSWTools\openvino\python\python3.6;
[setupvars.bat] OpenVINO environment initialized
INTEL_OPENVINO_DIR is set to C:\Program Files (x86)\IntelSWTools\openvino
Python 3.6.6
ECHO is off.
Collecting pyyaml
Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'ProxyError('Cannot connect to proxy.', OSError('Tunnel connection failed: 407 Proxy Authentication Required ( Forefront TMG requires authorization to fulfill the request. Access to the Web Proxy filter is denied. )',))': /simple/pyyaml/
...
Could not find a version that satisfies the requirement pyyaml (from versions: )
No matching distribution found for pyyaml
->Fixed by 更改proxy設定
根據Cannot connect to proxy這個訊息判斷應該是proxy問題
原本我是使用公司內網run script
後來將proxy調整成以下設定&連手機熱點就可以執行了
● 出現以下Error
###############|| Generate VS solution for Inference Engine samples using cmake ||###############
Waiting for 2 seconds, press a key to continue ...
Creating Visual Studio 15 2017 x64 files in
C:\Users\$(userName)\Documents\Intel\OpenVINO\inference_engine_samples_build...
CMake Error at CMakeLists.txt:7 (project):
Generator
Visual Studio 15 2017
could not find any instance of Visual Studio.
-- Configuring incomplete, errors occurred!
->fixed by reboot
因為在安裝openvino之前我有開visual studio installer去 modify設定
設定完後沒有按照指示重開機
因此出現以上issue
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
●其它參考連結
- OPENvINO with openCV
- 既跨平台又開源 英特爾開啟智慧視覺創新
超過20個預先訓練的模型,以及針對OpenCV和OpenVx的最佳化電腦視覺庫。
OpenVINO工具套件可透過CPU、GPU、FPGA、Movidius VPU(AI晶片 )等硬體進行部署,
增強視覺系統功能和性能
- SqueezeNet
SqueezeNet 是圖片分類模型,最適合參數較少及較小的模型使用,相較於現代圖片分類模型 (AlexNet),
不會犧牲品質。
- C:\Program Files (x86)\Intel\openvino_2021.4.689\documentation
為了將圖片數據轉換為適合 AI訓練的格式,利用 OpenCV先對臉部進行辨識,然後將臉部數據另存為統一的格式。
記錄一下批量抓取 Google 搜尋結果裡的連結的方法。
如果還沒有安裝以下,要先下載安裝:
介紹如何使用 Python 的 MySQL Connector 模組連接 MySQL/MariaDB 資料庫,進行查詢、新增或刪除等各種操作。
Python 有許多 MySQL/MariaDB 資料庫相關的模組,而最常被使用的就是 MySQL Connector 與 MySQLdb 這兩個模組,以下是 MySQL Connector 模組的使用方式。
安裝 MySQL Connector 模組
開啟 Windows 中的命令提示自元,使用 pip 安裝 Python 的 MySQL Connector 模組:
有使用過進度條的朋友一定會覺得很不方便
因為要從0~100讀取 浪費時間
因檔案大小也不知道這時間讀寫的完嗎?
如這篇
Java Swing 如何使用進度
於是經過修正
改成此方法
可利用DIALOG準確的抓到讀寫完成的時間