Y9000P + ubuntu22.04 配置Anaconda+pycharm +pytorch

news2024/11/19 17:23:59


Anaconda3 的安装及使用方法
安装 Anaconda3

    Anaconda3 是 Anaconda 的具体版本

Anaconda3 中的 Python 解释器默认使用的是 Python3.x 版本，而不是 Python2.x 版本

Python2.x 版本中，字符串是以 ASCII 编码处理的，而在 Python3.x 版本中，字符串是以 Unicode 编码处理的

    安装 Anaconda 的最佳方法是下载最新的安装程序 bash 脚本, 然后运行它

Free Download | Anaconda

如果下载速度太慢的话，也可以通过清华大学开源软件镜像站下载

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

进入安装脚本所在的目录，运行它

bash Anaconda3-2023.09-0-Linux-x86_64.sh

一路回车和 yes
最后选择安装位置，我这里选择默认

安装过程中系统PATH有变动，需要source一下

source ~/.bashrc

此时命令行前会出现 (bash) 字样，这是因为安装过程中在PATH中添加了conda初始化代码，自动激活了 base 环境
所以这里就直接进入了 Conda 的 base 环境，换一个终端也还是激活状态，比较烦人…

base 环境是 Anaconda 安装时自动创建的默认环境
这个环境中包含了 Anaconda 中的 Python 解释器和一些核心库，如 NumPy、Matplotlib 等
除了 base 环境之外，你应该创建其他的 Conda 环境，每个环境互相独立，都是一个独立的 Python 运行环境，可以包含不版本的 Python 解释器和其他库

 禁止Conda 自动激活 base 环境

输入以下指令，然后重启终端即可

conda config --set auto_activate_base false

 如果再想进入 base 环境，只需要手动激活即可，不过只对当前终端有效

conda activate base

虚拟环境中的 Python 解释器版本和 Ubuntu22.04 自带的版本并不一致

 验证 Anaconda 是否安装成功

conda --version

# 列出当前激活环境（没激活的话，默认是 base 环境）中安装的所有包以及Python解释器
conda list

常用的 Conda 命令
  • 配置 conda 镜像源

创建虚拟环境的时候，下载太慢了，老出问题
换成国内的源

# 查看当前镜像源
conda config --show channels

# 添加清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

# 从channel中安装包时显示channel的url，这样就可以知道包的安装来源
conda config --set show_channel_urls yes 
 
# 清除索引缓存，保证用的是镜像站提供的索引
conda clean -i

 

或者直接修改 ~/.condarc（最强硬）

sudo gedit ~/.condarc

文本替换成下面的内容

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - defaults
auto_activate_base: false
show_channel_urls: true

  • 虚拟环境管理

注意：我们可以将前面带有两个短线（–）的常用命令进行缩写（并不是所有的都可以缩写）
方法：是取一个短线和选项的首字母
例1：–name 可以缩写成 -n
例2：–envs 可以缩写成 -e

# 列出所有已创建的 Conda 虚拟环境及其信息，包括环境名称、路径、Python解释器的版本
conda info --envs

# 创建虚拟环境
conda create --name <虚拟环境名>

# 创建虚拟环境 + 指定Python解释器的版本为3.7
conda create --name <虚拟环境名> python=3.7

# 创建虚拟环境 + 指定Python解释器的版本为3.7 + 指定虚拟环境路径
# 如果不手动指定安装路径的话，虚拟环境默认安装在 /home/yao/anaconda3/envs （除了 base 环境）
conda create --prefix /path/to/envs --name <虚拟环境名> python=3.7

# 激活虚拟环境，使环境中的Python解释器和库可用
conda activate <虚拟环境名>

# 退出虚拟环境
conda deactivate

# 删除虚拟环境（包括环境中的所有包和文件）
conda remove --name <虚拟环境名> --all

我这里新建了一个虚拟环境 myEnv，Python解释器版本选择 3.7

虚拟环境中的 Python 解释器被安装在 bin 目录下
这点很重要，后面用 Pycharm 创建项目需要选上

包管理

# 安装包
# pip install PackageName # 用 pip 安装 也可以
conda install PackageName

# 安装多个包
conda install PackageName1 PackageName2 ...

# 安装包并指定版本号
# pip install PackageName==版本号 # 注意这里是两个等号
conda install PackageName=版本号  # 注意这里是一个等号

# 卸载包
conda remove PackageName

# 更新包
conda update PackageName

# 更新环境中的所有包
conda update --all

# 列出已安装的包
conda list

# 搜寻包
conda search PackageName

Pycharm 的安装及使用方法

安装 Pycharm
  • Pycharm 下载

下载免费的社区版即可
专业版需要激活

 解压缩

tar -xvf pycharm-professional-2023.2.2.tar.gz

# 然后把解压缩文件复制到家目录
mv pycharm-community-2023.2.2 ~

进入 Pycharm 目录下的 bin 目录，然后运行安装脚本

cd ~/pycharm-community-2023.2.2/bin
sh ./pycharm.sh

选择 Continue

在打开 Pycharm 启动页面后，在左下角的 configure 选项中选择 ”Create Desktop Entry “ 创建桌面快捷方式

汉化
  • 打开 Pycharm，找到 Plugins，搜索 Chinese，然后安装中文语言包

卸载 Pycharm

上文已经提到所有的程序相关文件都保存在了 /home/yao/pycharm-community-2023.2.2 目录下
配置信息文件是在/home/yao/.config/JetBrains 下的 PyCharmCE2023.2 目录中
缓存文件是在/home/yao/.cache/JetBrains 下的 PyCharmCE2023.2 目录中
 

 Pycharm 和 Anaconda 关联
4.1 新建项目，选择已有的 Conda 环境

打开 Pycharm
新建一个项目，起名 testProject
然后可以选择我们之前创建好的虚拟环境（也可以自己新建一个 Conda 虚拟环境）
这里就会自动选上 Conda 虚拟环境中的 Python解释器
在这里插入图片描述

4.2 更换 Conda 环境

后面要修改的话，就直接 文件 — 设置 – 项目：XXX – Python 解释器
在这里插入图片描述

Python 控制台：启动 Python 解释器，进入交互式 Python 环境
在这个环境中，你输入 Python 代码会被立即执行，便于代码调试
在这里插入图片描述

5. 在 Conda 环境中安装 Pytorch 和 torchvision
5.1 Pytorch 和 torchvision 简介

    Pytorch：是一个非常 NB 的开源机器学习库，用于构建深度学习模型

    torchvision：是 Pytorch 的一个扩展包，提高了一系列用于处理图像和视频数据的功能，包括数据加载、预处理、数据转换、模型定义和评估等

5.2 必须与 Python 解释器兼容

Pytorch、torchvision 版本必须和 Python 解释器版本 兼容

5.3 必须与 CUDA 版本对应

Pytorch、torchvision 版本必须和你的 CUDA 版本 对应起来！！！

推荐去官网：根据版本选择安装指令
可以选择 Conda 或者 Pip 安装，这是两个不同的包管理器，都可以用，不过指令略有不同

    我的 Ubuntu系统中没装 Pip，但是Conda 的虚拟环境中预装了 Pip，所以可以在激活的环境中使用

但是我这里安装的是 CUDA 11.7，所以我只能安装 CUDA 11.7 及以下的版本的 Pytorch 包，得去找历史版本
历史版本

例如：Pytorch 版本 2.0.1 ，支持 CUDA 11.7

通过 conda 安装

-c pytorch 和 -c nvidia 中的 c 表示 channel，指定了软件包的来源，分别是 Pytorch 和 NVIDIA 的 conda 仓库，所以很有可能会出现安装非常缓慢的情况

可以选择国内的镜像源来下载

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/linux-64/
  - defaults
auto_activate_base: false
show_channel_urls: true

 如果配置了国内镜像源，安装时把 -c pytorch 和 -c nvidia 删掉即可

  • 通过 pip 安装

直接输指令即可

5.4 安装 & 冲突解决
  • 用 conda 安装
# 新建一个虚拟环境，选择 Python 解释器版本为 3.9
conda create --name myEnv39 python=3.9

# 激活创建好的环境，否则会安装到默认的 base 环境中
conda activate myEnv39

# 安装
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7

# 查看已安装的包
conda list

# 退出虚拟环境
conda deactivate

# 删除虚拟环境（包括环境中的所有包和文件）
conda remove --name myEnv39 --all

一堆冲突！！！

(myEnv39) yao@myUbuntu:~$ conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7
Collecting package metadata (current_repodata.json): done
Solving environment: unsuccessful initial attempt using frozen solve. Retrying with flexible solve.
Collecting package metadata (repodata.json): done
Solving environment: unsuccessful initial attempt using frozen solve. Retrying with flexible solve.
Solving environment: \ 
Found conflicts! Looking for incompatible packages.
This can take several minutes.  Press CTRL-C to abort.
failed                                                                                                                   

UnsatisfiableError: The following specifications were found
to be incompatible with the existing python installation in your environment:

Specifications:

  - torchaudio==2.0.2 -> python[version='2.7.*|3.5.*|3.6.*|>=2.7,<2.8.0a0|>=3.6,<3.7.0a0|>=3.7,<3.8.0a0|>=3.5,<3.6.0a0|3.4.*']

Your python: python=3.9

If python is on the left-most side of the chain, that's the version you've asked for.
When python appears to the right, that indicates that the thing on the left is somehow
not available for the python version you are constrained to. Note that conda will not
change your python version to a different minor version unless you explicitly specify
that.

The following specifications were found to be incompatible with each other:

Output in format: Requested package -> Available versions

Package pytorch-cuda conflicts for:
torchvision==0.15.2 -> pytorch==2.0.1 -> pytorch-cuda[version='>=11.6,<11.7|>=11.7,<11.8|>=11.8,<11.9|>=12.1,<12.2']
torchvision==0.15.2 -> pytorch-cuda[version='11.7.*|11.8.*']
torchaudio==2.0.2 -> pytorch==2.0.1 -> pytorch-cuda[version='>=11.7,<11.8|>=11.8,<11.9']
pytorch==2.0.1 -> pytorch-cuda[version='>=11.7,<11.8|>=11.8,<11.9']
torchaudio==2.0.2 -> pytorch-cuda[version='11.7.*|11.8.*']

Package pytorch conflicts for:
torchvision==0.15.2 -> pytorch==2.0.1
torchaudio==2.0.2 -> pytorch==2.0.1

Package openblas conflicts for:
torchaudio==2.0.2 -> numpy[version='>=1.11'] -> openblas[version='0.2.14|0.2.19']
torchvision==0.15.2 -> numpy[version='>=1.11'] -> openblas[version='0.2.14|0.2.19']

Package typing conflicts for:
torchvision==0.15.2 -> pytorch -> typing
pytorch==2.0.1 -> typing_extensions -> typing[version='>=3.7.4']

Package _libgcc_mutex conflicts for:
python=3.9 -> libgcc-ng[version='>=11.2.0'] -> _libgcc_mutex[version='*|0.1',build=main]
torchvision==0.15.2 -> libgcc-ng[version='>=11.2.0'] -> _libgcc_mutex[version='*|0.1',build=main]
pytorch==2.0.1 -> _openmp_mutex -> _libgcc_mutex[version='*|0.1',build=main]The following specifications were found to be incompatible with your system:

  - feature:/linux-64::__cuda==12.2=0
  - feature:/linux-64::__glibc==2.35=0
  - feature:|@/linux-64::__cuda==12.2=0
  - feature:|@/linux-64::__glibc==2.35=0
  - pytorch==2.0.1 -> __cuda[version='>=11.8']
  - pytorch==2.0.1 -> libgcc-ng[version='>=11.2.0'] -> __glibc[version='>=2.17']
  - torchaudio==2.0.2 -> pytorch==2.0.1 -> __cuda[version='>=11.8']
  - torchvision==0.15.2 -> libgcc-ng[version='>=11.2.0'] -> __glibc[version='>=2.17']
  - torchvision==0.15.2 -> pytorch==2.0.1 -> __cuda[version='>=11.8']

Your installed version is: 12.2

冲突好像是因为用了国内源，换成用 -c pytorch 和 -c nvidia 从官网下载就可以安葬，不会有这些冲突
但速度很慢，最后会因为超时而结束（可以把代理关了，速度会提升）
在这里插入图片描述

网上搜了一下
conda 只适合用来环境隔离！作为 virtualenv 的上位替代品！
建议用 conda 创建空的 env，然后用 pip 进行各种 package 的安装

  • 用 pip 安装

可以先配置一下清华源（但对我好像没啥用）

# 激活环境
conda activate myEnv39

# 永久修改
pip config set global.index-url http://pypi.tuna.tsinghua.edu.cn/simple

# 检查是否配置成功
pip config get global.index-url

或者直接修改配置文件

sudo gedit ~/.config/pip/pip.conf

添加文本

[global]
index-url = http://pypi.tuna.tsinghua.edu.cn/simple

然后就可以去安装了
注意把后面的 --index-url https://download.pytorch.org/whl/cu117 删了
不然会覆盖你配置文件中设置的默认源

# CUDA 11.7
pip install torch==2.0.1+cu117 torchvision==0.15.2+cu117 torchaudio==2.0.2

# 消除警告
pip --trusted-host pypi.tuna.tsinghua.edu.cn install torch==2.0.1+cu117 torchvision==0.15.2+cu117 torchaudio==2.0.2

清华源中，没有这个版本！也可能是开了代理，关闭代理重启电脑再试试看

换成 pytorch 1.10.0 试试看
但只能找到支持 CUDA 11.1 的，我的 CUDA 11.7 应该能向下兼容，先装了再说

# CUDA 11.1
pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f https://download.pytorch.org/whl/torch_stable.html

# 消除警告
pip --trusted-host pypi.tuna.tsinghua.edu.cn install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f https://download.pytorch.org/whl/torch_stable.html

# 检查是否安装成功
conda list

度还挺快的！但貌似添加的清华源没起到一点作用！！还是从 -f 附加的包索引源下载！！很迷
在这里插入图片描述

 删掉 -f 附加的包索引源，再试一次
还是会报错，找不到符合的 torch 很迷

ERROR: Could not find a version that satisfies the requirement torch==1.10.0+cu111 (from versions: none)
ERROR: No matching distribution found for torch==1.10.0+cu111

总结：关闭代理！！！！！！

原文链接：

二十一、Ubuntu22.04 配置 Anaconda + Pycharm + Pytorch_ubuntu安装anaconda和pycharm-CSDN博客

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1338025.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

基于gradio快速部署自己的深度学习模型（目标检测、图像分类、语义分割模型）

基于gradio快速部署自己的深度学习模型（目标检测、图像分类、语义分割模型）

gradio是一款基于python的算法快速部署工具&#xff0c;本博文主要介绍使用gradio部署目标检测、图像分类、语义分割模型的部署。相比于flask&#xff0c;使用gradio不需要自己构造前端代码&#xff0c;只需要将后端接口写好即可。此外&#xff0c;基于gradio实现的项目&#x…
阅读更多...
浅谈数据仓库运营

浅谈数据仓库运营

一、背景 企业每天都会产生大量的数据&#xff0c;随着时间增长&#xff0c;数据会呈现几何增长&#xff0c;尤其在系统基建基础好的公司。好的数据仓库需要提前规划和好的运营&#xff0c;才能支持企业的发展&#xff0c;为企业提供数据分析基础。 二、目标 提高数据仓库存储…
阅读更多...
排序算法讲解

排序算法讲解

1&#xff09;排序思想&#xff1a; 2&#xff09;排序代码&#xff1a; 3&#xff09;注意点&#xff1a; 4&#xff09;时间/空间复杂度和稳定性 下面的排序是以实现升序讲解的。 &#xff08;一&#xff09;直接插入排序 1&#xff09;排序思想&#xff1a; 把待排序的…
阅读更多...
[Angular] 笔记 10：服务与依赖注入

[Angular] 笔记 10：服务与依赖注入

什么是 Services & Dependency Injection? chatgpt 回答&#xff1a; 在 Angular 中&#xff0c;Services 是用来提供特定功能或执行特定任务的可重用代码块。它们可以用于处理数据、执行 HTTP 请求、管理应用程序状态等。Dependency Injection&#xff08;依赖注入&#…
阅读更多...
竞赛保研 基于人工智能的图像分类算法研究与实现 - 深度学习卷积神经网络图像分类

竞赛保研 基于人工智能的图像分类算法研究与实现 - 深度学习卷积神经网络图像分类

文章目录 0 简介1 常用的分类网络介绍1.1 CNN1.2 VGG1.3 GoogleNet 2 图像分类部分代码实现2.1 环境依赖2.2 需要导入的包2.3 参数设置(路径&#xff0c;图像尺寸&#xff0c;数据集分割比例)2.4 从preprocessedFolder读取图片并返回numpy格式(便于在神经网络中训练)2.5 数据预…
阅读更多...
002、使用 Cargo 创建新项目，打印 Hello World

002、使用 Cargo 创建新项目，打印 Hello World

1. Cargo 简介 Cargo 是 Rust 的构建系统和包管理工具&#xff0c;比如构建代码、下载依赖的库、构建这些库等等。在安装 Rust 时&#xff0c;Cargo也会一起安装。 2. 创建新项目的具体步骤 步骤1&#xff1a; 我们在桌面新建一个文件夹&#xff0c;用于存放后面练习用的代码文…
阅读更多...
如何让机器人具备实时、多模态的触觉感知能力？

如何让机器人具备实时、多模态的触觉感知能力？

人类能够直观地感知和理解复杂的触觉信息&#xff0c;是因为分布在指尖皮肤的皮肤感受器同时接收到不同的触觉刺激&#xff0c;并将触觉信号立即传输到大脑。尽管许多研究小组试图模仿人类皮肤的结构和功能&#xff0c;但在一个系统内实现类似人类的触觉感知过程仍然是一个挑战…
阅读更多...
【计算机网络】快速做题向 极限数据传输率的计算（有噪声/无噪声）

【计算机网络】快速做题向 极限数据传输率的计算（有噪声/无噪声）

首先需要理解什么是码元 码元在课本上的概念比较难理解 但是只要记住 二进制码元在图上显示的就是有两种高度的横杠“—”&#xff08;对应0&#xff0c;1&#xff09;&#xff0c;即&#xff0c;有两种二进制码元 四进制就是有四种高度的横杠“—”&#xff08;对应00&…
阅读更多...
与擎创科技共建一体化“数智”运维体系，实现数字化转型

与擎创科技共建一体化“数智”运维体系，实现数字化转型

小窗滴滴小编获取最新版公司简介 前言&#xff1a; 哈喽大家好&#xff0c;最近分享的互联网IT热讯大家都挺喜欢&#xff0c;小编看着数据着实开心&#xff0c;感谢大家支持&#xff0c;小编会继续给大家推送。 新岁即将启封&#xff0c;我们一年一期的运维干货年末大讲也要…
阅读更多...
【C++】开源：fast-cpp-csv-parser数据解析库配置使用

【C++】开源：fast-cpp-csv-parser数据解析库配置使用

&#x1f60f;★,:.☆(&#xffe3;▽&#xffe3;)/$:.★ &#x1f60f; 这篇文章主要介绍fast-cpp-csv-parser数据解析库配置使用。 无专精则不能成&#xff0c;无涉猎则不能通。——梁启超 欢迎来到我的博客&#xff0c;一起学习&#xff0c;共同进步。 喜欢的朋友可以关注一…
阅读更多...
小程序面试题 | 22.精选小程序面试题

小程序面试题 | 22.精选小程序面试题

&#x1f90d; 前端开发工程师&#xff08;主业&#xff09;、技术博主&#xff08;副业&#xff09;、已过CET6 &#x1f368; 阿珊和她的猫_CSDN个人主页 &#x1f560; 牛客高级专题作者、在牛客打造高质量专栏《前端面试必备》 &#x1f35a; 蓝桥云课签约作者、已在蓝桥云…
阅读更多...
亚马逊云科技 re:Invent 大会 - ElastiCache Serverless 模式来袭

亚马逊云科技 re:Invent 大会 - ElastiCache Serverless 模式来袭

大会介绍 亚马逊云科技的 re:Invent 大会是一年一度的&#xff0c;面向全球技术开发者科技盛会。几乎每次都会发布云科技、云计算等相关领域的产品重磅更新&#xff0c;不但将时下主流热门的技术不断整合&#xff0c;也未将来的发展标明了方向。 亚马逊云科技开发者社区为开发…
阅读更多...
一键启动Python世界：PyCharm安装全攻略与pyinstaller魔法转换

一键启动Python世界：PyCharm安装全攻略与pyinstaller魔法转换

文章目录 一、 前言二、PyCharm1.PyCharm的介绍2.PyCharm相比较cmd的优势3.PyCharm的下载4.PyCharm的安装4.1 第一步4.2 第二步4.3 第三步4.4 第四步4.5 第五步4.6 第六步4.7 安装完成4.8 同意条款4.9 数据共享4.10 软件界面4.11 新建项目4.12 项目编写和运行4.13 汉化 三、 打…
阅读更多...
python消费rabbitmq

python消费rabbitmq

队列经常用&#xff0c;能保持信息一致性。也能跨语言&#xff0c;java写的生产者&#xff0c;推到队列中&#xff0c;python写的消费者消费。 这里&#xff0c;生成者&#xff0c;我们是java&#xff0c;已经发了一条消息了。 python是使用pika来链接rabbitmq 安装pika pip…
阅读更多...
java SSM课程平台系统myeclipse开发mysql数据库springMVC模式java编程计算机网页设计

java SSM课程平台系统myeclipse开发mysql数据库springMVC模式java编程计算机网页设计

一、源码特点 java SSM课程平台系统是一套完善的web设计系统&#xff08;系统采用SSM框架进行设计开发&#xff0c;springspringMVCmybatis&#xff09;&#xff0c;对理解JSP java编程开发语言有帮助&#xff0c;系统具有完整的源代码和数据库&#xff0c;系统主要采用B/S…
阅读更多...
若依(Spring boot)框架中如何在不同的控制器之间共享与使用数据

若依(Spring boot)框架中如何在不同的控制器之间共享与使用数据

在若依框架或Spring boot框架中&#xff0c;控制器共享和使用数据是为了确保数据一致性、传递信息、提高效率和降低系统复杂性。这可以通过全局变量、依赖注入或数据库/缓存等方式实现。共享和使用数据对框架的正常运行非常关键&#xff0c;有助于促进控制器之间的协同工作&…
阅读更多...
After Effects 2021 for Mac(AE 2021)

After Effects 2021 for Mac(AE 2021)

After Effects 2021是一款由Adobe公司开发的视频特效和动态图形制作软件&#xff0c;它主要用于电影、电视和网络视频的后期制作。该软件可以帮助用户创建各种令人惊叹的视觉效果&#xff0c;包括动态图形、文字特效、粒子系统、3D渲染等。 After Effects 2021提供了数百种特效…
阅读更多...
钦丰科技(安徽)股份有限公司携卫生级阀门管件盛装亮相2024发酵展

钦丰科技(安徽)股份有限公司携卫生级阀门管件盛装亮相2024发酵展

钦丰科技(安徽)股份有限公司携卫生级阀门管件盛装亮相2024济南生物发酵展&#xff01; 展位号&#xff1a;2号馆A65展位 2024第12届国际生物发酵产品与技术装备展览会&#xff08;济南&#xff09;于3月5-7日在山东国际会展中心盛大召开&#xff0c;展会同期将举办30余场高质…
阅读更多...
Linux应用程序管理与安装

Linux应用程序管理与安装

一.Linux应用程序基础&#xff1a; 1.Linux应用程序与命令的关系&#xff1a; 两者的用途区别&#xff1a; 系统命令&#xff1a;命令文件一般在安装操作系统一起安装&#xff0c;用于辅助操作系统本身的管理。 应用程序&#xff1a;应用程序一般需要在操作系统之外另行安装&a…
阅读更多...
学习笔记11——Spring的XML配置

学习笔记11——Spring的XML配置

学习笔记系列开头惯例发布一些寻亲消息 链接&#xff1a;https://www.baobeihuijia.com/bbhj/contents/3/192584.html SSM框架——IOC基础【BeanSetter注入加载xml】 框架总览 Spring Framework 谈谈我对Spring的理解 - 知乎 (zhihu.com)java - 【架构视角】一篇文章带你彻底…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023