1. 安装 Docker

1.1 在 Ubuntu 上安装 Docker

步骤 1：更新包管理器

1

sudo apt update

步骤 2：安装必要的依赖

1

sudo apt install apt-transport-https ca-certificates curl software-properties-common

步骤 3：添加 Docker 的官方 GPG 密钥

1

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

步骤 4：添加 Docker 的 APT 存储库

1

echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

步骤 5：安装 Docker

1
2

sudo apt update
sudo apt install docker-ce

步骤 6：启动并启用 Docker

1
2

sudo systemctl start docker
sudo systemctl enable docker

1.2 在 Windows 上安装 Docker

1. 访问 Docker Desktop for Windows 官网，下载 Docker Desktop 安装程序。
2. 运行安装程序，按照提示完成安装。
3. 安装完成后，启动 Docker Desktop。

1.3 在 macOS 上安装 Docker

1. 访问 Docker Desktop for Mac 官网，下载 Docker Desktop 安装程序。
2. 运行安装程序，按照提示完成安装。
3. 安装完成后，启动 Docker Desktop。

2. Docker 的基本使用

2.1 验证安装

安装完成后，可以使用以下命令验证 Docker 是否正确安装：

1

docker --version

输出类似于：

1

Docker version 20.10.8, build 3967b7d

2.2 运行第一个容器

使用以下命令运行一个简单的 Hello World 容器：

1

docker run hello-world

如果成功运行，会看到类似以下输出：

1
2

Hello from Docker!
This message shows that your installation appears to be working correctly.

2.3 常用 Docker 命令

• docker run：运行一个新的容器。
• docker ps：列出当前运行的容器。
• docker ps -a：列出所有容器（包括停止的）。
• docker stop <container_id>：停止一个运行中的容器。
• docker start <container_id>：启动一个停止的容器。
• docker rm <container_id>：删除一个容器。
• docker images：列出本地的镜像。
• docker rmi <image_id>：删除一个镜像。
• docker logs <container_id>：查看容器的日志。

3. 在 Docker 容器中安装 Windows 11

请注意，Docker 容器主要用于运行 Linux 容器，而 Windows 容器只能在 Windows 主机上运行。运行 Windows 11 需要虚拟化软件（如 Hyper-V 或 VirtualBox），因此 Docker 不适用于安装和运行完整的 Windows 11 操作系统。下面我们将演示如何在 Docker 中运行一个 Windows 11 的应用程序镜像，而非整个操作系统。

3.1 安装 Windows 容器支持（仅 Windows 主机）

如果你在 Windows 主机上使用 Docker Desktop，需要启用 Windows 容器支持：

1. 启动 Docker Desktop。
2. 右键单击 Docker 图标，选择 “Switch to Windows containers”。

3.2 拉取 Windows 11 应用程序镜像

由于无法直接运行完整的 Windows 11 操作系统，我们可以运行一个 Windows Server 核心镜像来模拟 Windows 环境：

1

docker pull mcr.microsoft.com/windows/servercore:ltsc2022

3.3 运行 Windows Server 核心容器

1

docker run -it mcr.microsoft.com/windows/servercore:ltsc2022 cmd

这将启动一个基于 Windows Server 核心的容器，并打开一个命令行提示符。你可以在此基础上安装和运行 Windows 应用程序。

3.4 安装 Windows 应用程序

在容器内，你可以通过 choco（Chocolatey）等包管理工具安装 Windows 应用程序。首先，安装 Chocolatey：

1

Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol = [System.Net.ServicePointManager]::SecurityProtocol -bor 3072; iex ((New-Object System.Net.WebClient).DownloadString('https://community.chocolatey.org/install.ps1'))

安装完成后，可以使用 choco 安装应用程序，例如：

1

choco install notepadplusplus -y

安装完成后，你可以运行安装的应用程序：

1

C:\Program Files\Notepad++\notepad++.exe

总结

金猪言：本文详细介绍了如何在 Ubuntu、Windows 和 macOS 上安装 Docker，以及如何使用 Docker 的基本命令。虽然 Docker 主要用于运行 Linux 容器，但在 Windows 主机上也可以运行 Windows 容器。

Docker开源，免费，Docker 的核心组件，例如 Docker Engine，是在 Apache 2.0 许可证下发布的，这是一个开源许可证。你可以自由地使用、修改和分发 Docker 的源代码。所以使用成本几乎为0，建议大规模使用。

1. 准备工作

1.1 备份数据

在更新内核之前，备份重要数据是非常重要的。内核更新可能会导致系统不稳定或不兼容的问题，因此备份可以确保数据的安全。

1.2 确认系统版本

首先，确认你的 Ubuntu 版本。可以使用以下命令查看：

1

lsb_release -a

输出类似于：

1
2
3
4

Distributor ID: Ubuntu
Description:    Ubuntu 20.04.2 LTS
Release:        20.04
Codename:       focal

1.3 检查当前内核版本

使用以下命令检查当前的内核版本：

1

uname -r

输出类似于：

1

5.4.0-74-generic

2. 更新内核的方法

更新 Ubuntu 内核有多种方法，包括使用 Ubuntu 提供的官方更新、第三方工具（如 Ubuntu Kernel Update Utility，UKUU），或手动安装。在这里，我们将介绍两种常见的方法：通过官方存储库更新和手动安装最新的主线内核。

2.1 通过官方存储库更新

这是最安全和推荐的方法，适合大多数用户。Ubuntu 定期更新其存储库中的内核版本，用户可以通过系统更新获得这些更新。

步骤 1：更新包管理器

首先，更新包管理器缓存：

1

sudo apt update

步骤 2：升级系统

升级系统软件包，包括内核：

1

sudo apt upgrade

如果有新的内核版本可用，它将被下载并安装。系统可能会提示重启，以应用新内核。

步骤 3：重启系统

1

sudo reboot

重启后，使用 uname -r 再次检查当前的内核版本，以确认更新是否成功。

2.2 手动安装最新的主线内核

对于需要最新功能或特定内核版本的用户，可以手动安装主线内核。主线内核是由 Linux 内核社区发布的标准版本，不属于特定的 Linux 发行版。Ubuntu 内核团队也提供这些内核的编译版本。

步骤 1：下载最新内核

访问 Ubuntu 主线内核 PPA 网站，找到最新的内核版本目录。下载适合你系统的内核包（通常包括 headers 和 image 两个部分）。

例如，如果你需要安装 5.13.0 内核，可以下载以下文件（假设系统是 64 位）：

• linux-headers-5.13.0-051300_5.13.0-051300.202107041934_all.deb
• linux-headers-5.13.0-051300-generic_5.13.0-051300.202107041934_amd64.deb
• linux-image-unsigned-5.13.0-051300-generic_5.13.0-051300.202107041934_amd64.deb
• linux-modules-5.13.0-051300-generic_5.13.0-051300.202107041934_amd64.deb

步骤 2：安装下载的内核包

切换到下载目录，然后使用 dpkg 命令安装内核包：

1

sudo dpkg -i *.deb

该命令会安装所有以 .deb 结尾的文件。如果遇到依赖问题，可以使用以下命令安装缺失的依赖项：

1

sudo apt --fix-broken install

步骤 3：更新 GRUB 引导器

内核安装后，需要更新 GRUB 引导器，以便系统可以选择新内核启动：

1

sudo update-grub

步骤 4：重启系统

安装完成后，重启系统：

1

sudo reboot

重启后，使用 uname -r 检查是否成功切换到新内核。

3. 回退内核版本

在更新内核后，如果遇到问题，可以通过 GRUB 引导菜单选择旧的内核启动系统。进入 GRUB 菜单的方法是：

1. 开机时按住 Shift 键（或 Esc 键）。
2. 在 GRUB 菜单中选择 Advanced options for Ubuntu。
3. 选择旧版本的内核启动。

4. 注意事项

• 测试环境先行：在生产环境中更新内核之前，最好先在测试环境中进行测试。
• 稳定性优先：最新的主线内核可能不如 Ubuntu 官方内核稳定，建议仅在需要最新特性的情况下使用。
• 备份数据：确保重要数据已经备份，以防意外情况。

总结

更新 Ubuntu 的内核可以带来更好的性能、安全性和新功能。本教程介绍了通过官方存储库更新内核和手动安装主线内核的两种方法。无论选择哪种方法，都要注意备份数据和测试新内核的稳定性。
金猪言：更新内核可以让你的操作系统碰见更大的惊喜

1. CNN 的基本概念

1.1 卷积层（Convolutional Layer）

卷积层是 CNN 的核心组件，用于提取输入数据的特征。卷积层通过卷积核（或滤波器）在输入数据上滑动，并计算点积，从而生成特征图（feature map）。

• 卷积核（Filter）：通常是一个小矩阵，用于检测特定的特征，例如边缘、纹理等。
• 步幅（Stride）：卷积核滑动的步伐。步幅越大，特征图越小。
• 填充（Padding）：在输入数据的边界添加零值，以控制特征图的大小。

公式：
特征图的大小计算公式为：

$$\text{Output size} = \frac{(\text{Input size} - \text{Filter size} + 2 \times \text{Padding})}{\text{Stride}} + 1$$

（金猪言：公式部分可稍微理解，我也不是很懂，了解原理即可）

1.2 激活函数（Activation Function）

激活函数引入非线性，使得模型可以表示更复杂的函数。常用的激活函数有 ReLU（Rectified Linear Unit）、Sigmoid 和 Tanh。

• ReLU：( f(x) = \max(0, x) )
• Sigmoid：( f(x) = \frac{1}{1 + e^{-x}} )
• Tanh：( f(x) = \tanh(x) )

1.3 池化层（Pooling Layer）

池化层用于减少特征图的大小，从而减少计算量和防止过拟合。常见的池化操作有最大池化（Max Pooling）和平均池化（Average Pooling）。

• 最大池化：取池化窗口中的最大值。
• 平均池化：取池化窗口中的平均值。

1.4 全连接层（Fully Connected Layer）

全连接层连接卷积层输出的所有特征，用于综合特征信息进行分类或回归。全连接层通常在 CNN 的最后一层。

2. CNN 的结构

典型的 CNN 结构由以下几部分组成：

1. 输入层：接受输入数据（如图像）。
2. 多个卷积层和池化层：提取特征。
3. 全连接层：分类或回归。
4. 输出层：产生最终结果，如类别标签。

3. CNN 的实现

下面是一个使用 Python 和 TensorFlow/Keras 库实现的 CNN 示例。该模型用于对手写数字进行分类（MNIST 数据集）。

3.1 环境设置

首先，确保安装了必要的库：

1

pip install tensorflow

3.2 导入库和数据集

1
2
3
4
5
6
7
8
9
10
11
12
13
14

import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# 加载 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

3.3 构建模型

1
2
3
4
5
6
7
8
9
10

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

3.4 编译和训练模型

1
2
3
4
5

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_data=(test_images, test_labels))

3.5 模型评估

1
2

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")

3.6 保存和加载模型

1
2
3
4
5

# 保存模型
model.save('mnist_cnn.h5')

# 加载模型
new_model = models.load_model('mnist_cnn.h5')

4. 进阶内容

4.1 数据增强

数据增强是提高模型泛化能力的技术之一。它通过随机变换训练数据（如旋转、缩放、翻转等），生成更多样的数据样本，防止过拟合。

1
2
3
4
5
6
7
8
9
10
11
12
13
14

from tensorflow.keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rotation_range=10,
    width_shift_range=0.1,
    height_shift_range=0.1,
    zoom_range=0.1,
    horizontal_flip=False
)

# 使用增强后的数据进行训练
datagen.fit(train_images)
model.fit(datagen.flow(train_images, train_labels, batch_size=64),
          epochs=5, validation_data=(test_images, test_labels))

4.2 正则化

正则化技术，如 L2 正则化和 Dropout，可以防止模型过拟合。

• L2 正则化：在损失函数中加入权重的 L2 范数，以限制权重大小。
• Dropout：在训练期间随机丢弃一定比例的神经元，减少模型对特定路径的依赖。

1
2
3

# 使用 L2 正则化和 Dropout
model.add(layers.Dense(64, kernel_regularizer=tf.keras.regularizers.l2(0.001), activation='relu'))
model.add(layers.Dropout(0.5))

4.3 迁移学习

迁移学习利用预训练的模型（如 VGG、ResNet 等）来提取特征，然后在新的数据集上进行微调。这种方法在数据有限的情况下非常有效。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

from tensorflow.keras.applications import VGG16

# 加载预训练模型，不包含顶层的全连接层
conv_base = VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3))

# 冻结卷积基
conv_base.trainable = False

# 构建新的模型
model = models.Sequential([
    conv_base,
    layers.Flatten(),
    layers.Dense(256, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(1, activation='sigmoid')
])

总结

卷积神经网络是深度学习中处理图像数据的核心工具。它通过卷积层提取特征，通过池化层减少数据维度和计算量，通过全连接层进行分类或回归。本文介绍了 CNN 的基本概念和结构，并通过 TensorFlow/Keras 提供了一个具体的实现示例。随着技术的进步，CNN 在计算机视觉等领域的应用越来越广泛。人脸识别离不开它，所以有必要对其进行了解。

1. 基本概述

• 比特币（Bitcoin）
  • 创建时间: 2009年，由中本聪（Satoshi Nakamoto）创建。
  • 主要功能: 去中心化的数字货币，用于点对点的电子现金系统。
  • 共识机制: 工作量证明（Proof of Work, PoW）。
  • 主要特征: 安全性高、分散化程度高、可作为价值存储和支付手段。
• 以太坊（Ethereum）
  • 创建时间: 2015年，由Vitalik Buterin等人创建。
  • 主要功能: 智能合约和去中心化应用（dApps）平台。
  • 共识机制: 最初使用PoW，计划转向权益证明（Proof of Stake, PoS）通过以太坊2.0升级。
  • 主要特征: 可编程性强，支持智能合约和dApps，活跃的开发者社区和生态系统。
• Solana
  • 创建时间: 2020年，由Anatoly Yakovenko等人创建。
  • 主要功能: 高性能去中心化应用和加密货币交易平台。
  • 共识机制: 历史证明（Proof of History, PoH）与权益证明（Proof of Stake, PoS）结合。
  • 主要特征: 高吞吐量、低交易成本、快速确认时间，适合高频交易和复杂应用。

2. 技术架构和共识机制

• 比特币
  • 使用PoW机制，通过矿工解决复杂的数学问题来验证交易和生成新的区块。
  • 区块生成时间约为10分钟。
  • 由于其设计，比特币网络的吞吐量较低（大约每秒7笔交易）。
• 以太坊
  • 目前使用PoW，但通过以太坊2.0计划过渡到PoS，以提高网络效率和可扩展性。
  • 支持图灵完备的智能合约，允许开发者在区块链上编写和部署复杂的dApps。
  • 区块生成时间约为15秒，吞吐量比比特币高。
• Solana
  • 创新地使用PoH机制，这是一种为验证交易时间顺序和提高效率而设计的机制。
  • 结合PoS来提高网络的安全性和去中心化程度。
  • Solana的架构设计允许非常高的交易吞吐量（每秒数万笔交易）和极低的确认时间（大约400毫秒）。

3. 扩展性和性能

• 比特币
  • 扩展性有限，每秒只能处理少量交易，且交易费用可能较高。
  • 通过闪电网络等二层解决方案尝试提高交易速度和降低费用。
• 以太坊
  • 面临扩展性挑战，尤其在网络高负荷时，交易费用可能很高。
  • 以太坊2.0引入分片（sharding）和PoS来改善可扩展性和效率。
• Solana
  • 高度可扩展，能够处理大规模交易量而不会显著增加成本。
  • 适合高频交易和实时应用，如去中心化金融（DeFi）和NFT市场。

4. 应用场景和生态系统

• 比特币
  • 主要用作价值存储（数字黄金）和支付手段。
  • 生态系统以钱包、交易所和支付服务为主。
• 以太坊
  • 丰富的dApp生态系统，包括DeFi、NFT、去中心化自治组织（DAO）等。
  • 支持复杂的智能合约和去中心化应用。
• Solana
  • 也支持dApps和智能合约，但以其高性能和低成本吸引了许多高频交易和DeFi项目。
  • 快速增长的生态系统，涵盖游戏、NFT、支付等领域。

5. 社区和开发者支持

• 比特币
  • 拥有最广泛的用户基础和全球社区。
  • 开发者生态主要集中在核心协议的维护和改进上。
• 以太坊
  • 活跃的开发者社区，持续进行协议改进和dApp开发。
  • 以太坊基金会和企业联盟支持其发展。
• Solana
  • 年轻但快速增长的社区和开发者生态。
  • 有多个孵化器和加速器支持新项目的开发。

总结

• 比特币：注重安全性和去中心化，主要用作价值存储和支付手段，吞吐量较低，适合长期价值存储。
• 以太坊：灵活的智能合约平台，支持广泛的去中心化应用，正在通过以太坊2.0改进扩展性。
• Solana：专注于高性能和低成本，适合高频交易和复杂应用场景，是一个新的、快速增长的智能合约平台。

个人看法：以太坊我认为是发展的最具有体系，最完备的，是区块链系统的最早突破，比特币作为最早的加密货币只有简单的交易功能，但在区块链系统中占有重要地位，且作为重要的金融资产，Solana的低成本则使代币，合约等走进千家万户，甚至产生meme代币板块，成为十分热门焦点(炒土狗)。

1. 什么是 IPv6？

IPv6 是一种新的互联网协议，旨在替代现行的 IPv4。IPv6 使用 128 位地址空间，相较于 IPv4 的 32 位地址空间，能够提供更多的 IP 地址。IPv6 的地址格式如下：

1

2001:0db8:85a3:0000:0000:8a2e:0370:7334

这种 128 位地址格式能够支持约 3.4 × 10^38 个唯一地址，彻底解决了 IPv4 地址耗尽的问题。

2. IPv6 的优势

2.1 更大的地址空间

IPv6 的 128 位地址提供了一个几乎无限的地址空间，这使得每个设备都可以拥有一个全球唯一的 IP 地址。这对未来互联网设备的增长至关重要。

2.2 内置的安全性

IPv6 标准内置了 IPsec（IP 安全协议），提供了数据包加密和身份验证的功能。这增强了数据传输的安全性。

2.3 无需网络地址转换（NAT）

由于 IPv6 提供了足够的地址空间，每个设备可以拥有唯一的公共 IP 地址，消除了对 NAT 的需求。NAT 在 IPv4 中用于解决地址不足的问题，但也带来了一些网络复杂性和性能问题。

2.4 自动配置

IPv6 支持无状态自动配置（Stateless Address Autoconfiguration, SLAAC），设备可以自动生成自己的 IP 地址，而无需手动配置或依赖 DHCP 服务器。

3. IPv6 地址类型

3.1 单播地址（Unicast）

单播地址用于唯一标识网络中的单个接口。IPv6 中的单播地址包括以下几种类型：

• 全局单播地址（Global Unicast Address）：类似于 IPv4 的公共地址，可在全球范围内路由。
• 链路本地地址（Link-Local Address）：仅在本地链路（同一子网）内有效，常用于邻居发现和网络地址配置。

3.2 多播地址（Multicast）

多播地址用于标识一组接口，数据包发送到多播地址时，会传送给属于该地址的所有接口。IPv6 不再使用广播地址，取而代之的是多播地址。

3.3 任播地址（Anycast）

任播地址也标识一组接口，但数据包只发送到离源地址最近的接口。任播地址主要用于负载均衡和服务的高可用性。

4. IPv6 的地址表示法

IPv6 地址使用 8 组 16 进制数表示，每组 4 个字符，中间用冒号分隔。例如：

1

2001:0db8:85a3:0000:0000:8a2e:0370:7334

可以使用简写规则简化表示：

• 去掉前导零：将每组 16 进制数的前导零去掉。例如 0034 可以简写为 34。
• 双冒号（::）简写：一组连续的零可以用 :: 代替，但 :: 只能出现一次。例如 2001:0db8:0000:0000:0000:0000:0000:0001 可以简写为 2001:0db8::1。

5. 在编程中的应用

5.1 IPv6 地址的生成

在编程中，生成 IPv6 地址常用于测试和开发环境。以下是一个使用 Python 生成随机 IPv6 地址的示例：

1
2
3
4
5
6

import random

def random_ipv6():
    return ":".join(f"{random.randint(0, 0xffff):x}" for _ in range(8))

print(random_ipv6())

这个函数生成的 IPv6 地址可能是无效的，但对于测试目的来说已经足够。

5.2 使用 Python 进行 IPv6 网络编程

在 Python 中，socket 库支持 IPv6 网络编程。以下是一个简单的示例，展示如何使用 IPv6 创建一个服务器和客户端：

服务器端：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

import socket

# 创建 IPv6 TCP 套接字
server_socket = socket.socket(socket.AF_INET6, socket.SOCK_STREAM)

# 绑定到 IPv6 地址和端口
server_socket.bind(('::', 12345))
server_socket.listen(1)

print("Server is listening on port 12345...")

while True:
    client_socket, addr = server_socket.accept()
    print(f"Connection from {addr}")
    client_socket.sendall(b"Hello, IPv6 world!")
    client_socket.close()

客户端：

1
2
3
4
5
6
7
8
9
10
11
12

import socket

# 创建 IPv6 TCP 套接字
client_socket = socket.socket(socket.AF_INET6, socket.SOCK_STREAM)

# 连接到服务器
client_socket.connect(('::1', 12345))

# 接收数据
data = client_socket.recv(1024)
print(f"Received: {data.decode()}")
client_socket.close()

在这个示例中，服务器监听 IPv6 地址 ::（即所有 IPv6 地址）上的 12345 端口，而客户端连接到本地回环地址 ::1 上的同一端口。

6. 部署 IPv6 的注意事项

6.1 IPv6 地址规划

IPv6 地址空间非常大，但仍需合理规划和分配。通常，应根据网络的层次结构和拓扑进行分配，以便管理和路由。

6.2 IPv6 安全性

尽管 IPv6 内置了 IPsec，但其安全性依然依赖于正确的配置和管理。网络管理员应确保防火墙和安全策略适应 IPv6 的新特性和要求。

6.3 兼容性问题

尽管 IPv6 正在逐步推广，但一些老旧系统和设备可能不完全支持 IPv6。确保网络中的设备和软件能够兼容 IPv6 是成功迁移的关键。

总结

金猪言：IPv6 是互联网的未来，其广阔的地址空间和现代化特性为网络发展提供了坚实的基础。理解和掌握 IPv6 的基础知识以及在编程中的应用，对现代网络技术的学习和应用至关重要。IPv6的地址数目据说比地球的沙子还多，IPv4却只有40多亿，但是尽管提出了多年，仍然依旧替代不了IPv4，这值得深思。