Wine

Ubuntu安装Navicat 12 for MySQL

淺唱寂寞╮ 提交于 2020-11-02 08:21:03
环境准备   要想运行Navicat,必须先安装Wine,这个可以使用下面的命令来安装Wine: ubuntu@ubuntu ~ $ sudo apt-get install wine-stable   安装Wine可能会花费点时间,此时可以下载去Navicat软件包。 下载Navicat for MySQL   下载页面: https://www.navicat.com.cn/download/navicat-for-mysql    下载地址1    下载地址2    下载地址3   我这里下载的是当前最新的版本:12.1 安装过程   执行命令的过程如下: # 解压下载的安装包 ubuntu@ubuntu:~/download $ tar -zxf navicat121_mysql_cs_x64.tar.gz # 进入到navicat目录 ubuntu@ubuntu:~/download $ cd navicat121_mysql_cs_x64/ # 查看文件列表 ubuntu@ubuntu:~/download/navicat121_mysql_cs_x64$ ls LGPLV2 Navicat start_navicat wine # 启动navicat ubuntu@ubuntu:~/download/navicat121_mysql_cs_x64$ ./start

MATLAB实例:求相关系数、绘制热图并找到强相关对

☆樱花仙子☆ 提交于 2020-10-18 03:18:00
MATLAB实例:求相关系数、绘制热图并找到强相关对 作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 用MATLAB编程,求给定数据不同维度之间的相关系数,并绘制热图,保存图片,找到强相关的维度对。 数据集来自UCI中的wine: https://archive.ics.uci.edu/ml/datasets/Wine 1. demo.m clear clc etea=0.8; %阈值 % 加载数据 data_load=dlmread('E:\scanplot\wine.data'); data=data_load(:,2:14); [N, D]=size(data); % 求维度之间的相关系数 rho = corr(data, 'type','pearson'); % 绘制热图 string_name={'Alcohol','Malic acid','Ash','Alcalinity of ash','Magnesium','Total phenols','Flavanoids','Nonflavanoid phenols','Proanthocyanins','Color intensity','Hue','Diluted wines','Proline'}; xvalues = string_name; yvalues =

微软能否放弃 Windows 转向 Linux?

独自空忆成欢 提交于 2020-10-16 18:32:44
Jack Wallen 认为,Microsoft Linux 是 Microsoft 桌面操作系统的下一个演进方向。他解释了为什么这将是一个对 Microsoft、IT 专业人士、用户和 Linux 社区的双赢。 我尊敬的同事 Steven J. Vaughan-Nichols 在姊妹网站 ZDNet 上发表了一篇出色的文章,名为《 基于 Linux 的 Windows 非常有意义 》,他在文中讨论了 Eric S. Raymond 的 观点 ,即我们正接近桌面战争的最后阶段。Vaughan-Nichols 猜测,下一个合乎逻辑的步骤是在 Linux 内核上运行的 Windows 界面。 这是有道理的,尤其是考虑到微软在 Windows 的 Linux 子系统(WSL) 上的努力。然而,从我过去几年所目睹的一切来看,我认为可以得出一个对微软更有意义的结论。 Microsoft Linux: 为什么它是最好的解决方案 一度,微软的最大摇钱树是软件,确切地说是 Windows 和 Microsoft Office。但是,就像科技行业中的所有事物一样,进化也在发生,而拒绝进化的科技公司失败了。 微软明白这一点,并且它已经进化了。一个恰当的例子是: Microsoft Azure 。微软的云计算服务,以及 AWS 和 Google Cloud 已经成为这个不断变化的行业的巨大推动力

来了!深度操作系统 20正式版——崭新视界,创无止境

天大地大妈咪最大 提交于 2020-10-09 07:33:33
“ 深度操作系统是一个致力于为全球用户提供美观易用、安全可靠的Linux发行版。 深度操作系统 20(1002)正式版采取统一的设计风格,从桌面环境和应用进行重新设计,带来焕然一新的视觉感受。底层仓库升级到Debian 10.5,系统安装采用双内核机制(Kernel 5.4、Kernel 5.7),全面提升系统稳定性和兼容性。全新设计的启动器菜单、指纹识别、系统安全增强等,系统部分预装应用升级到最新版本,只为给你更好体验。 1 统一风格的桌面环境 别出心裁的图标设计,焕然一新的图形界面,自然、平滑的动画过渡效果,更有独树一帜的圆角窗口设计,精美绝伦的多任务视图,处处精心,只为给你细腻自然的品质体验。 支持黑白主题、透明度调节、色温调节自定义、电源电池设置等贴心功能。 2 个性贴心的通知管理 增强通知中心功能,支持设置通知时提示声音、锁屏时显示消息、仅在通知中心显示、显示消息预览,必要应用强提醒、特定应用弱提醒或不提醒,个性化你的消息通知,在不错过任何重要提醒的同时,避免不必要的打扰。 3 系统支持双内核安装 系统安装界面提供双内核选项,Kernel 5.4(LTS)和Kernel 5.7(Stable)以及Safe Graphics模式,保证系统安装更多选择,提升系统整体的稳定性、兼容性,最新的内核支持更多的硬件设备。 4 更易用的新版安装器 化繁为简的设计和交互

统信桌面操作系统V20个人版(1010)发布,支持QQ、微信等流行应用

生来就可爱ヽ(ⅴ<●) 提交于 2020-09-29 09:00:31
今日,统信桌面操作系统V20个人版(1010)正式发布。 与个人体验版相比,统信桌面操作系统V20个人版(1010)提供全新设计的启动器菜单、双内核机制、系统体验工具、系统备份还原、指纹识别、系统安全增强等功能,系统部分预装应用升级到最新版本,提高了系统的稳定性和兼容性。在满足基本的功能之外,未来还将提供增值服务,解锁系统更多高级功能,给用户带来不一样的体验。 此外,在这个版本中我们新增了部分功能,对现有的桌面和应用进行了大量优化和改进,同时对不同的硬件和兼容性做了大量的适配和测试。 系统支持双内核机制 在系统安装界面提供内核选项,Kernel 5.4(LTS)和Kernel 5.7(Stable)以及Safe Graphics模式,保证系统安装选择的多样性,提升系统的稳定性及兼容性,同时,最新的内核支持更多的硬件设备。 注:Live系统也同步升级到最新的内核版本。 重新打造新版安装器 统一系统的操作习惯,全新的设计和交互理念,在系统的安装器界面,按照向导提示一步步安装即可,在硬盘分区操作中,提供手动安装和全盘安装两种方式,并支持全盘加密功能。 其中,全盘安装无需手动创建位置、文件系统、挂载点,真正做到一键式安装,只需一杯咖啡的时间,便可轻松完成系统的安装。 注:对于N卡用户,安装器自动检测并提供安装闭源驱动选项。 全新设计的体验工具 全新开发和适配的体验工具

linux yum命令详解

眉间皱痕 提交于 2020-08-20 08:11:05
linux yum 命令详解 yum (全称为 Yellow dog Updater, Modified)是一个在Fedora和RedHat以及SUSE中的Shell前端软件包管理器。基於RPM包管理,能够从指定的服务器自动下载RPM包并且安装,可以自动处理依赖性关系,并且一次安装所有依赖的软体包,无须繁琐地一次次下载、安装。yum提供了查找、安装、删除某一个、一组甚至全部软件包的命令,而且命令简洁而又好记。 yum 的命令形式一般是如下:yum [options] [command][package ...] 其中的[options]是可选的,选项包括-h(帮助),-y(当安装过程提示选择全部为"yes"),-q(不显示安装的过程)等等。[command]为所要进行的操作,[package ...]是操作的对象。 概括了部分常用的命令包括: 自动搜索最快镜像插件: yum install yum-fastestmirror 安装yum图形窗口插件: yum install yumex 查看可能批量安装的列表: yum grouplist 1 安装 yum install 全部安装 yum install package1 安装指定的安装包package1 yum groupinsall group1 安装程序组group1 2 更新和升级 yum update 全部更新 yum

What do you think is the most profitable industry?

馋奶兔 提交于 2020-08-18 12:53:39
What industry is the most profitable and profitable? There are only two industries that I know, both of which I learned after personal experience. The first one is the pharmaceutical industry, which I heard from my elder brother, who is a medical representative. I like to come to my house when I’m okay. If I come to play often, I can’t avoid having two drinks. Once I had two glasses of wine, which is probably too high. Suddenly said to me; Do you know how many times a box of medicines will be processed from the pharmaceutical factory, to the distributor, to the pharmacy, and finally to the

LDA数据压缩原理及python应用(葡萄酒案例分析)

孤街醉人 提交于 2020-08-16 13:58:43
目录 线性判别分析(LDA)数据降维及案例实战 一、LDA是什么 二、计算散布矩阵 三、线性判别式及特征选择 四、样本数据降维投影 五、完整代码 结语 线性判别分析(LDA)数据降维及案例实战 一、LDA是什么 LDA概念及与PCA区别 LDA线性判别分析 (Linear Discriminant Analysis)也是一种特征提取、数据压缩技术。在模型训练时候进行LDA数据处理可以提高计算效率以及避免过拟合。它是一种有监督学习算法。 与 PCA主成分分析 (Principal Component Analysis)相比,LDA是有监督数据压缩方法,而PCA是有监督数据压缩及特征提取方法。PCA目标是寻找数据集最大方差方向作为主成分,LDA目标是寻找和优化具有可分性特征子空间。其实两者各有优势,更深入详细的区分和应用等待之后的学习,这里我仍然以葡萄酒数据集分类为案例记录原理知识的学习和具体实现步骤。 对比我之前记录的PCA请看: PCA数据降维原理及python应用(葡萄酒案例分析) LDA内部逻辑实现步骤 标准化d维数据集。 计算每个类别的d维均值向量。 计算跨类散布矩阵 和类内散布矩阵 . 线性判别式及特征计算。 按特征值降序排列,与对应的特征向量成对排序。 选择最具线性判别性的前k个特征,构建变换矩阵 . 通过变换矩阵将原数据投影至k维子空间。 二、计算散布矩阵 1

ubuntu18.04安装5.14踩过的坑以及解决办法

五迷三道 提交于 2020-08-15 21:45:24
文章目录 絮叨一下 第一步:先在这里下载好 这里是重点 第二步:如果你是64位系统请开启32位架构 第三步:下载密钥 第四步:添加镜像源 第五步 更新源 第六步 安装 wine 第七步:安装wine-mono和wine-gecko组件 写给看到最后的你 絮叨一下 最近在来北京这边培训,学校的教学软件只有mac 版本 以及 windows 版本 我用的电脑是ubuntu 系统 已经用来很久了 也不是很想 在换系统 便想起来了wine 但是安装的并不是很顺利 甚至导致我重新做了3遍系统 网上教程实在是太多了,也没有最新的遇见的问题还不一样很麻烦 主要体现在 依赖 问题 wine官网原解释: Thanks to Cybermax, we have FAudio packages on the OBS for Debian 10 and Ubuntu 18.04. The WineHQ wine-devel and wine-staging packages for those distros are built against them and will require them as a dependency. Beginning with Wine 5.0, the wine-stable packages will also require FAudio. 第一步:先在这里下载好

基于sklearn的主成分分析(PCA)代码实现

﹥>﹥吖頭↗ 提交于 2020-08-14 16:05:47
目录 基于sklearn的主成分分析代码实现 一、前言及回顾 二、sklearn的PCA类介绍 三、分类结果区域可视化函数 四、10行代码完成葡萄酒数据集分类 五、完整代码 六、总结 基于sklearn的主成分分析代码实现 一、前言及回顾 从上一篇 《PCA数据降维原理及python应用(葡萄酒案例分析)》 ,我们知道,主成分分析PCA是一种无监督数据压缩技术,上一篇逐步自行写代码能够让我更好地理解PCA内部实现机制,那知识熟悉以及技术成熟后我们可以运用什么提高编码效率? 答案就是:基于sklearn的主成分分析代码实现,使用PCA类进行无监督数据降维,仍然以 葡萄酒数据集wine.data 为案例,本文将运用sklearn封装的PCA类来实现,提高编码效率,而且会感觉十分简单,前提需要学习理解PCA实现原理及步骤。 ^_^ 这里回顾: 《PCA数据降维原理及python应用(葡萄酒案例分析)》 二、sklearn的PCA类介绍 sklearn中的PCA类相当于一个转换器,首先用训练数据来拟合模型,以葡萄酒数据集为例,通过逻辑回归转化样本数据,实现了主成分分析以及特征提取,直接调用PCA类即可。 三、分类结果区域可视化函数 为了在分类结果区别决策区域并可视化表示,这里编写plot_decision_region函数。 def plot_decision_regions(x, y,