前两天体验了一下腾讯云的在线实验，内容如题，在这里记录一下一些必要知识（ 水

## 实验步骤

这个实验分为训练过程和测试过程两部分。

训练过程流程及实现：

-   解析脚本输入参数：使用argparse解析，由args变量持有

-   创建模型：自定义函数create_model()，返回使用keras.models.Model类创建的实例

-   模型编译：执行Model实例的compile()

-   数据增强：自定义函数create_image_generator()

-   模型训练与保存：自定义函数train()完成模型训练，使用keras.callbacks.ModelCheckpoint类的实例完成模型保存

测试过程流程及实现：

-   解析脚本输入参数：使用argparse解析，由args变量持有

-   创建模型：自定义函数create_model()

-   模型加载：使用keras.models.load_model()

-   数据读取：自定义函数create_image_generator()

-   预测与评估：自定义函数test()

## 环境搭建

#### 安装TensorFlow

输入下述命令升级pip并安装TensorFlow

```bash

python -m pip install --upgrade pip && pip install tensorflow==1.14

```

#### 安装Keras

输入下述命令安装Keras

```bash

pip install keras==2.3.1

```

#### 安装opencv-python

输入下述命令安装opencv-python

```bash

pip install opencv-python

```

#### 安装numpy

输入下述命令安装numpy

```bash

pip install numpy==1.19

```

## 编写训练代码

#### 创建文件

进入工程目录

```bash

cd /traffic_symbol

```

创建train.py文件，本实验的后续代码都将在此文件中完成

```bash

touch train.py

```

#### 引用文件

点击打开 [train.py]() 文件，输入下述内容：

在文件顶部输入下述内容

```python

import os

import argparse

import shutil

import cv2

import random

import numpy as np

import keras

from keras.applications.mobilenet import preprocess_input, MobileNet

from keras.preprocessing.image import ImageDataGenerator

from keras.models import Model, load_model

from keras.layers import *

from keras.callbacks import ModelCheckpoint

```

**记得保存！**

保存方法：**Windows** 系统点击 **ctrl+s**，**Mac OS** 点击 **command+s** 保存

#### 完成模型构建代码

继续在 train.py 中继续输入下面的内容，然后保存

```python

# 创建模型

def create_model(height, width, channel, num_class):

    # 加载预训练模型

    base_model = MobileNet(input_shape=(height, width, channel), weights='imagenet', include_top=False)

​

    # 把基础模型后部替换成GAP + FC

    x = base_model.output

    x = GlobalAveragePooling2D()(x)

    x = Dropout(0.5)(x)

    x = Dense(256, activation='relu')(x)

    predictions = Dense(num_class, activation='softmax')(x)

​

    # 创建模型

    return Model(inputs=base_model.input, outputs=predictions)

```

#### 完成数据处理代码

继续添加下列代码，并保存：

```python

# 图片增强

def preprocess(image):

    # 图片格式转换为HSV

    image = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)

​

    # 无关信息增强：随机改变色调、饱和度、明度

    h, s, v = cv2.split(image)

    shift_h = cv2.addWeighted(h, 1, h, 0, random.randint(-10, 10))

    shift_hsv = cv2.merge([shift_h, s, v])

    image = cv2.cvtColor(shift_hsv, cv2.COLOR_HSV2RGB)

    brightness = random.randint(-50, 50)

    contrast = random.uniform(0.8, 1.2)

    image = cv2.addWeighted(image, contrast, image, 0, brightness)

​

    # mobilenet的图片加速处理方式

    image = preprocess_input(image)

    return image

​

​

# 创建ImageDataGenerator

def create_image_generator(args, type):

    classes = [str(i) for i in range(args.n_classes)]

    if type == 0:

        # 训练集数据处理

        generator = ImageDataGenerator(

            preprocessing_function=preprocess,

            shear_range=0.2,    # 裁剪

            zoom_range=0.2,     # 缩放

            rotation_range=20,  # 旋转

            vertical_flip=False,# 纵向对称变换

            horizontal_flip=True# 横向对称变换

        ).flow_from_directory(

            args.dataset + '/train',

            target_size=(model.inputs[0].shape[1], model.inputs[0].shape[2]),

            batch_size=args.batch_size,

            classes=classes,

            class_mode='categorical'

        )

    elif type == 1:

        # 验证集集数据处理

        generator = ImageDataGenerator(

            preprocessing_function=preprocess_input  # 数据不做任何增强

        ).flow_from_directory(

            args.dataset + '/validation',

            target_size=(model.inputs[0].shape[1], model.inputs[0].shape[2]),

            batch_size=args.batch_size,

            classes=classes,

            class_mode='categorical',

            shuffle=False,

            seed=0

        )

    return generator

```

#### 完成训练流程代码

继续添加下列代码，并保存：

```python

# 训练模型

def train(args, model):

    # 训练数据处理

    train_generator = create_image_generator(args, 0)

​

    # 验证集数据处理

    validation_generator = create_image_generator(args, 1)

​

    # 编译模型

    model.compile(optimizer=keras.optimizers.Adam(),

                  metrics=['accuracy'],

                  loss='categorical_crossentropy')

​

    # 模型保存

    model_save_path = os.path.join(args.output, 'model.h5')

    saver = ModelCheckpoint(model_save_path, monitor='val_loss', verbose=1, save_best_only=True)

​

    # 开始训练

    model.fit_generator(

        generator=train_generator,

        epochs=args.epochs,

        validation_data=validation_generator,

        callbacks=[saver])

```

#### 完成参数处理代码

继续添加下列代码，并保存：

```python

if __name__ == "__main__":

    # 参数解析

    parser = argparse.ArgumentParser()

    # 定义路径

    parser.add_argument("--dataset", type=str, default="./data")

    parser.add_argument("--output", type=str, default="./results")

    parser.add_argument("--resume_model_path", type=str, default="")

    # 定义模型参数

    parser.add_argument("--n_classes", type=int, default=2)

    parser.add_argument("--input_width", type=int, default=128)

    parser.add_argument("--input_height", type=int, default=128)

    parser.add_argument("--input_channel", type=int, default=3)

    # 定义超参数

    parser.add_argument("--epochs", type=int, default=5)

    parser.add_argument("--batch_size", type=int, default=4)

    # 过程控制。test为0表示训练，test为1表示测试

    parser.add_argument("--test", type=int, default=0)

    args = parser.parse_args()

    print("args: ", args)

​

    # 创建输出路径所指文件夹

    os.makedirs(args.output, exist_ok=True)

​

    # 创建模型

    model = create_model(args.input_height, args.input_width, args.input_channel, args.n_classes)

​

    # 打印模型结构

    model.summary()

​

    # 加载模型

    if args.resume_model_path != "":

        try:

            model = load_model(args.resume_model_path)

        except Exception as e:

            print('No saved model, using init weights!')

​

    if args.test:

        # 预测测试图片

        test(args, model)

    else:

        # 开始训练

        train(args, model)

```

## 开始训练

使用脚本进行训练

输入下述命令执行脚本训练过程

```bash

python train.py

```

## 测试模型

#### 输入测试数据处理函数

在 [/traffic_symbol/train.py]() 文件中，找到 **create_image_generator** 方法，在 **return generator** 前面输入下述代码，然后保存。 请 **注意缩进！**

```python

    else:

        # 测试集数据处理

        generator = ImageDataGenerator(

            preprocessing_function=preprocess_input  # 数据不做任何增强

        ).flow_from_directory(

            args.dataset + '/test',

            target_size=(model.inputs[0].shape[1], model.inputs[0].shape[2]),

            batch_size=args.batch_size,

            classes=classes,

            class_mode='categorical',

            shuffle=False,

            seed=0

        )

```

#### 输入测试流程函数

在`if __name__ == "__main__":`前，继续输入下面的代码，然后保存

```

# 模型测试

def test(args, model):

    # 生成结果解析路径

    result_folder = args.output + '/test'

    if os.path.exists(result_folder):

        shutil.rmtree(result_folder)

    os.makedirs(result_folder)

​

    # 生成测试数据集

    test_generator = create_image_generator(args, 2)

​

    # 初始化变量

    total_images = 0

    right_images = 0

    n_val_batch = len(test_generator)

​

    # 批量预测图片

    for b in range(n_val_batch):

        vx, vy = test_generator.next()

        pred = model.predict(vx)

        vy = np.argmax(vy, -1)

        pred = np.argmax(pred, -1)

        if test_generator.batch_index > 0:

            idx = (test_generator.batch_index - 1) * test_generator.batch_size

        else:

            idx = (n_val_batch - 1) * test_generator.batch_size

        files = test_generator.filepaths[idx: idx + test_generator.batch_size]

​

        indices = [i for i, v in enumerate(pred) if pred[i] != vy[i]]

        total_images += len(files)

        right_images += len(files) - len(indices)

​

        for i in range(len(files)):

            img = cv2.imread(files[i], cv2.IMREAD_UNCHANGED)

            text = "label" + str(vy[i]) + "_pred" + str(pred[i]) + "_"

            save_path = os.path.join(result_folder, text + os.path.basename(files[i]))

            cv2.imwrite(save_path, img)

​

    print('accuracy', right_images / total_images)

```

### 模型测试

#### 使用脚本进行测试

输入下述命令

```bash

python train.py --test 1 --resume_model_path /traffic_symbol/results/model.h5

```

等待测试完成，可以看到类似这样的输出

```

Found 16 images belonging to 2 classes.

accuracy 1.0

```

#### 查看测试图片数据结果

```bash

ls /traffic_symbol/results/test

```

运行上述命令，可以看到输出图片的类似效果

![image](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/017f02c2a3784ecca719aef7dfd9dc1b~tplv-k3u1fbpfcp-zoom-1.image)

可以在这里看到所有图片的标注和预测结果。 如label0_pred0_43-0-0.jpg，意味着标注类别是0，预测结果0，原图名称是43-0-0.jpg

打开 [results/test]() 文件夹，在 **右侧目录树** 点击查看测试输出图片效果

基于Keare的交通标志识别

本人高一，个人博客地址：https://lmceric.top

初中的C++信息学奥赛校队的，也没得几个奖（屑

后来高中参加信息安全竞赛（也是屑

目前技术栈：

后端：C++ 学校学的python flask（？大概算会吧） php和node.js（ 只会express的屑，.NET也算能搭个项目（？

前端：vue，还有就是自己手写bootetrap

自己摸鱼时间写过几个小项目：

一个前后端分离的留言板 https://github.com/SimpleAstronaut/Simple-Message

一个前后端分离的轻量博客系统（没写完，还没开源 

一个自己照着OAuth写的屑鉴权系统（？大概算是吧 https://github.com/SimpleAstronaut/Simple-OAuth

用C++ libhv写的http服务器（没开源 屑

写过一个数字身份鉴权系统（之前1.0版本是php开发，数据库里密码还是明文储存，后来2.0版本换成node.js后端，用了我自己写的那个鉴权系统（

前两天写了一个爬虫用来爬一个游戏的社区（那个社区的搜索功能基于谷歌，所以不用魔法没法用）然后写了个wx小程序用来检索

探索过QQ频道机器人，对接百度AI API来着

北京某不知名学校的屑高一学生（



![](https://image.hackertalk.net/images/cb9632d9-592a-458d-b2d8-ad1fff08d73c)



```tsx
import qs from 'node:querystring';


/**
 npm 的接口 
 https://api.npmjs.org/downloads/point/2023-01-01:2023-12-31/react
 https://github.com/npm/registry/blob/master/docs/download-counts.md

 npmmirror 的接口
 https://github.com/cnpm/cnpmcore/blob/67f1a2476dd1330f518673a1f1f476252a386da1/app/port/controller/DownloadController.ts#L22
*/

// 自定义时间
// let _range = "2023-01-01:2023-12-31";

// 一年
let _range = getFullYearString("2023")

// 切换
// 0:npm
// 1:npmmirror
let getData = 1 ? getNpmmirrorData : getNpmData;

Promise.all([
    // 热门框架
    getData("react"),
    getData("vue"),
    getData("@angular/core"),
    getData("solid-js"),
    getData("svelte"),

    // SSR 框架
    getData("next"),
    getData("nuxt"),

    // react 组件库
    getData("@mui/material"),
    getData("antd"),
    getData("@chakra-ui/react"),
    getData("react-bootstrap"),
    getData("reactstrap"),
    getData("primereact"),
    getData("@mantine/core"),
    getData("@nextui-org/react"),
    getData("shadcn-ui"),
    getData("@radix-ui/react-popover"), // 包太多,随便选一个
    getData("react-vant"),
    getData("@alifd/next"),
    getData("@arco-design/web-react"),
    getData("@arco-design/mobile-react"),
    getData("@douyinfe/semi-ui"),
    getData("tdesign-react"),

    // vue 组件库
    getData("ant-design-vue"),
    getData("element-ui"),
    getData("element-plus"),
    getData("vuetify"),
    getData("iview"),
    getData("view-ui-plus"),
    getData("quasar"),
    getData("naive-ui"),
    getData("@arco-design/web-vue"),
    getData("@opentiny/vue"),
    getData("bootstrap-vue"),

]).then(r => {
    // 从高到低 排序
    r.sort((a, b) => b.downloads - a.downloads);

    let ret = [];
    for (const item of r) {
        ret.push({
            name: item.name,
            downloads: formatNumberToChinese(item.downloads)
        })
    }

    console.table(ret)
})


async function getNpmmirrorData(packageName: string) {
    let host = "https://registry.npmmirror.com/downloads/range";
    let url = `${host}/${_range}/${qs.escape(packageName)}`;
    // console.log(url);
    let downloads = 0;
    let r = await fetch(url).then(r => r.json())
    delete r.versions
    let dataList = r.downloads;
    for (const item of dataList) {
        downloads += item.downloads
    }

    return { name: packageName, downloads: downloads };
}

async function getNpmData(packageName: string) {
    let host = "https://api.npmjs.org/downloads/point";
    let url = `${host}/${_range}/${qs.escape(packageName)}`;
    // console.log(url);
    let r = await fetch(url, { headers: getNpmHeader() })
        .then(r => r.json())
    let downloads = r.downloads;
    return { name: packageName, downloads: downloads };
}

function getFullYearString(year: string) {
    return `${year}-01-01:${year}-12-31`;
}


function getNpmHeader() {
    return new Headers({
        "Accept": 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',
        "Accept-Encoding": "gzip, deflate, br",
        "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6",
        "Cache-Control": "no-cache",
        "Pragma": "no-cache",
        "Sec-Ch-Ua": 'Chromium";v="122", "Not(A:Brand";v="24", "Microsoft Edge";v="122',
        "Sec-Ch-Ua-Mobile": "?0",
        "Sec-Ch-Ua-Platform": "Windows",
        "Sec-Fetch-Dest": "document",
        "Sec-Fetch-Mode": "navigate",
        "Sec-Fetch-Site": "none",
        "Sec-Fetch-User": "?1",
        "Upgrade-Insecure-Requests": "1",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0",
    })
}

function formatNumberToChinese(num: number) {
    if (typeof num !== 'number') {
        return '请输入有效的数字';
    }

    if (num >= 10000 && num < 100000000) {
        return (num / 10000).toFixed(0) + '万';
    } else if (num >= 100000000) {
        return (num / 100000000).toFixed(0) + '亿';
    } else {
        return num.toString();
    }
}
```






前端框架与组件库下载量排名

标识符

483DAB9E-B587-4DAE-936C-201F5BC4BCBA

备注

Error Domain=kCFStreamErrorDomainSSL Code=-9806"(null)" UserInfo=/NSLocalizedRecoverySuggestion=Errorcode definition can be found in Apple's SecureTransport.h}

请求信息

CONNECT m.m******(手动打码).pt:443 HTTP/1.1

请求头部

Host: m.m*******.ptConnection: keep-alive

发送请求头部

未发送

服务端开始响应

未响应

请求完成2024/04/26 10:11:40.529

 app无法登录，抓包数据。网页版可以登录，求分析求解

前些天一直在找便宜的云服务器，偶然间发现一免费的云平台，这里推荐给大家。

就是阿贝云，网站是https://www.abeiyun.com

说一下感受

1、阿贝云虽然是一小众的云平台，重在免费，该有的东西都有，还能免备案这是最舒服的。

2、使用了一天，上了项目，网速不慢。

3、唯一要指出来就是磁盘太小。

分享免费云服务器

拉取了rustbuster的v3.0.3版本文件, 二进制文件无法使用, 执行结果如下:

```bash
[root_cn@archlinux target]$ ./rustbuster-v3.0.3-x86_64-unknown-linux-gnu
./rustbuster-v3.0.3-x86_64-unknown-linux-gnu: error while loading shared libraries: libssl.so.1.1: cannot open shared object file: No such file or directory
```

拉取了main源码, 想自行尝试编译, 然后卡在了openssl, 以下为报错信息:

```rust
The following warnings were emitted during compilation:

warning: openssl-sys@0.9.47: build/expando.c:4:24: error: pasting "RUST_VERSION_OPENSSL_" and "(" does not give a valid preprocessing token
warning: openssl-sys@0.9.47:     4 | #define VERSION2(n, v) RUST_VERSION_##n##_##v
warning: openssl-sys@0.9.47:       |                        ^~~~~~~~~~~~~
warning: openssl-sys@0.9.47: build/expando.c:5:23: note: in expansion of macro ‘VERSION2’
warning: openssl-sys@0.9.47:     5 | #define VERSION(n, v) VERSION2(n, v)
warning: openssl-sys@0.9.47:       |                       ^~~~~~~~
warning: openssl-sys@0.9.47: build/expando.c:10:1: note: in expansion of macro ‘VERSION’
warning: openssl-sys@0.9.47:    10 | VERSION(OPENSSL, OPENSSL_VERSION_NUMBER)
warning: openssl-sys@0.9.47:       | ^~~~~~~

error: failed to run custom build command for `openssl-sys v0.9.47`

Caused by:
  process didn't exit successfully: `/mnt/d/work/file/rust/rustbuster/target/debug/build/openssl-sys-c5a482a9e0e49574/build-script-main` (exit status: 101)
  --- stdout
  cargo:rustc-cfg=const_fn
  cargo:rerun-if-env-changed=X86_64_UNKNOWN_LINUX_GNU_OPENSSL_LIB_DIR
  X86_64_UNKNOWN_LINUX_GNU_OPENSSL_LIB_DIR unset
  cargo:rerun-if-env-changed=OPENSSL_LIB_DIR
  OPENSSL_LIB_DIR unset
  cargo:rerun-if-env-changed=X86_64_UNKNOWN_LINUX_GNU_OPENSSL_INCLUDE_DIR
  X86_64_UNKNOWN_LINUX_GNU_OPENSSL_INCLUDE_DIR unset
  cargo:rerun-if-env-changed=OPENSSL_INCLUDE_DIR
  OPENSSL_INCLUDE_DIR unset
  cargo:rerun-if-env-changed=X86_64_UNKNOWN_LINUX_GNU_OPENSSL_DIR
  X86_64_UNKNOWN_LINUX_GNU_OPENSSL_DIR unset
  cargo:rerun-if-env-changed=OPENSSL_DIR
  OPENSSL_DIR unset
  cargo:rustc-link-lib=ssl
  cargo:rustc-link-lib=crypto
  OPT_LEVEL = Some("0")
  TARGET = Some("x86_64-unknown-linux-gnu")
  HOST = Some("x86_64-unknown-linux-gnu")
  CC_x86_64-unknown-linux-gnu = None
  CC_x86_64_unknown_linux_gnu = None
  HOST_CC = None
  CC = None
  CFLAGS_x86_64-unknown-linux-gnu = None
  CFLAGS_x86_64_unknown_linux_gnu = None
  HOST_CFLAGS = None
  CFLAGS = None
  CRATE_CC_NO_DEFAULTS = None
  DEBUG = Some("true")
  CARGO_CFG_TARGET_FEATURE = Some("fxsr,sse,sse2")
  running: "cc" "-O0" "-ffunction-sections" "-fdata-sections" "-fPIC" "-g" "-fno-omit-frame-pointer" "-m64" "-Wall" "-Wextra" "-E" "build/expando.c"
  cargo:warning=build/expando.c:4:24: error: pasting "RUST_VERSION_OPENSSL_" and "(" does not give a valid preprocessing token
  cargo:warning=    4 | #define VERSION2(n, v) RUST_VERSION_##n##_##v
  cargo:warning=      |                        ^~~~~~~~~~~~~
  cargo:warning=build/expando.c:5:23: note: in expansion of macro ‘VERSION2’
  cargo:warning=    5 | #define VERSION(n, v) VERSION2(n, v)
  cargo:warning=      |                       ^~~~~~~~
  cargo:warning=build/expando.c:10:1: note: in expansion of macro ‘VERSION’
  cargo:warning=   10 | VERSION(OPENSSL, OPENSSL_VERSION_NUMBER)
  cargo:warning=      | ^~~~~~~
  exit status: 1

  --- stderr
  thread 'main' panicked at /home/root_cn/.cargo/registry/src/mirrors.sjtug.sjtu.edu.cn-4f7dbcce21e258a2/openssl-sys-0.9.47/build/main.rs:126:13:

  Header expansion error:
  Error { kind: ToolExecError, message: "Command \"cc\" \"-O0\" \"-ffunction-sections\" \"-fdata-sections\" \"-fPIC\" \"-g\" \"-fno-omit-frame-pointer\" \"-m64\" \"-Wall\" \"-Wextra\" \"-E\" \"build/expando.c\" with args \"cc\" did not execute successfully (status code exit status: 1)." }

  Failed to find OpenSSL development headers.

  You can try fixing this setting the `OPENSSL_DIR` environment variable
  pointing to your OpenSSL installation or installing OpenSSL headers package
  specific to your distribution:

      # On Ubuntu
      sudo apt-get install libssl-dev
      # On Arch Linux
      sudo pacman -S openssl
      # On Fedora
      sudo dnf install openssl-devel

  See rust-openssl README for more information:

      https://github.com/sfackler/rust-openssl#linux

  note: run with `RUST_BACKTRACE=1` environment variable to display a backtrace
warning: build failed, waiting for other jobs to finish...
```

经过检查openssl与rust均为最新版本, 

```bash
[root_cn@archlinux target]$ sudo pacman -S rust
[sudo] password for root_cn:
warning: rust-1:1.77.2-1 is up to date -- reinstalling
resolving dependencies...
looking for conflicting packages...

Package (1)  Old Version  New Version  Net Change

extra/rust   1:1.77.2-1   1:1.77.2-1     0.00 MiB

Total Installed Size:  249.41 MiB
Net Upgrade Size:        0.00 MiB

:: Proceed with installation? [Y/n] n
[root_cn@archlinux target]$ sudo pacman -S openssl
warning: openssl-3.2.1-1 is up to date -- reinstalling
resolving dependencies...
looking for conflicting packages...

Package (1)   Old Version  New Version  Net Change

core/openssl  3.2.1-1      3.2.1-1        0.00 MiB

Total Installed Size:  11.45 MiB
Net Upgrade Size:       0.00 MiB

:: Proceed with installation? [Y/n] n
```

在网上找了一下, 查到资料, 在[rust-openssl的issues](https://github.com/sfackler/rust-openssl/issues/1227)中提到类似报错, 得到解释如下:

> If you are cross compiling to MUSL, you either need to point openssl-sys to the location that you have a copy of OpenSSL cross compiled to MUSL, or tell it to build a copy of OpenSSL itself with the vendored feature.
>
>	如果你是交叉编译到MUSL，你需要将openssl-sys指向你有一个交叉编译到MUSL的OpenSSL副本的位置，或者告诉它用vendored特性构建一个OpenSSL本身的副本。

由于不会rust, 依靠关键词"交叉编译"+"cargo"搜索到了[cargo交叉编译rust程序](https://blog.csdn.net/tyc880616/article/details/104371502), 顺着找到文件:

```
[root_cn@archlinux .cargo]$ cat ~/.cargo/config
[source.crates-io]
replace-with = 'sjtu' # 指定使用下面哪个源，修改为source.后面的内容即可

# 中国科学技术大学
[source.ustc]
registry = "https://mirrors.ustc.edu.cn/crates.io-index"

# 上海交通大学
[source.sjtu]
registry = "https://mirrors.sjtug.sjtu.edu.cn/git/crates.io-index/"

# 清华大学
[source.tuna]
registry = "https://mirrors.tuna.tsinghua.edu.cn/git/crates.io-index.git"

# rustcc社区
[source.rustcc]
registry = "https://code.aliyun.com/rustcc/crates.io-index.git"
```

没有找到交叉编译的设置, 由于本人不会rust, 线索断了, 尝试向大家寻求一波帮助, 非常感谢阅读.



急切寻求rust编译问题帮助(archlinux, openssl)

永久免费，无需注册

[https://good.xjai.top](https://good.xjai.top)

分享免费GPT4站点

[MoienTajik/AspNetCore-Developer-Roadmap (github.com)](https://github.com/MoienTajik/AspNetCore-Developer-Roadmap/blob/master/ReadMe.zh-Hant.md)

![](https://github.com/MoienTajik/AspNetCore-Developer-Roadmap/raw/master/aspnetcore-developer-roadmap.zh-Hant.png)



【轉貼】ASP.NET Core Developer Roadmap in 2024

南京大学数字金融 - 新华报业集团联合诚邀全职博士后！

【研究方向涵盖】

数智传播、数智金融经济、数据金融经济、数智政务、数智监管治理，以及“大数据、大模型、大计算”全新范式等方向理论与实践

 【具体研究领域】

包括 Bigdata4SocialScience、AI4SocialScience、LLM4SocialScience、Blockchain4SocialScience，以及先进信息技术融合创新在数智金融经济、数智传播社会、数智健康医疗、数智政务治理中的应用。

【薪资待遇优渥】

年薪可达 30 万人民币左右，另有绩效奖金及江苏省和南京市人才补贴。具体薪资需与HR面议，总收入依据专业背景和技能经验而定（计算机 AI 背景者薪资更优）。

【欢迎学科交叉、专业背景不限】

不限制专业背景，致力于构建一个多元、开放、包容的科研环境，因此，欢迎计算机、软件、大数据、人工智能、区块链、隐私计算、数据安全、数据科学等背景的博士人才，也热切邀请具有人文社科背景的博士加入我们的团队，共同探索信息技术与社会科学的交叉前沿。也欢迎其他编程能力强的理工科博士毕业生（即使没有AI等背景也欢迎）。

【南京大学研究中心】

南京大学研究中心为双院士领军的校级科研和创新平台，详情请见：fintech.nju.edu.cn。

【团队氛围】

学科交叉、理论与实践相结合、国际化视野、行业前沿视角和项目。

【联系我们】

请感兴趣的朋友将个人简历发送至邮箱:blockchainfintech@126.com。

【更多招募】 南京大学研究中心招收硕士生、博士生、博士后、青年教师、研究员，也欢迎访问、客座、联培以及科研助理（有些岗位可兼职或远程合作）等

欢迎加入我们，您将在这个富有挑战性和机遇的环境中，开启广阔的职业发展道路，实现个人价值与学术梦想的双赢！

期待您的加入，携手共创数智未来！