深度系统如何设置开机自启动脚本

❶ miui6 怎么修改cpu内核脚本文件

ROM介绍
本ROM为米基塔系列2015年的MIUI6版本，基于官网的M3-MIUI6_5.2.6特别版深度定制，希望大家喜欢！感谢支持！！
后面的截图效果请大家欣赏！那是刷完之后直接就有的效果，不需要用户再去复杂的配置桌面！
M3部分扩展功能为米基塔团队开发制作，所以移植请注明，否则不要随便拿去自己发布！

ROM特性
系统：
修改内核支持双系统共存，通过内置的米基塔双系统切换软件可在V5和MIUI6之间免三清切换；
开启官方内核init.d参数支持，可将自定义脚本放入system/etc/init.d文件夹中；
调整内核参数，修正MIUI6电量显示不准确的问题；
加入CWM/TDB支持，修正官方ROM无法通过小米助手连接手机的问题；
加入Sysctl和Fstrim脚本控制（提升系统运存效果明显）；
破解删除预装软件后重启强制恢复的官方限制；
开启MIUI6隐藏的ART模式，体验丝般顺滑；
新增应用操作权限自定义功能，即对每一个应用的操作权限，例如是否允许获取地理位置、发送短信、读取联系人、是否允许保持唤醒等权限进行自定义开关，最大限度掌控自己隐私（设置--安全和隐私--应用操作）；
微调运存机制，开启MIUI6大运存时代；
破解官方原版授权管理，系统检测到应用需要ROOT权限的时候会自动弹出授权窗口，体验MIUI6的极速授权；
加入全局杜比音效，进程不会再被一键清理查杀掉；
修改相机参数，提高成像质量；
新增支持OTA至官方开发版功能；
加入Xposed框架支持，功能媲美WSM神器；
系统设置植入米基塔经典应用扩展（含Xposd框架、绿色守护和双V4音效，解决MIUI6声音过小问题），此应用为左中右三选项卡模式，左右滑动即可切换，中间选项卡提供了部分应用的常用操作方法说明，供部分未接触过此类应用的机油查阅，第三选项卡为米基塔ROM相关说明，内有米基塔官方交流群号，刷入后即可查看，欢迎加入。
重新编译系统设置apk文件，新增“系统测试”功能选项，置于米基塔设置顶部，方便查看测试系统硬件信息；
剔除部分无用组件，并将部分不常用组件移至data下，方面用户直接删除；
更新卡刷包内置秋大最新中文版第三方recovery版本为CWM 6.0.5.0，支持安卓4.4和Android L，卡刷ROM的过程即是刷入第三方recovery的过程；

显示：
修改状态栏布局，时间居中、信号、WIFI和网速居左，同时确保时间居中后不会挤占运营商和网速的显示位置，将电池数字和图标互换位置，最大限度地利用状态栏空间；
新增点击桌面天气时钟右侧天气模块直接进入MIUI天气APP功能，方便随时进入天气应用查看天气详情；
新增下拉栏时间呼吸灯显示效果，微调天气模块显示元素，上移当前实时温度大字体显示，新增空气污染指数显示；
新增下拉通知栏彩色动态天气显示（城市、天气描述、实时气温、气温区间、风速）；
修改下拉音乐模块为新界面，默认显示天气元素，点击右侧圆形音乐图标可进入音乐模式，在官方风格基础上新增专辑图显示和上一曲功能按钮；
在官方桌面时钟基础上添加农历显示和动态天气显示，满足部分喜欢官方呼吸时钟的机油（感谢交流群热心机油果维c童鞋分享）；注：由于更换了桌面时钟，免三清刷入将不能显示新版时钟，需要三清后刷入方能显示出全部系统特性！
加入沉浸式状态栏，完美支持第三方应用；
新增MIUI6呼吸灯闪烁频率自定义功能；（设置--其他高级设置--呼吸灯）
新增MIUI6多点触控功能（设置--其他高级设置--按键--多点触控）；
新增MIUI6的3D显示模式（设置--其他高级设置--显示--3D显示），更好支持3D游戏效果；
开启ART模式，体验丝般顺滑，开启方法——开发者选项--选择运行环境--使用ART。
需要注意的几点问题：
A、ART模式开启过程相对较慢，开机会有Coding的界面提示，请耐心等候！
B、安装了xposed或者WSM框架的二进制文件之后，开启ART模式将会失败！
C、ART模式下由于兼容性问题，对部分应用如xp或WSM框架可能不支持，非ROM的bug，此功能仅供尝鲜，追求稳定的请使用默认的Dalvik模式）；
更新日志
米基塔M3-MIUI6_5.2.6开发版更新日志亮点推荐：
更新内核文件，加入CPU频率异步调整技术，显着改善MIUI6功耗；
修复开启ART模式后重启系统时重复读取进度条问题（仅首次开启会读取一次）
新增米基塔运行模式选项；
新增屏幕效果和护眼模式（其他高级设置--屏幕效果、护眼模式）；
新增呼吸灯闪烁频率（设置--其他高级设置--呼吸灯--闪烁频率）；
新增默认USB连接类型（设置--其他高级设置--默认USB连接类型）；
更换默认桌面和锁屏壁纸为小米NOTE默认壁纸；
调整桌面图标布局，对系统图标和第三方应用图标位置进行规整，增加美观度（三清后刷机或者在设置--其他应用管理--全部--系统桌面里清除数据一次方可见效）；
修复更换主题后关屏再开屏出现的死机黑屏问题；
修复清理内存界面点击其他空白处无法退出清理界面的问题；
合并基于安卓5.0的MIUI6部分内核代码；
新增米基塔JAR优化代码，自动整合绝大部分主流安卓机型优化脚本，已合并至系统源码中，以防止未经许可的盗取编译；
修正内核文件部分代码，改善触屏失灵问题（已测试通过）；
默认系统过渡动画效果为安卓5.0风格；
更新GPS驱动和配置文件，搜星定位更加精确迅速；
修改系统应用授权去除二进制更新提示，刷机完毕可直接对相关应用进行自动弹窗式授权
（一定要注意：由于新版本超级授权软件的原因，授权可能存在一定的延时情况，并非无法授权，请稍微耐心等待即可有弹窗提示授权，尤其是在安装xposed框架和V4A音效驱动的时候，一定要确保有超级授权的ROOT授权弹窗提示授权成功才算安装成功，否则不要贸贸然重启系统，很可能由于授权失败导致驱动安装失败，最终导致重启卡米！！）
注意事项
刷机前请务必三清系统！首次开机会稍慢一些，系统在后台Zipalign程序，请耐心等待！
首次开机官方默认隐藏运营商名称，开启方法为设置--通知栏设置--高级--显示运营商名称功能开启即可！
部分机油反映的通知栏经常出现天气提醒，是因为官方默认为开启提醒状态，关闭方法为进入天气应用，点击”三杠“菜单键，选择“提醒“，将开启位置提醒中不想现实提示的城市关闭即可！”
内置超级权限应用非推广软件，切勿删除，否则系统将无法授权！！！
新版系统调整了设置菜单，将电量、按键、开发者选项、备份重置都调整了设置--其他高级设置中，望周知！！
关于刷机之后出现WIFI无法打开的问题，基本可以判断是刷机之前未三清，上一版本残留数据导致，三清系统后重刷即可解决问题！！

❷ 如何在后台部署深度学习模型

搭建深度学习后台服务器

我们的Keras深度学习REST API将能够批量处理图像，扩展到多台机器(包括多台web服务器和Redis实例)，并在负载均衡器之后进行循环调度。

为此，我们将使用:

• KerasRedis(内存数据结构存储)

• Flask (python的微web框架)

• 消息队列和消息代理编程范例

本篇文章的整体思路如下：

我们将首先简要讨论Redis数据存储，以及如何使用它促进消息队列和消息代理。然后，我们将通过安装所需的Python包来配置Python开发环境，以构建我们的Keras深度学习REST API。一旦配置了开发环境，就可以使用Flask web框架实现实际的Keras深度学习REST API。在实现之后，我们将启动Redis和Flask服务器，然后使用cURL和Python向我们的深度学习API端点提交推理请求。最后，我们将以对构建自己的深度学习REST API时应该牢记的注意事项的简短讨论结束。

第一部分：简要介绍Redis如何作为REST API消息代理/消息队列



测试和原文的命令一致。




第三部分：配置Python开发环境以构建Keras REST API

文章中说需要创建新的虚拟环境来防止影响系统级别的python项目（但是我没有创建），但是还是需要安装rest api所需要依赖的包。以下为所需要的包。





第四部分：实现可扩展的Keras REST API

首先是Keras Redis Flask REST API数据流程图

让我们开始构建我们的服务器脚本。为了方便起见，我在一个文件中实现了服务器，但是它可以按照您认为合适的方式模块化。为了获得最好的结果和避免复制/粘贴错误，我建议您使用本文的“下载”部分来获取相关的脚本和图像。

为了简单起见，我们将在ImageNet数据集上使用ResNet预训练。我将指出在哪里可以用你自己的模型交换ResNet。flask模块包含flask库(用于构建web API)。redis模块将使我们能够与redis数据存储接口。从这里开始，让我们初始化将在run_keras_server.py中使用的常量.




我们将向服务器传递float32图像，尺寸为224 x 224，包含3个通道。我们的服务器可以处理一个BATCH_SIZE = 32。如果您的生产系统上有GPU(s)，那么您需要调优BATCH_SIZE以获得最佳性能。我发现将SERVER_SLEEP和CLIENT_SLEEP设置为0.25秒(服务器和客户端在再次轮询Redis之前分别暂停的时间)在大多数系统上都可以很好地工作。如果您正在构建一个生产系统，那么一定要调整这些常量。

让我们启动我们的Flask app和Redis服务器:





在这里你可以看到启动Flask是多么容易。在运行这个服务器脚本之前，我假设Redis服务器正在运行(之前的redis-server)。我们的Python脚本连接到本地主机6379端口(Redis的默认主机和端口值)上的Redis存储。不要忘记将全局Keras模型初始化为None。接下来我们来处理图像的序列化:





Redis将充当服务器上的临时数据存储。图像将通过诸如cURL、Python脚本甚至是移动应用程序等各种方法进入服务器，而且，图像只能每隔一段时间(几个小时或几天)或者以很高的速率(每秒几次)进入服务器。我们需要把图像放在某个地方，因为它们在被处理前排队。我们的Redis存储将作为临时存储。

为了将图像存储在Redis中，需要对它们进行序列化。由于图像只是数字数组，我们可以使用base64编码来序列化图像。使用base64编码还有一个额外的好处，即允许我们使用JSON存储图像的附加属性。

base64_encode_image函数处理序列化。类似地，在通过模型传递图像之前，我们需要反序列化图像。这由base64_decode_image函数处理。

预处理图片





我已经定义了一个prepare_image函数，它使用Keras中的ResNet50实现对输入图像进行预处理，以便进行分类。在使用您自己的模型时，我建议修改此函数，以执行所需的预处理、缩放或规范化。

从那里我们将定义我们的分类方法





classify_process函数将在它自己的线程中启动，我们将在下面的__main__中看到这一点。该函数将从Redis服务器轮询图像批次，对图像进行分类，并将结果返回给客户端。

在model = ResNet50(weights="imagenet")这一行中，我将这个操作与终端打印消息连接起来——根据Keras模型的大小，加载是即时的，或者需要几秒钟。

加载模型只在启动这个线程时发生一次——如果每次我们想要处理一个映像时都必须加载模型，那么速度会非常慢，而且由于内存耗尽可能导致服务器崩溃。

加载模型后，这个线程将不断轮询新的图像，然后将它们分类（注意这部分代码应该时尚一部分的继续）





在这里，我们首先使用Redis数据库的lrange函数从队列(第79行)中获取最多的BATCH_SIZE图像。

从那里我们初始化imageIDs和批处理(第80和81行)，并开始在第84行开始循环队列。

在循环中，我们首先解码对象并将其反序列化为一个NumPy数组image(第86-88行)。

接下来，在第90-96行中，我们将向批处理添加图像(或者如果批处理当前为None，我们将该批处理设置为当前图像)。

我们还将图像的id附加到imageIDs(第99行)。

让我们完成循环和函数

在这个代码块中，我们检查批处理中是否有图像(第102行)。如果我们有一批图像，我们通过模型(第105行)对整个批进行预测。从那里，我们循环一个图像和相应的预测结果(110-122行)。这些行向输出列表追加标签和概率，然后使用imageID将输出存储在Redis数据库中(第116-122行)。

我们使用第125行上的ltrim从队列中删除了刚刚分类的图像集。最后，我们将睡眠设置为SERVER_SLEEP时间并等待下一批图像进行分类。下面我们来处理/predict我们的REST API端点





稍后您将看到，当我们发布到REST API时，我们将使用/predict端点。当然，我们的服务器可能有多个端点。我们使用@app。路由修饰符以第130行所示的格式在函数上方定义端点，以便Flask知道调用什么函数。我们可以很容易地得到另一个使用AlexNet而不是ResNet的端点，我们可以用类似的方式定义具有关联函数的端点。你懂的，但就我们今天的目的而言，我们只有一个端点叫做/predict。

我们在第131行定义的predict方法将处理对服务器的POST请求。这个函数的目标是构建JSON数据，并将其发送回客户机。如果POST数据包含图像(第137和138行)，我们将图像转换为PIL/Pillow格式，并对其进行预处理(第141-143行)。

在开发这个脚本时，我花了大量时间调试我的序列化和反序列化函数，结果发现我需要第147行将数组转换为C-contiguous排序(您可以在这里了解更多)。老实说，这是一个相当大的麻烦事，但我希望它能帮助你站起来，快速跑。

如果您想知道在第99行中提到的id，那么实际上是使用uuid(通用唯一标识符)在第151行生成的。我们使用UUID来防止hash/key冲突。

接下来，我们将图像的id和base64编码附加到d字典中。使用rpush(第153行)将这个JSON数据推送到Redis db非常简单。

让我们轮询服务器以返回预测

我们将持续循环，直到模型服务器返回输出预测。我们开始一个无限循环，试图得到157-159条预测线。从这里，如果输出包含预测，我们将对结果进行反序列化，并将结果添加到将返回给客户机的数据中。我们还从db中删除了结果(因为我们已经从数据库中提取了结果，不再需要将它们存储在数据库中)，并跳出了循环(第163-172行)。

否则，我们没有任何预测，我们需要睡觉，继续投票(第176行)。如果我们到达第179行，我们已经成功地得到了我们的预测。在本例中，我们向客户机数据添加True的成功值(第179行)。注意:对于这个示例脚本，我没有在上面的循环中添加超时逻辑，这在理想情况下会为数据添加一个False的成功值。我将由您来处理和实现。最后我们称烧瓶。jsonify对数据，并将其返回给客户端(第182行)。这就完成了我们的预测函数。

为了演示我们的Keras REST API，我们需要一个__main__函数来实际启动服务器

第186-196行定义了__main__函数，它将启动classify_process线程(第190-192行)并运行Flask应用程序(第196行)。

第五部分：启动可伸缩的Keras REST API

要测试我们的Keras深度学习REST API，请确保使用本文的“下载”部分下载源代码示例图像。从这里，让我们启动Redis服务器，如果它还没有运行:

• redis-server



然后，在另一个终端中，让我们启动REST API Flask服务器:

• python run_keras_server.py



另外，我建议在向服务器提交请求之前，等待您的模型完全加载到内存中。现在我们可以继续使用cURL和Python测试服务器。

第七部分：使用cURL访问Keras REST API

使用cURL来测试我们的Keras REST API服务器。这是我的家庭小猎犬Jemma。根据我们的ResNet模型，她被归类为一只拥有94.6%自信的小猎犬。

• curl -X POST -F [email protected] 'http://localhost:5000/predict'



你会在你的终端收到JSON格式的预测:

• {"predictions": [{"label": "beagle","probability": 0.9461546540260315},{"label": "bluetick","probability": 0.031958919018507004},{"label": "redbone","probability": 0.006617196369916201},{"label": "Walker_hound","probability": 0.0033879687543958426},{"label": "Greater_Swiss_Mountain_dog","probability": 0.0025766862090677023}],"success": true}



第六部分：使用Python向Keras REST API提交请求

如您所见，使用cURL验证非常简单。现在，让我们构建一个Python脚本，该脚本将发布图像并以编程方式解析返回的JSON。

让我们回顾一下simple_request.py

• # import the necessary packagesimport requests# initialize the Keras REST API endpoint URL along with the input# image pathKERAS_REST_API_URL = "http://localhost:5000/predict"IMAGE_PATH = "jemma.png"



我们在这个脚本中使用Python请求来处理向服务器提交数据。我们的服务器运行在本地主机上，可以通过端口5000访问端点/predict，这是KERAS_REST_API_URL变量(第6行)指定的。

我们还定义了IMAGE_PATH(第7行)。png与我们的脚本在同一个目录中。如果您想测试其他图像，请确保指定到您的输入图像的完整路径。

让我们加载图像并发送到服务器:

• # load the input image and construct the payload for the requestimage = open(IMAGE_PATH, "rb").read()payload = {"image": image}# submit the requestr = requests.post(KERAS_REST_API_URL, files=payload).json()# ensure the request was sucessfulif r["success"]: # loop over the predictions and display them for (i, result) in enumerate(r["predictions"]): print("{}. {}: {:.4f}".format(i + 1, result["label"], result["probability"]))# otherwise, the request failedelse: print("Request failed")



我们在第10行以二进制模式读取图像并将其放入有效负载字典。负载通过请求发送到服务器。在第14行发布。如果我们得到一个成功消息，我们可以循环预测并将它们打印到终端。我使这个脚本很简单，但是如果你想变得更有趣，你也可以使用OpenCV在图像上绘制最高的预测文本。

第七部分：运行简单的请求脚本

编写脚本很容易。打开终端并执行以下命令(当然，前提是我们的Flask服务器和Redis服务器都在运行)。

• python simple_request.py



使用Python以编程方式使用我们的Keras深度学习REST API的结果

第八部分：扩展深度学习REST API时的注意事项

如果您预期在深度学习REST API上有较长一段时间的高负载，那么您可能需要考虑一种负载平衡算法，例如循环调度，以帮助在多个GPU机器和Redis服务器之间平均分配请求。

记住，Redis是内存中的数据存储，所以我们只能在队列中存储可用内存中的尽可能多的图像。

使用float32数据类型的单个224 x 224 x 3图像将消耗602112字节的内存。

❸ 电脑开机出现unable to open the script file如何解决

电脑开机出现unable to open the script file是设置错误造成的，解决方法为：

1、首先需要确定tomcat环境变量已经配置好了，然后按win+R键打开运行，输入“cmd”。