Thiago Coelho Vieira tcvieira

Deep Web Links

Links para acesso na Deep Web via Tor Browser

Lista de Links

Acesso ao GCP e servidor Jupyter pela rede ISC

Solução para contornar o problema de tunelamento usando ssh para acessar o Jupyter notebook que é bloqueado pelo firewall da rede wifi do ISC, onde ocorrem os encontros presenciais do grupo de estudo em Deep Learning de Brasília.

A ideia é tornar o servidor jupyter executando no Google Cloud Platform (GCP) acessível para rede externa, diretamente por seu IP, sem a necessidade de tunelamento via ssh.

Alterando as configurações da instância na console GCP

https://console.cloud.google.com/networking/addresses/

Logado na console GCP, acessar o endereço acima e reservar um endereço IP estático: "Reserve Static Address".

Instalando ngrok no Google Cloud Shell

Para contornar o problema de tunelamento usando ssh para acessar o Jupyter notebook. A ideia é usar o ngrok para acessar o jupyter sem a necessidade de tunelamento via ssh.

Abrindo o Google Cloud Shell

https://console.cloud.google.com/compute/instances

Inicie a instância e abra o shell:

	#!/bin/bash
	# Sometimes you need to move your existing git repository
	# to a new remote repository (/new remote origin).
	# Here are a simple and quick steps that does exactly this.
	#
	# Let's assume we call "old repo" the repository you wish
	# to move, and "new repo" the one you wish to move to.
	#
	### Step 1. Make sure you have a local copy of all "old repo"
	### branches and tags.

	def reduce_memory_usage(df, verbose=True):
	numerics = ["int8", "int16", "int32", "int64", "float16", "float32", "float64"]
	start_mem = df.memory_usage().sum() / 1024 ** 2
	for col in df.columns:
	col_type = df[col].dtypes
	if col_type in numerics:
	c_min = df[col].min()
	c_max = df[col].max()
	if str(col_type)[:3] == "int":
	if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:

	# Computing correlation coefficients
	x_cols = [col for col in data.columns if col not in ['output']]

	for col in x_cols:
	corr_coeffs = np.corrcoef(data[col].values, data.output.values)

	# Get the number of missing values in each column / feature variable
	data.isnull().sum()

	# Drop a feature variable