shell学习

1.  变量赋值与环境

export   name [=word]  ---------定义或修改变量及其值

export -p--------  打印命令的名称以及所有被导出的变量名称与值

readonly   name   [=word]---------定义不可修改的变量及其值

readonly    -p  -----------打印出只读的所有变量与值  

env   [var =  value]  [ command_name  [ argument........] ] ----------从程序中删除变量

env  -i -------忽略继承的环境,仅使用命令行给定的变量与值

unset   name  ------删除变量

unset  - v   name1    name2 .......---------删除变量1,变量2。。。。。

unset  -f    function  -----------删除指定函数

 

2. 替换运算符

 $ {  varName [ : ] -word }    ----如果varName存在[ 且不为null ] ,则返回其值,否则返回word。一般用在变量未定义时返回默认值

${ varName [ : ]  =word }-------  同上。。。。。。。。,否则设置它的值为word,并返回其值。

${ varName [ : ]  +word}-------同上。。。。。。。。。,否则返回null。一般用来测试变量的存在。

${ varName [ : ]  ?message}-------同上。。。。。。。。,否则显示varName:message,并退出当前命令会脚本。省略message会显示默认信息:parameter null  or  not  set。一般用来捕捉变量未定义导致的错误.

 例如:

假设count未定义,则$ { count  : -1 } 返回值为1 ,$ { count  : =0 } 设置count为0 ,

假设count已定义,则$ { count  : +2 }  返回2,

 

 3. 模式匹配运算符

${ variable  #  pattern  }-------如果模式匹配于变量值开头处,则删除匹配的最短处,并返回剩下的部分。

${ variable  ##  pattern  }-------同上。。。。。。。。。。则删除匹配的最长处,并返回剩下的部分。

${ variable  %  pattern  }-------如果模式匹配于变量值的结尾处,则删除匹配的最短处,并返回剩下的部分。

${ variable  % %  pattern  }-------同上。。。。。。。。,则删除匹配的最长处,并返回剩下的部分。

 

$ { #variable }  --------返回$variable的字符长度

 filename ={ 1 :- /dev/null }    给定参数则使用它,否则使用/dev/null。

  例如:

假设变量path的值为/home/lucky/long.file.name ,则有

      ${path  #  / * /  }   结果为lucky/long.file.name 

      ${ path  ##   / * /   }  结果为long.file.name 

      ${ path  %   .*    }  结果为/home/lucky/long.file

      ${ path  %%   . *   }   结果为/home/lucky/long

 

4. 位置参数

$#        提供传递到shell脚本或函数的参数总数 

$*, $@       一次表示所有用命令行的参数。可用来把命令行参数传递给脚本或函数所执行的程序。

" $* "       将所有命令行参数视为单个字符串,等同于“  $1  $2.......    ”

"$@"      将所有命令行参数视为单独的字符串,等同于“$1 ”     、“ $2  ”  “$3”。。。。。,他会保留内嵌在每个参数里的任何空白。

shift命令用来“截去”来自列表里的位置参数,从左开始,执行后$1的初始值永远消失,取而代之的是$2的旧值,$2的之值变为$3的旧值,以此类推。$#的值依次减1,也可使用参数值改变每次截去的参数个数。

 

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值