[ubuntu11.04]给程序添加快捷方式


2011-05-22 21:21:40|  分类: Win7+Ubuntu+xp系 |举报 |字号 订阅

下载LOFTER客户端
(适用于所有ubuntu版本)
今天下载Opera浏览器之后自己安装的,目录在/opt/opera下。

不过悲剧的是在应用程序中没有显示启动的快捷方式,那么就自己添加了。
用命令行的形式。

linux下的文件夹很有规律,安装的所有程序的启动快捷方式一般都会出现在/usr/share/applications中。
我们就在这里添加一个快捷方式,启动终端。

第一步:建立快捷方式。
随便找个地方新建一个空文件,可以不用后缀名,最好不要新建在桌面上。
我在“文档”目录下新建了一个文件:Opera 没有后缀

第二步:写入关联。
编辑新建的Opera文件。
sudo gvim Opera
在文件中添加如下代码:
[Desktop Entry]
Name= Opera11
Comment= Opera11
Exec= /opt/opera/bin/opera
Icon= /opt/opera/share/icons/hicolor/128x128/apps/opera-browser.png
Terminal=false
Type=Application
Categories= Application;Network

以上红色部分解释:
name后面的是快捷方式的名称,comment是对快捷方式的注释,随便写。
Exec后面的是想要建立快捷方式应用程序的启动程序的地址。
Icon是快捷方式使用的图片。
Categories是这个快捷方式的分类,他将出现在那一类中,第一个一般写Application。
后面可以有多个,用;隔开。
--------------------------------
互联网 Network
办公 Office
图像 Graphics
声音和视频 AudioVideo
系统工具 System
编程 Development
辅助选项 Utility
首选项 Settings
----------------------------------
第三步:放入applications文件夹中
保存好编辑好的文件之后,重命名为:Opera.desktop
右击该文件,在“属性”---“权限”---勾选“允许以程序执行文件”。然后看到后缀名不见了,而且图标变样了,这时其实已经可以双击运行了。最后将这个快捷方式移动到applications中;
sudo mv Opera.desktop /usr/share/applications/
大功告成,在互联网中就有Opera浏览器的快捷方式了。
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