shell的执行问题

最近在一个项目的自动化编译中遇到一些窝火shell的问题,在这里分享跟大家。


很多时候执行一个脚步可以有很多种方式,如:

source test.sh  . test.sh

./test.sh   /xx/xxx/test.sh

bash test.sh  sh test.sh

如果在要求不高的情况下,上面的方式都是可执行的,比如你的脚步如下:


source . bash sh 执行脚本的时候 脚步对 source . bash sh 是有依赖的

./test.sh /xx/xxx/test.sh 则要求文件要有执行权限。


但很多时候是要求我们区分这些细节的。

source 和 .是等价的,执行的时候类似 C语言中的include,是在当前进程环境中执行。

bash 和 sh (如果sh指向bash), 那也是等价的,脚步被bash 装载,由bash来执行,fork了新进程

./test.sh   /xx/xxx/test.sh 也是创建新进程来执行的。


忠告1. 请尽量在脚步前面加上路径

用下面的方式执行

执行结果是一样的吗?

如果文件在当前目录,在终端手动输入上面两条命令结果是一样的,都能输出 hello

但是如果有下面脚本呢


用source的方式执行


我们可以看到,执行的结果是一样的

但是直接执行呢?


 我们发现soruce test.sh 不能正常执行,为什么呢?不是一样吗? 当前目录也是有这个文件的啊

source 执行一个脚步本,脚步运行的时候环境和shell终端输入时的环境是一样的,

打印为


这个时候处于非POSIX模式,执行的时候可以从当前目录中搜索文件

但是./test0.sh的时候发现


这时处于POSIX模式,搜索的文件需要带文件路径, ./形式的相对路径还是绝对路径都能找到文件。 

为了方便脚步的移植,建议使用绝对路径。


忠告2. 尽量不要用source执行一个脚步

我们先来看一个脚本


这里打印了参数个数和第一个参数,

但是我们用下面的脚本来加载执行,结果会一样吗?


运行结果如下:


我们发现结果并不一样:

运行,显示有有一个参数


 运行,显示0个参数。

为什么呢?

test0.sh 运行环境是 test1.sh 的顶层环境,./test0.sh 11 运行,显示顶层环境有1个参数,$1 是11

source 方式运行同顶层环境,没有fork子进程,所以test1.sh获取了顶层的参数环境,也有1个参数

./test.sh方式运行的时候,新fork了一个进程,所以参数个数为0


这种差异比较微小,在很多情况下,不会影响正常运行,但是如果在子shell中对参数做了判断,则可能会导致运行环境紊乱。

最怕的是这种情况出现在一个大的项目中,这个时候就会很难找出这个bug。


所以能直接执行尽量直接执行,能用绝对路径的尽量用绝对路径。

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