基于Linux学习基本命令(二)

目录和文件管理
linux目录结构
树形目录结构
根目录
所有分区、目录、文件等的位置起点

整个树形目录结构中,使用独立的一个“/”表示

常见的子目录

 

/root 管理员的家目录 (宿主目录)

/home 普通用户的家目录(宿主目录)

/bin 所有用户可执行的命令文件目录

/sbin 管理员可执行的管理命令文件目录

/boot 系统内核、启动分区文件(grub启动菜单,压缩内核等)

/usr 应用程序目录

/etc 配置文件目录

/var 可变长文件目录(比如:日志文件等)

/dev 设备文件目录(磁盘/光驱等)

/tmp 临时文件

/proc 硬件信息(CPU、内存)

/lib 服务管理文件(systemctl)

media 多媒体文件

查看文件内容cat命令
cat命令
用途:显示出文件的内容
cat  [选项]  文件名...
1
示例:
[root@localhost ~]#cat  /etc/hosts

[root@localhost ~]#cat  /etc/sysconfig/network

[root@localhost ~]#cat  /etc/sysconfig/network /etc/hosts
1
2
3
4
5
短板:只能看到最后一页内容
查看文件内容more命令
more命令
用途:全屏方式分页显示文件内容
more [选项] 文件名…

交互操作方法:
按Enter键向下逐行滚动

按空格键向下翻一页

按B回翻

按Q键退出

短板: 到最后一页后无法回翻

查看文件内容less命令
less命令
用途:与more命令相同,但扩展功能更多
less [选项] 文件名…

交互操作方法
使用Page Up和Page Down 键翻页

按“/”键查找内容,“n”下一个内容,“N”上一个内容

其他功能与more命令基本类似

centos7各指令:
init 0 关机

init 1 单用户模式字符界面(系统维护时使用,破解密码可用)

init 2 多用户模式无网络字符界面

init 3 多用户模式有网络字符界面**

init 4 保留

init 5 多用户模式图形化界面**

init 6 重启 (reboot 也可重启)

查看文件内容head、tail命令
head命令
用途:查看文件开头的一部分(默认为10行)
head -n 文件名   (n行数)
1
tail命令
用途:查看文件结尾的少部分内容(默认10行)
tail  -n   文件名...
1

tail  -f   文件名
1
新用户都会添加到末尾,所以查看新建用户可以直接tail -2 文件名


统计文件内容wc命令
wc命令
用途:统计文件中的单词数量(Word Count)等信息
wc  [选项]… 目标文件…
1
常用命令选项
-l:统计行数

-w:统计单词个数

-c:统计字节数

与du的区别
du 统计的是容量

wc统计的是内容

**检索和过滤文件内容grep命令
grep命令(过滤)
用途:在文件中查找并显示包含指定字符串的行
grep  [选项]...  查找文件  目标文件
1
常用命令选项
-i: 查找时忽略大小写

-v: 反转查找,输出与查找条件不相符的行

查找条件设置
要查找的字符串以双引号括起来

“^……”表示以……开头, "……$"表示以……结尾

”^$“表示空行

过滤示例:

反向过滤示例:


Ctrl+r 命令搜素

查找以bash为结尾的文件并统计行数(统计当前系统中不可以被shell终端登录的用户数量)


压缩命令gzip、bzip2命令
gzip命令、bzip2命令(zip也可使用,辅)
用途:制作压缩文件、解开压缩文件
gzip  [-9]  文件名...

bzip2  [-9] 文件名...

gzip  -d .gz格式的压缩文件

bzip2  -d   .bz2格式的压缩文件
1
2
3
4
5
6
7
常用命令选项
-9 表示高压缩比 文件小 ( 压缩后源文件直接归到压缩包里)

-d 解压缩 ( 解压缩后压缩包直接没了,转成文件)

gunzip命令
gunzip 等价于 gzip -d
gunzip  mkfile.gz
1

gzip -d  mkfile.gz
1
bunzip2 命令
bzip2 和 bunzip2 命令的用法与gzip、gunzip命令基本相同

归档命令tar命令
tar命令
用途:制作归档文件、释放归档文件
tar  [选项]...    归档文件名   源文件或目录
1

tar  [选项]...    归档文件名    [-C 目标目录]
1
常用命令选项:
-c 创建压缩包

-x 解压

-v 显示详细过程

-f 表示执行

-p 保留原有权限

-t 查看压缩包内容

-C 解压到的路径 就是姐要到哪里去

-z gzip格式

-j bzip2格式

示例:多个同时压缩成一个包,源文件还在

解压到home,源压缩包还在


文本编辑器vi命令
文本编辑器的作用
创建或修改文本文件
维护Linux系统中的各种配置文件
Linux中最常见的文本编辑器
vi:类UNIX操作系统的默认文本编辑器
vim:vim是vi文本编辑器(一般简称为vi编辑器)的增强版本
vi编辑的工作模式
三种工作模式
命令模式: 初始进入页面

输入模式:

a(在光标所在位置之后进行插入)

i (在光标所在位置之前插入)

o(在光标所在位置的下一行插入)

O(在光标所在位置的上一行插入)

Esc返回命令模式

:进入末行模式

末行模式 “:” (替换、保存、退出)

模式切换都需要经过命令模式作为中转
不同模式这几件的切换


光标移动


:set nu! 也是取消行号显示
复制、粘贴、删除(实用)


dw (delete world) 删除单词

shift+r 替换

粘贴:

P(大p)粘贴到光标上

p(小p)粘贴到光标下

上下行互换:ddp

文件内容查找


撤销标记及保存退出


zz小写也可以 (等同于wq)
末行模式的基本操作
保存文件及退出vi编辑器


打开新文件或读入其他文件内容


文件内容替换


总结
使用cat、more 、less、head、tail命令可以查看文件
使用wc、grep命令可以统计、检索文件内容
使用gzip、bzip2命令可以制作及释放压缩文件,使用tar命令可以制作或释放归档文件,结合“-z”“-j”选项还能够自动调用压缩工具

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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