Linux——bash基础特性(1)

Linux的基础特性:

(1)历史命令

	history
		环境变量:
			HISTSIZE:命令历史记录的条数;
			HISTFILE:~./bash_history;
			HISTFILESIZE:命令历史文件记录历史的条数
		
		history -d OFFSET  删除offset条
		-c	清除历史
		
		history #:显示历史最近的#条命令
		-a:手动追加当前回话缓冲区的命令历史至历史文件中

	调用历史中的命令:
	!#:重复执行#条命令
	!!:上一条命令
	!String	:最近一个以string的命令

	控制命令历史的记录方式
		环境变量:HISTCONTROL
			ignoredups:忽略重复的命令;连续且相同方为”重复“;
			ignorespaces:忽略所有以空白开头的命令:
			ignoreboth:ignoredups,ignorespaces;
		修改环境变量的方式:export 变量名="值"
			变量赋值:把赋值符号后面的数据出处与变量名指向内存看空间

(2)命令不全

	bash执行命令:
		内部命令:
		外部命令:bash根据PATH环境变量定义的路径,自左而右在每个路径搜寻以给定命令命名的文件,
					第一次找到即为要执行的命令;
		
			直接不全:Tab,用户给定的字符串只有一条唯一对应的命令;
			以用户给定的字符串开头对应的命令不唯一,则再次tab列出列表

(3)路径不全

	用户给定的字符串当做路径开头,并在其指定上级目录下搜索以指定的字符串开头的文件名;
	Tab,用户给定的字符串只有一条唯一对应的路径;

(4)命令行展开

	~:展开为用户的主目录
	~USERNAME:展开为指定用户的主目录
	{}:可承载一个逗号分隔的列表,并将其展开为多个路径
		/tmp/{a,b} = /tmp/a,/tmp/b
		/tmp/{tom,jerry}/hi = /tmp/tom/hi,/tmp/jerry/hi

(5)命令的执行结果状态

	成功
	失败

	bash使用特殊变量$?保存最近一条命令的执行状态结果
		0:成功
		1-255:失败
	
	程序执行有两类直结果:
		程序的返回值;
		程序的执行状态结果;
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