redhat命令操作(二)

linux系统结构

1.

linux系统结构是倒树型

2.
/bin                       //二进制可执行文件也就是系统命令
/sbin                         //系统管理命令存放位置
/boot                          //启动分区,负责系统启动
/dev                         //设备管理文件
/etc                        //大多数系统管理文件
/home                        //普通用户的家目录
/lib                          //32位系统库文件存放位置
/lib64                       //64位系统库文件存放位置
/media                       //系统临时设备挂载点
/mnt                       //系统临时设备挂载点
/run                            //系统临时设备挂载点
/opt                        //第三方软件安装位置
/proc                     //系统信息
/root                        //超级用户家目录
/srv,/var            //系统数据
/sys                      //系统管理,主要是关于内核的
/tmp                  //系统临时文件存放位置
/usr                   // 系统用户相关信息数据及用户自定义软件存放位置

系统文件路径

绝对路径
文件在系统的真实位置,文件名字以“/”开头
相对路径
文件相对与当前所在位置的一个名字的简写,这个名字不会以/开头,而且名字会自动添加pwd显示的值

pwd        ##显示但前在系统的位置


ls        

    list    ##列出目标文件,或者列出目录中的内容
    -a    ##列出所有
    -l    ##列出文件属性ls -l /bin/touch
    -s    ##列出文件大小
    -R    ##第归列出
    -d    ##指定目录本身
        -Rl     ##列出目录和它的子文件


cd        

    chage directory ##进入目标目录中

    ~        ##回到当前用户家目录
    ~username    ##进入到指定用户家目录
    ..        ##进入当前目录的上一级
    -        ##进入之前所在系统目录


touch            //新建文件



mkdir        

    make directory    ##建立目录
    -p        ##递归建立目录



cp 被复制文件 目的地

    -r    ##递归复制,用于复制目录


mv 被移动文件    目的地

mv 老名字    新名字
mv test/file .    ##把test/file移动到当前(.)

强制删除

rm -f    #强制删除文件
rm -fr    #强制删除目录

vim

vim filename
按 i 键进入插入模式
文件编写完毕按 esc 推出到浏览模式
:wq 保存推出

通配符(正则表达式)

*    #匹配0-任意字符
?    #匹配任意单个字符
~    #匹配当前用户家目录
~user    #匹配到user的家目录
~+    #当前目录
~-    #当前目录之前所在的
[abc]    #有a或者有b或者有c
 eg:mv text/*[[:digit:]]* .#把test/里面含有数字的文件移当前[!abc]    #除了含有a或者b或者c
[^abc]    #除了含有a或者b或者c
[[:alpha:]]    ##单个字母
[[:lower:]]    ##单个小写字母
[[:upper:]]    ##单个大写字母
[[:alnum:]]    ##单个字母或数字
[[:punct:]]    ##单个符号,不包含数字,字母以及空格
[[:digit:]]    ##数字
[[:space:]]    ##单个空格
eg:rm *[[:digit:]]* #删除当下含有空格的文件

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