shell笔记_bash基本特性

1、命令历史  

作用:查之前使用的命令

关于命令历史的文件   

  1. 每个用户家目录下面的 .bash_history   
  2. 在关机的时候,会自动写入一次 (history -a  将内存中的命令历史写入文件)  

关于命令历史的变量(环境变量)   

  1. env  //查看环境变量   
  2. set  //常看更详细的环境变量参数   
  3. HISTSIZE=1000 数量   
  4. HISTCONTROL=ignoredups    
  5. Ignoredups  忽略重复的历史命令  --  连续且相同,才叫重复    
  6. Ignorespace  忽略空白开头的历史命令,“键入空格开头则不会被记录”    
  7. Ignoreboth  两者都生效   
  8. HISTFILE=/root/.bash_history   HISTFILESIZE=1000
  9. history 的常见操作   

             查看命令历史     !#  #表示数值,执行#行的命令        !string  匹配最近一次的字符串           !!  上一条命令     

             *!$*  上一条命令的最后的一个参数        ls /etc    ls !$    ESC+.    

                  常见的选项:      -a   -d   -c   history #   显示最近 # 行的命令

2、命令补全   tab   1、提示 2、自动补全 

                       扩展:制表符  \t  四个空格键

3、目录补全  tab   1、提示  2、自动补全

4、命令展开—date命令  

{ ,}  Linux的目录需要遵循什么规则? --  FHS目录规则

 属性1  属性2  

  a           1       

   b          2

 mkdir -pv /var/{a,b}-{1,2}

 date  基于date命令来创建目录   

  • %F  CCYY-mm-dd   
  • %T  hh:MM:ss   
  • %D  mm/dd/YY   
  • %H  hh   
  • %M  MM   
  • %S   ss   
  • %Y   CCYY      

练习:通过for语句循环创建一个月的日志文件;.log   2019-08-6.http.log   

touch `date +%F`.http.log

for i in {1..30};do    

           touch `date +%Y-%m-$i`.http.log   

done  

tar   压缩工具   1234lfjkfoajf3o2u34o2jlr lwjro32rlf1234e    1234=ax   

【压缩 只能对文件进行操作,而不能对目录进行操作】   

  • gzip    
  • bzip2   
  • xz   
  • zcat  //查看压缩文件且不解压  

tar的常见参数:   

tar 归档工具【可以对目录进行操作】  

  •  -j  bzip2  
  •  -J  xz   
  • -z  gzip   
  • -c  create  
  • -x  extract  //可以不用指定解压的工具  
  • -f  指定文件名  
  • -v  显示详细信息 verbose   
  • -t  不解压查看内容 和 zcat 一样  

tar cjvf 2018-08.http.log.bz2 2018-08-*.http.log  

tar xvf 2018-08.http.log.bz2 -C abc

 练习:编写脚本,每天02:20   备份/etc/目录中所有文件,名称为当天日期;且保存文件为压缩文件;  crontab -e -- 20 2 * * * /root/xxx.sh  vim xxx.sh   #!/bin/bash   

  #   

   tar cJvf /var/`date +%F`.xz /etc/  

   chmod +x xxx.sh    

补充:    clock  /   hwclock  常看硬件时钟 (如果同步系统时钟与硬件时钟)   cal  日历

5、命令的执行状态  

在Linux中,每一条命令执行后都会有两个结果:  命令本身放回的内容  其次,命令执行的结果状态

$?  变量,就是用来存放命令执行状态的变量;  0  表示成功状态(和Python正好相反)  1-255  表示失败状态

 [ $? -eq 0 ] && exit 0 || exit 1

6、命令的快捷键  

  • ctrl + l     //清屏
  • ctrl + c     //结束当前进程
  • ctrl + u     //删除光标前的字符
  • ctrl + k     //删除光标后的字符  
  • ctrl + a      //跳到光标头
  • ctrl + e     //跳到光标尾
  • ctrl + w //以空格为分隔符,去删除文件
  • ctrl + r //进入一个交互界面,搜索最近一次使用的命令(要输入string)

7、alias别名  

系统启动时读取一些特殊文件的顺序;    

alias  

alias cdnet="cd /etc/sysconfig/network-scriptes"  //这种方式定义alias只能在当前shell生效;

/etc/profile  :  定义环境变量(所有用户) -- EXPORT HISTCONTROL=XXX  

/etc/bashrc : 定义本地变量--alias(所有用户)

~/.bash_profile : 定义环境变量(指定用户)  

~/.bashrc :  定义本地变量--alias(指定用户)

 sources /etc/profile  或者  . /etc/profile

8、文件通配符  -- globbing

 【文件通配符不是正则表达式】

?   任意单个字符  

*   任意长度的任意字符  

[]   指定范围内的任意一个字符  

[^] 指定范围以外的任意一个字符     

     [0-9A-Za-z]   

    [0-9] [a-z]  [A-Z]  [a-zA-Z]  

指定字符类:   [:alnum:], [:alpha:], [:cntrl:], [:digit:], [:graph:], [:lower:], [:print:],         

                      [:punct:], [:space:], [:upper:], and [:xdigit:]      ^[[:space:]]*$   //有空格键的空行(正则表达式)

转载于:https://www.cnblogs.com/baocx/p/11378368.html

  • 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。第二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