bash初认识2环境变量和自定义变量

一环境变量和自定义变量

环境变量是可以被全部进程使用的变量,类似与全局变量

自定义变量只能被当前进程所使用,类似与局部变量

自定义变量转换成环境变量:export 变量名字

1.将自定义变量转换成环境变量

[root@westos ~]# name=sd
[root@westos ~]# bash  ##开启一个新的子进程
[root@westos ~]# echo $name

[root@westos ~]# exit   ##在子进程里面没有输出name的值,退出子进程
exit
[root@westos ~]# export name
[root@westos ~]# name=sd
[root@westos ~]# bash
[root@westos ~]# echo $name
sd
[root@westos ~]# echo $name  ##由于name被设置为环境变量,所以子进程可以使用
sd
[root@westos ~]# exit
exit
[root@westos ~]#
局部变量转换成环境变量的过程:

1.当启动一个shell时候,操作系统会分配一段空间记忆块给shell使用,子shell可以继承父shell的这个记忆块

2.当在一个进程中使用export这个修饰变量时候,变量被自动加载在这个记忆块中,这个记忆块中的所有变量,都被子进程使用

二read的使用方法

read 变量名字:为这个变量名字赋值,通过键盘输入

[root@westos ~]# read name
bacjk

reat -t 变量名字  :会等待t秒,在ts内为变量赋值,否则取消这个命令

[root@westos ~]# read -t 30 name
naalkca
[root@westos ~]# echo $name
naalkca
read -p 一段字符串提示  变量名字

[westos@westos ~]$ read -p "input your name:" name
input your name:rise
[westos@westos ~]$ echo $name
rise

declare的使用方法:

declare 选项  变量名称

选项选项含义
-i将变量设置为数字类型
-r将变量设置为只读类型
-a将变量设置为数组类型
-x将变量设设置为环境变量

[root@westos ~]# sum=100+200+300
[root@westos ~]# declare sum
[root@westos ~]# sum=100+200+300
[root@westos ~]# echo $sum  ##输出sum
100+200+300
[root@westos ~]# declare -i sum=100+200+300 ##定义成数字类型
[root@westos ~]# echo $sum
600


默认类型为字符串,所以100+200+300被当成字符串处理 
将自定义变量设置为环境变量

declare -x sum

将环境变量设置为自定义变量

declare +x sum

[root@westos ~]# declare -x sum
[root@westos ~]# export | grep sum
declare -irx sum="600"

declare -r sum:设置为只读

[root@westos ~]# declare -r sum
[root@westos ~]# sum=o
-bash: sum: readonly variable

declare -p sum:类变量的类型

[root@westos ~]# declare -p sum
declare -irx sum="600"
//将sum设置为自定义变量
 [root@westos ~]# declare +x sum
[root@westos ~]# declare -p sum
declare -ir sum="600"





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