认识 Linux 档案属性及档案配置(转)

认识 Linux 档案属性及档案配置(转)[@more@]  Linux 档案属性:
   认识档案
  如果您已经安装好了 Linux ,并且已经以 root 的身份登入了这架主机,那接下来要做些啥?我想,你应该先试着了解一下 Linux 的主要档案属性,以免不小心砍了一些重要的档案,或者当以一般使用者身份登入时,产生无法进入一些没有权限之目录的情况!
  首先,进入 Linux 之后,你可以如下输入一个可以观看档案属性的指令: ls -al
  [root @tsai root]# ls -al -rw-r--r-- 1 root root 1422 Jun 18 17:20 .Xdefaults -rw-r--r-- 1 root root 24 Jun 18 17:20 .bash_logout -rw-r--r-- 1 root root 230 Jun 18 17:20 .bash_profile -rw-r--r-- 1 root root 124 Jun 18 17:20 .bashrc drwxr-xr-x 3 root root 4096 Jun 18 17:20 .kde -rw-r--r-- 1 root root 435 Jun 18 17:20 .kderc -rw-r--r-- 1 root root 3394 Jun 18 17:20 .screenrc drwxr-xr-x 5 root root 4096 Jun 18 17:20 Desktop lrwxrxwrwx 1 root root 10 Jun 18 17:21 link_file -> /home/vbird/test -rw-rw-rw- 1 root root 238 Jun 18 17:22 test.txt 第一栏 二 三 四 五 六 七 [档案属性][档案数][拥有者][所有者群组][大小][建档日期][档名]
  ls 是『list』的意思,而参数『-al』则表示列出所有的档案(包含隐藏档)。如上所示,在你第一次登入 Linux 时,如果你输入指令后,应该有上列的几个东西,先解释一下上面七个栏位个别的意思:
  1.第一栏代表这个档案的属性,仔细看的话,你应该可以发现这一栏其实共有十个属性,第一个属性代表这个档案是『目录、档案或连结档』当为[d]则是目录;为[-]则是档案,若是[l]则表示为连结档(link file)。接下来的属性中,三个为一组,且均为『rwx』的三个参数的组合。其中,[r]代表可读、[w]代表可写、[x]代表可执行,而第一组为『所有人的权限』、第二组为『同群组的权限』、第三组为『其他非本群组的权限』,若有一个档案的属性为『-rwxr-xr--』,简单的可由下面说明之:
  [-][rwx][r-x][r--] 1 234 567 890 1 为:代表这个档名为目录或档案(上面为档案) 234为:拥有人的权限(上面为可读、可写、可执行) 567为:同群组使用者权限(上面为可读可执行) 890为:其他使用者权限(上面为仅可读)
  2.上面的情况代表一个档案、这个档案的拥有人可读可写可执行、但同群组的人仅可读与执行,非同群组的使用者仅可读的意思!
  3.第二栏表示有多少档案在这个目录(若为1则通常为档案);
  4.第三栏表示这个档案(或目录)的『拥有人』;
  5.第四栏表示拥有人的群组;
  这里解释一下,在 Linux 中,你的 ID (如 root 或 vbird 等帐号均是 ID)即是你的身份,而且你还有附属在一个群组之下,例如你有一个团体(即群组)代号为 bird,且这个群体里有四个人,其代号分别是 bird1, bird2, bird3, bird4,则这四个人为同一群组即 bird!若看上面的情况,则代表所有人为 root 且群组为 root (群组与所有人名称可以相同)
  6.第五栏为这个档案的大小;
  7.第六栏为这个档案的建档日期,分别为月份、日期及时间;
  8.第七栏为这个档案的档名,如果档名之前多一个『 . 』,则代表这个档案为『隐藏档』,例如上表第二行的『.Xdefaults』档名即是隐藏档,由于我们有下一个参数为 ls -al,所以连隐藏档都列出来,如果你只输入 ls 则档名有加『 . 』的档案就不会被显示出来!

   举个例子来说,如果有下面的两个档案:
  -rw-r--r-- 1 root root 238 Jun 18 17:22 test.txt -rwxr-xr-- 1 bird1 bird 5238 Jun 19 10:25 ping_tsai
  则档案『 test.txt 』只有 root 可以读写,其他人仅可以读;而另一个档案『 ping_tsai 』所有人 bird1 可读可写可执行,而 bird2, bird3, bird4 这三个与 bird1 同样是 bird 群组的仅可读可执行但不能写(亦即不能修改),至于非 bird 这一个群组的人则仅可以读,不能写也不能执行!

   连结档
  另一个比较有趣的档案是连结档。如果你常常将应用程式捉到桌面来的话,你就应该知道在 Windows 底下有所谓的『捷径』,你可以将 linux 下的连结档简单的视为一个档案或目录的捷径。但是基本上这两个东西是不一样的!在 Windows 系统的捷径中,你将无法修改主程式,但是在 Linux 中,连结档可以直接连结到主程式,因此你只要改了这个连结档,则主程式亦被改变了!

   一些档案的分别
  通常在 Linux 底下会有颜色来显示每一种档案型态,主要有底下几种档案型态:
  ·一般档案:档案的第一个属性显示 - ;
  ·目录: 如果你只输入 ls -l 来察看档案的时候,可以看到档案第一个属性为 d;
  ·可执行档:可以看到档案属性会有 x 这个属性;
  ·压缩档:基本上,只要档案是 .Z .z .gz .zip .tgz 都是压缩档喔!
  Linux 档案配置:
  如果你是以系统管理员(root)的身份登入这部 Linux 机器,则你的路径应该是在 [root@tsai root]# 底下,这时你可以输入:
  [root @tsai root]# cd ..
  会回到根目录『/』下,再输入刚刚学过的指令『ls -al』则会看到如下的画面:
  
QUOTE:

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/10617731/viewspace-947433/,如需转载,请注明出处,否则将追究法律责任。

user_pic_default.png
请登录后发表评论 登录
全部评论
<%=items[i].createtime%>

<%=items[i].content%>

<%if(items[i].items.items.length) { %>
<%for(var j=0;j
<%=items[i].items.items[j].createtime%> 回复

<%=items[i].items.items[j].username%>   回复   <%=items[i].items.items[j].tousername%><%=items[i].items.items[j].content%>

<%}%> <%if(items[i].items.total > 5) { %>
还有<%=items[i].items.total-5%>条评论 ) data-count=1 data-flag=true>点击查看
<%}%>
<%}%> <%}%>

转载于:http://blog.itpub.net/10617731/viewspace-947433/

  • 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