一些linux的命令的整理

最好不要改根目录下的东西,在root home等下面建立东西,这样不会改变虚拟机原有的那些设置

cat ls wc 三种对比:

 

Wc中统计1.c里面的行数,字节数,字数

软,硬链接

 

硬链接不能是文件夹,且和原文件没区别,

软链接可以是文件夹ln -s 1 1.1 变成可写

 

 

Tar解压缩

[root@localhost ~]# tar -cvf dym.tar dym

dym/

[root@localhost ~]# tar -czvf dym.gz dym

dym/

[root@localhost ~]# tar -czvf dym.zg dym

注意如果带文件格式一定要正确

  

 

编译器gcc(注意:gcc里面的编译步骤:预处理成.i,编译成汇编语言.s,汇编翻译成机器语言.O,链接得到一个可执行的二进制文件这四个步骤是一个承载关系,若前面的一个有改动之后的也要改变)

 

 

调试器Gdb

gcc -g fun.c -o test生成一个可执行的文本文件,然后通过命令gdb test来进入调试

l只能显示十行的内容,若想显示前十行的内容需要l 1

b设置断点(断点一般设置的是有用的比如设置变量那儿这样执行能找到出错点)

i b查看断点信息

c继续执行

d+编号 删除改断点(不加全部删除断点)

Clear+行号删除断点

P +变量名 显示变量值

s进入调用函数

return 退出调用函数

 n只在主函数进行

q退出gdb

 

 

 

Cp

 

 

如果目标文件不存在,复制的是源文件这个里面的内容

如果目标文件存在,复制的是这个文件到目标文件里面

 

Make

  1. 没有用到makefile
     
     
    但是当文件特别多的时候这种就比较麻烦,这个时候就用到了makefile(能将一个分散的程序识别放在一起)

  2. Makefile里面的内容:
     
     
     
     
    (3)能自动识别只要看到一个.o文件自动把.c文件加在依赖关系中
     
     
     
     
    Makefile中
     
    *.o删除所有包括.o的文件
     
     
    执行完再make会显示这个可行文件时最新的,如果这个时候进入例如add.c文件再保存退出就相当于这个文件更新了,那么再make就只执行add.C这个文件(相当于很多文件如果其中某项出了问题那么makefile会自动有这个功能只操作这一项)
     
     
  1. 当遇见很多文件可以用一个变量代替
    OBJECTS=sub.c add.c operator.c   #定义变量
    $(OBJECTS)  #使用变量
     
    进入makefile然后写
     
     
     
     
     
     
     
     
    注意划线部分,进入makefile里面改变的只是这个makefile里面的设置,要更新还是operator这个可执行文件里面的,例如进入add.C这个文件里面。
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