2015-08-09

今天学习了7.2章节,主要是最基本的文件与目录管理的几个指令。

1、查看文件和目录指令: LS

#ls [-aAdfFhilnrRSt]  目录名字    基本控制参数

#ls[--color={never,auto,always} ]目录名字    设置显示颜色

#ls[--full-time]目录名字    显示系统文件时间

-a\-l最重要  -al

2、复制、删除与移动:cp、 rm、 mv:

cp(复制文件或目录)

#cp [-adfilprsu] 源文件(source)   目标文件(destination)

#cp [options] source1 source2........directory

这个命令非常重要,不同身份使用会有不同的结果,尤其是-a、-p参数,需要仔细揣摩。


【root@www ~】#cp ~/.bashrc /tmp/bashrc    用root身份将主文件夹下的.bashrc复制到/tmp下,并更名为bashrc。

在默认的条件中,cp的源文件与目的文件的权限是不同的,目的文件的所有者通常是命令操作者本身。


【root@www tem】# cp /etc/ /tmp  复制/etc/这个目录下的所有内容到/tmp下面   加上-r是递归复制


rm(移除文件或者目录)

【root@www ~】#rm [-fir]文件或者目录

#rm -i bashrc

#rm -r /tmp/etc


mv(移动文件与目录,或更名)

【root@www ~】#mv [-fiu] source destination

【root@www ~】#mv [options] source1 source2 source3 ......directory

移动文件、重命名   移动目录  注意和rename的区别,rename可以更改大量文件的文件名




感觉到需要做大量的练习才可以,动手实践。 

  



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的基于Transformer算法的代码示例,可以用来预测SNumber。 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Dropout, LayerNormalization, MultiHeadAttention, TimeDistributed, concatenate # 加载数据 data = pd.read_csv('data.csv') X = data.drop(['SNumber'], axis='columns') y = data['SNumber'] # 标准化输入特征 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False) # 构建Transformer模型 def transformer_model(input_shape): inputs = Input(shape=input_shape) x = Dense(64, activation='relu')(inputs) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(32, activation='relu')(x) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(1)(x) model = Model(inputs=inputs, outputs=x) return model # 训练模型 model = transformer_model((X_train.shape[1],)) model.compile(optimizer='adam', loss='mean_squared_error') model.fit(X_train, y_train, epochs=100, batch_size=16, validation_data=(X_test, y_test)) # 预测结果 y_pred = model.predict(X_test) # 可视化预测结果 plt.plot(y_test.values, label='True') plt.plot(y_pred, label='Predicted') plt.legend() plt.show() ``` 需要注意的是,这只是一个简单的示例,实际上可能需要进行更多的特征工程和调整模型参数来获得更好的预测结果。
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