RHCE 学习笔记(12) 归档压缩和文件传递

原创作品,允许转载,转载时请务必以超链接形式标明文章  原始出处 、作者信息和本声明。否则将追究法律责任。 http://beanxyz.blog.51cto.com/5570417/1598287

这一节学习了压缩,归档以及如何利用scp和rsync的传送文件。

归档(archive)和压缩(compress)是两个不同的概念,尽管我们经常放在一起使用。归档类似打包的概念,把一堆内容放入一个文件;而压缩则是把归档好的文件进行压缩以便节约空间。


先看看归档,tar命令,最常用的是 tar -cvf, c=create(创建),v=verbose(详细),f=file(文件名)这样会创建一个归档的tar文件


可以通过-t 来查看已经创建的归档文件的内容


wKiom1Sk9oOhdp6dAAEc_JrG7os134.jpg


取消归档很简单,把 c(创建)替换成 x (extract,解压)就行了

wKiom1Sk9oXRJGMQAADZtbGjVTE800.jpg


接下来看看压缩,RHEL常用的压缩方式有 gzip,bzip2,zip


做个试验,首先创建一个100M的数据块

wKioL1Sk9z3Awxc6AAB5d-oxjs4432.jpg


看看大小

wKiom1Sk9ofTibFbAAA2byKlr1w888.jpg


用gzip进行压缩

wKioL1Sk9z_gXYfqAAAcWDPNQlo741.jpg


压缩之后变成100K了,注意压缩文件的后缀变成gz了

wKiom1Sk9onQ10I5AABF0WAnQcM480.jpg


看看gzip的语法,如果希望解压 用-d就行了


wKioL1Sk90SgBAbvAAH-YYElvs4524.jpg


类似的,我们可以用bzip2来压缩和解压,后缀变成了bz2

wKiom1Sk9o_Be3atAAB8Yo2UaEI984.jpg


或者zip和unzip来压缩和解压,注意zip是windows和linux都通用的格式

wKioL1Sk90iwPL2KAAD93cs_KxM928.jpg


如何把归档和压缩命令放在一起使用呢?

例如,可以用z代表gzip,j代表bzip2 生成的文件后缀使用.tar.gz 或者 tar.bz2


利用tar和gzip进行归档压缩和解压

wKiom1Sk9pLhNsJ0AADIz8Zo264988.jpg

wKioL1Sk90vxBLEFAADE8kRkY5E187.jpg


利用tar和bzip2进行归档压缩和解压

wKiom1Sk9pbC9GagAABOKspIuCE727.jpg

wKioL1Sk90-yglIjAADRoRbvkqc772.jpg


接下来看看本节的第二个部分,如何进行文件的传递。这里学习了scp和rsync命令,这两个命令都是基于SSH的,因此如果熟悉前面的SSH,这里学习很容易。


首先传递一个之前的归档压缩文件到远程服务器,因为我之前已经配置过root账户的密钥了,所以这里确认了指纹信息之后直接就传送过去了


wKiom1Sk9pzhA-xdAAEwgMChdqU484.jpg


查看确认一下

wKioL1Sk91vDryuyAAIWRIHGR-w608.jpg


类似的,我也可以指定用户来传递,比如我用beanxyz来传递,这个账户没有配置密钥,那么就通过密码来进行验证。


wKiom1Sk9qWTIO3rAACHI9Qmi98027.jpg


确认一下

wKioL1Sk91_h0ag3AABydbWawJg588.jpg


注意,使用上面的命令之前,必须确认openssh已经在双方服务器安装,如果是最小化界面安装,这个包是没有的,需要手动安装


wKiom1Sk9qrhgMIiAABo5bHUmK8770.jpg


上面的例子是拷贝一个文件,如果拷贝一个目录呢?

直接拷贝会报错,这个和cp命令差不多,需要-r 进行递归的操作

wKioL1Sk92bht1zPAAIwx35GEGA221.jpg


最后我们看看另外一个命令 rsync,这个命令在备份文件的时候很常见。这个命令的最大好处是可以进行同步文件。


比如 -a 可以直接归档了,简单的说是保持文件所有的权限,时间戳和快捷方式

wKiom1Sk9q-B_D-dAAA54L8wqCM826.jpg

wKioL1Sk92iDSfjmAABZHyc9RF4487.jpg


豆子个人习惯喜欢加vv参数, 这样可以超详细的列出拷贝的内容是否最新,有的时候拷贝几个T的文件,还需要根据需要重定向正确结果和错误的结果,以便查询

wKioL1Sk-uzzsizDAAFz4e6tYtA778.jpg


喜欢图像界面的话,还可以下载安装grsync,这个软件我曾经试过在windows 下面也是可以运行的。



本文出自 “麻婆豆腐” 博客,请务必保留此出处http://beanxyz.blog.51cto.com/5570417/1598287

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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