大数据训练大纲(第02天)

大数据训练大纲(第2天)

1:linux简单命令
type 用来判断内部命令还是外部命令
cut命令:显示切割的行数据

-f:选择显示的列 方法举例 cut -d ’ ’ -f1 grep.txt (’ ‘这是一个空格,还有’ : ')

-s:显示有分隔的行

-d:自定义分隔符

sort命令:排序文件的行

-n:按数值大小排序 方法举例 sort -t’ ’ -n -r -k2 sort.txt

-r: 倒序

-t:自定义分隔符

-k:选择排序列,第几列的意思

-u:合并相同行

-f:忽略大小写

wc:统计文件中的字母个数,字数,行数

-l:表示行数 方法举例 方法一:wc -l sort.txt 表示文件中行数 结果为 3 sort.txt

-c:表示字母数 方法二:cat sort.txt | wc -l 结果为3

-m:表示字数

linux的权限

可读(read)r 文件拥有者(主人(u)user)

可写(write)w 文件所属组(所属组(g)group)

可执行(execute) 除开前面两类其他人(o)others

1:修改文件夹权限

#chown root : share share/

​ (修改) (属主) (属组) (目录)

将share 目录中的root:root修改为了root:share

2:修改文件权限

#chmod g+w share/

给属组(g)增加 (可写w)的权限

3:管道I 就是把左边的结果当做参数传入右边

正则表达式 : grep:显示匹配行

​ -e:使用扩展正则表达式

​ -\ :转义字符

​ - . :匹配任意单个字符

对应练习作业:

  1. 使用vi,vim命令编写一段java的hello world程序。并执行出结果

    1. rpm -ivh jdk-8u171-linux-x64.rpm
    2. 安装之后到 /usr/java/jdk1.8.0_171-amd64 目录查看
    3. 配置环境变量: vi ~/.bash_profile
      1. export JAVA_HOME=/usr/java/jdk1.8.0_171-amd64
        export PATH= P A T H : PATH: PATH:JAVA_HOME/bin
      2. source ~/.bash_profile
  2. 统计/etc/passwd文件中,能够登陆的用户的人数。提示:用户的shell为/bin/bash表示可以登陆。

    1. 过滤用户

    2. 统计

      答案:grep ‘/bin/bash$’ /etc/passwd | wc -l

  3. 使用cut和sort命令,把/etc/passwd文件中的所有用户,:qqclUID的大小降序排列。提示:UID在/etc/passwd文件中的第三个字段。

    答案:

    1:cd /etc

    2:cat /passwd

    3:sort -t’ : ’ -n -r -k2 passwd

  4. 1、新建一个没有家目录的用户hadoop;

    答案:useradd -M hadoop

    2、复制/etc/skel为/home/hadoop;

    答案:cp -r /etc/skel/ /home/ hadoop

    3、改变/home/hadoop及其内部文件的属主属组均为hadoop;

    答案:chown hadoop:hadoop hadoop/

    4、/home/hadoop及其内部的文件,属组和其它用户没有任何权限

    答案:#chmod g-r hadoop/

    ​ #chmod o-x hadoop/

    提示:一共需要四个命令,你需要把这个四个命令发给我

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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