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

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