awk的使用 第九部分 使用awk编写可交互的程序

在执行编写的awk程序时,awk会自动从数据文件中读取数据并进行处理,直到文件结束。实际上,只要将awk读取数据的来源改成键盘输入,那么就可以设计与awk 交互的程序了。
    首先看一个交互的程序。这个系程序能够实现输入一个英文单词,程序打印出该词对应的汉语意思,并继续等待用户输入新的英文单词。首先编辑一个数据文档data.dat,内容如下:
[root@myfreelinux pub]# cat data.dat
man 男人
girl 女孩
boy 男孩
rose 玫瑰
apple 苹果
banana 香蕉

    编写一个互动的awk程序,内容如下:
[root@myfreelinux pub]# cat china-eng.awk
#!/bin/bash
awk ‘BEGIN{
while(getline<ARGV[1])
 {
 English[++n]=$1;#从数据文件中读取需要使用的数据保存在两个数组中
 Chinese[n]=$2;#n最后的值作为题目数量,在question中使用
 }
ARGV[1]=”-”;# “-”表示由stdin(键盘输入)
srand();    # 以系统时间为随机数启动的种子
question(); #产生考题
}
{#awk读入数据,即回答的答案
if($1!=English[ind]) print “Try again!”
else {print “/n You are right!! Press Enter to continue……”;
getline;
question();
}
}
function question()
{ind=int(rand()*n)+1;#以随机数选取考题
system(“clear”);     #系统清屏
print “Press /”ctrl+d/” to exit”;
printf(“/n %s”,Chinese[ind] ” 的英文字是:”)}’ $*
    下面执行一下这个程序:
 [root@myfreelinux pub]# bash china-eng.awk data.dat
Press “ctrl+d” to exit
 香蕉 的英文字是:apple
 You are right!! Press Enter to continue……
Press “ctrl+d” to exit
 男人 的英文字是:men
Try again!
man
 You are right!! Press Enter to continue……

    说明: 参数data.dat (ARGV[1])是存储考题数据的数据文件文件,awk从数据文件上取得数据后将英文数据存储到English的数组中,将中文数据存储到Chinese的数组中,然后将ARGV[1] 改成”-”,”-” 表示从stdin键盘读入数据,对于ARGV在awk的第八部分中有很多说明。对于srand();    # 以系统时间为随机数启动的种子,在这个程序里,其实没有多大的用处,作为一个知识点,先介绍一下。
    在BEGIN中,最后一行是question(),此函数是自定义的一个函数,此函数首先产生一个随机数,是通过ind=int(rand()*n)+1,这个语句产生的,对于n,和数据文件有关,在这里,数据文件只有六行,所以n为6,对于随机函数取整后+1,是因为English和Chinese这两个数组的下表是从1开始的,而rand()函数产程的数值从0~1,所以int(rand()*n)的值是从0~5,+1后的下标才和两个数组的下标值的范围相同。system(“clear”)是awk调用系统的清屏函数。printf(“/n %s”,Chinese[ind] ” 的英文字是:”)是输出一个汉语单词,等待用户输入英文单词,输入后的数据存储在$1中,并和同下标的English数组中的数据比较,如果正确, Press Enter to continue……提示按任何键退出,否则会提示再输入一次答案,知道答对为止,答对后,会再次调用question()函数,产生下一个问题,知道在键盘输入结束符号 (End  of file)是ctrl+d,当awk 读到ctrl+d时就停止由键盘读取数据,程序结束。
     awk 的数学函数中提供两个与随机数有关的函数。 
    srand( ):以当前的系统时间作为随机数的种子 
    rand( ) :返回介于0与1之间的(近似)随机数值。

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