shell脚本

shell的出现原因
需要编写Shell脚本进行管理,减缓某一些工作
举个栗子:我们有1000个用户,需要查看每个用户的主目录,那么需要1000次的操作,而用shell脚本语言,我们只需写一次就可多次使用,大大减少了工作量。
shell文件的规范
文件开头第一行解析头标识:
#!/bin/bash 或#!/bin/sh
第一个shell脚本
打开文本编辑器(可以使用 vi/vim 命令来创建文件),新建一个文件 test.sh,扩展名为 sh(sh代表shell)
输入一些代码,第一行一般是这样:
实例
#!/bin/bash
echo "Hello World !
注意
#! 是一个约定的标记,它告诉系统这个脚本需要什么解释器来执行,即使用哪一种 Shell。
echo 命令用于向窗口输出文本。
shell用户管理
1.代码分析
运行脚本并传入用户名 ./UserAdd.sh *** ****
分析参数是否传入 $# -eq 1
判断用户名是否存在 id
设置用户名和密码 useradd passwd --stdin
当运行错误或者运行成功都退出当前状态 exit
2.代码实现
#! /bin/bash
[ ! $# -eq 1 ] && echo “args error!!!” && exit 2
id $1 >&/dev/null && echo “user exist” && exit 3
useradd $1 >&/dev/null && echo $1 | passwd --stdin KaTeX parse error: Expected 'EOF', got '&' at position 4: 1 >&̲/dev/null && ec…$/fd
程序是否处理I/O?
绑定顺序:从左到右

		    > 输出的标志    覆盖    >> 追加       < 输入的标志
		    
			注意事项:
			1.	 ls -l /   /god   1> out.txt   2>&1
					重定向有顺序
					重定向操作符,
			2.全重定向:socket案例
					exec 8<> /dev/tcp/www.baidu.com/80     
					echo -e "GET / HTTP/1.0\n" >& 8    
			3.输出重定向:
				修改程序的1或2
				>	ls /tmp 1> aaa
				>>	ls /tmp 1>>aaa
				&>,>&
				ls / /aabb 1>ls06.out  2>&1
				ls / /aabb >& ls07.out 和ls / /aabb >& ls07.out
			4.输入重定向:
				   --   read  aa<<<"asddasd"
				         echo  $aa
				   --	read   aaa<<AABB
						>adas
						>a
						>AABB          相同的结束
						echo $aaa      read 只读第一行   

			  exec  ls   展示当前文件下的内容并输出

变量
定义变量时,变量名不加美元符号($,PHP语言中变量需要),如:
aa=123
注意:
变量名和等号之间不能有空格。
变量名的命名须遵循如下规则:
命名只能使用英文字母,数字和下划线,首个字符不能以数字开头。
中间不能有空格,可以使用下划线(_)。
不能使用标点符号。
不能使用bash里的关键字(可用help命令查看保留关键字)。
根据使用方法一共可以分为5类,分别为
1、本地 aa=123
2、局部 local ---------只能应用于函数
3、位置 {} 确定一个整体
4、特殊 $$ ----打印当前位置的id
$# -----获取参数
$* ----获取某一个位置的参数 ($1,$2)
@ − − − − 等 同 于 @ ----等同于 @*
$? -----输出上一条指令的执行状态 0表示正确 其他表示错误
$ BASHPID ----打印当前进程的实际id 如: each $BASHPID 和 each $BASHPID | more (左边进程的输出作为右边进程的输入) 两个id不一样
5、环境 export

表达式
算术表达式
let 算术运算表达式
let C= A + A+ A+B
[ 算 术 表 达 式 ] C = [算术表达式] C = []C=[ A + A+ A+B]
$((算术表达式))

					条件表达式
					[  expression  ]
					test expression
					[[ expression ]]
					help test

控制循环
1.if commands
then
commands
elif commands
then
commands
else
commands
fi
举个栗子:#!/bin/bash
if [ 2 -gt 2 ]
then
echo “ok”
elif [ 3 -lt 2 ]
then
echo “error”
else
echo “hello world”
fi
2. case name in
1)commands ;;

esac

	           举个栗子:
				#!/bin/bash
				echo "输入1-4的数字"
				echo '你输入的数字为'
				read num
				case $num in 
					1) echo '你选择了1'
					;;
					 2) echo '你选择了2'
				        ;;
				 3) echo '你选择了3'
				        ;;
				 4) echo '你选择了4'
				        ;;
				*)echo "输入有误"
				esac
			补充:实现无线循环
				while :                                        for(;;)
					do											do																																		
					done									  done

运行 Shell 脚本的方法
1. chmod +x ./test.sh #使脚本具有执行权限
./test.sh #执行脚本
2.source 临时获取
简单的shell表达

99口诀表
#!/bin/bash
echo"-------seq------------"
for i in `seq 9`
do
        for((j=1;j<=i;j++))
do
        echo -n "$j*$i=`expr $i \* $j` "
done
        echo "   "
done

echo"--------嵌套------------"
for((i=1;i<10;i++))
do
        for((j=1;j<=i;j++))
do
        echo -n  "$j*$i=`expr $i \* $j` "
done
        echo "   "
done


echo"--------in------------"
for i in 1 2 3 4 5 6 7 8 9
do
        for((j=1;j<=i;j++))
do

        echo -n  "$j*$i=`expr $i \* $j` "
done
        echo "   "
done


#!/bin/bash
echo"---------循环打印1-10 数值为3替换----------------"
for((i=1;i<=10;i++))
do
        if [ $i -eq 3 ]
        then
                echo "hello world"
        else
                echo "$i"
        fi
done
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