Linux第四堂课

1.输入重定向:命令 < 文件
2.输出重定向:a 命令 > 文件 清空的写入操作,清空之前的文件信息,写入新的信息
b 命令 >> 文件 追加写入,不会清空之前的信息,追加新的信息写入,即使重复也可以
命令 2> 文件 清空写入,写入错误信息
命令 &> 文件 无论错误与否,都进行清空写入操作

3.wc 统计行数,单词数,字节数
wc -l < initial.setup-ks.cfg = cat initlal.setup-ks.cfg | wc -l

4: | 管道符:命令 A | 命令B ,命令A输出的结果交给命令B处理,然后再输出命令B的执行结果
5.通配符 *,通配所有,? 通配任意1个字符。
ls -l /dev/sda? 通配一个
ls -l /dev/sda[0-9],ls -l /dev/sda[a-z] 通配0-9或者a-z的磁盘信息
6.\转译符号,脱离了功能后的字符,使反斜杠后面的一个变量变为单纯的字符串
‘ ’,单引号:转义其中所有的变量为单纯的字符串
“”,双引号:保留其中的变量属性,不进行转义处理
’ ’ ,反引号:把其中的命令执行后返回结果
7,echo $PATH :path变量
命令所在的位置 1:/usr/bin
2:alias
3:内部1%
4:外部命令99%,可通过whereis命令查看命令的具体所在位置
8.变量的运用,如目录:/usr/local/software/nginx-1.4.1
nginx="/usr/local/software/nginx-1.4.1"
cd $nginx
9:Linux系统中的一切都是文件
10.部署一个服务,就是在修改服务的配置文件

复习第三章节,输出重定向、管道符

预习:第四章节

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