linux学习笔记(1)

windows与linux的区别:
1、Linux严格区分大小写
2、Linux中所有内容以文件形式保存,包括硬件
3、Linux不考扩展名区分文件类型,靠权限区分
ps:以下这些扩展名是约定俗称的,为帮助管理员区分
在这里插入图片描述
4、windows下的程序不能直接在linux中安装和运行

一、命令格式

命令 [选项] [参数]//[ ]表示可写可不写
注意:个别命令不遵行此格式;有多个选项时,可写在一起;简化选项与完整选项(-a等价于–all)
- rw-r–r--
- :文件类型(-:文件 d目录 l软链接文件)
后面9位每三位为一组;以==-rw-r–r--==为例:
rw-- r-- r–
u所有者 g所属组 o其他人
浏览目录命令:
ls(list)显示目录文件 语法:ls选项[-ald][文件或目录]
在这里插入图片描述
.(点)开头的文件代表隐藏文件

二、文件处理命令

1、建立目录mkdir
在这里插入图片描述
2、切换目录cd
在这里插入图片描述
3、删除文件或目录:
在这里插入图片描述
4、删除空目录
在这里插入图片描述
5、复制命令:
在这里插入图片描述
6、剪切或改名命令
在这里插入图片描述
常见目录作用:
lib函数库
在这里插入图片描述
在这里插入图片描述
7、链接命令:在这里插入图片描述
创建软链接时必须写原文件的绝对路径;软链接相当于windows的快捷方式,原文件删除后软链接也没有了意义,软链接和原文件有各自的id。硬链接相当于原文件的副本,与原文件的id相同,删除其中一个后另一个还可以正常使用。
在这里插入图片描述
在这里插入图片描述

三、文件搜索命令

1、locate:locate 文件名

遵守/etc/updatedb.conf中的配置文件,可用vim打开次配置文件查看不搜索的文件系统、文件类型、路径
搜索速度比find快,只可以按照文件名搜索
在后台数据库/var/lib/mlocate中搜索,新建的文件不能用locate搜索出来,需要用updatadb更新数据库后才可

2、命令搜索命令

whereis:whereis [选项] 命令名
只能搜索系统命令,不能搜索自己创建的普通文件
搜索命令所在路径及帮助文档所在位置
选项:-b:只查找可执行文件;-m只查找帮助文档
which
搜索命令所在路径及帮助文档所在位置,以及命令的别名
PATH环境变量:定义的是系统搜索命令的路径

3、文件搜索命令find:find [搜索范围] [搜索条件]

例1:find / -name install.log#在根目录下按名字搜索install.log,只能搜索到install.log,不能模糊搜索到install.assslog,如果需要模糊搜索,使用通配符,通配符完全匹配
通配符* 匹配任意内容; 匹配任意一个字符;[ ] 匹配任意一个中括号内的字符
例2:find /root -iname install.log
#不区分大小写
例3:find /root -user root
#按照所有者搜索
例4:find /root -nouser
查找没有所有者的文件
注意:没有所有者的文件中,除了内核产生的文件和外来文件(u盘中的数据)外,则为垃圾文件
例5:find按时间搜索
在这里插入图片描述
例6:find 按文件大小
find . -size 25k
#.(点)为文件目录,在点这个目录下查找文件大小为25k的文件
-25k小于25k的文件;+25k大于25k的
按兆字节搜索时用大写M
例7:find按i节点
find . -inum 2333
在这里插入图片描述

4、字符串搜索命令grep

grep [选项] 字符串 文件名
#在文件中匹配符合条件的字符串
选项:-i 忽略大小写 ;-v 排除指定字符串

5、find和grep的区别

在这里插入图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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