Shell总结 3

随机数

系统变量 RANDOM,默认产生0-32767的随机整数
echo $RANDOM

数组

普通数组 :下标只能是整数
关联数组:下表可以是字符串
array[索引下表]=值
array=(值1 值2 值3)
访问 echo ${array[下标]}
echo ${array[]:0:3}
访问全部 echo ${array[
]}
获取个数 echo ${#array[*]}

关联数组
定义:首先声明
declare -A array
赋值
array[索引]=值
array=([name1]=值 [name2]=值 [name3]=值)
访问
echo ${array[]}
访问下标 echo ${!array[*]}

CASE

case语句 多重匹配语句
case var in //var变量名
pattern 1)
command
;;
pattern 2)
command2
;;
*)
command
;;
esac

函数

定义
1 :
函数名()
{
命令
}
2 :
function 函数名()
{
命令
}

标题
调用
在当前终端生效
加载一下 source **.sh
函数名

return

结束函数,返回一个命令状态值 [0-256]

正则表达式

元字符
. 匹配单个字符
* 匹配前导字符出现0次或连续多次
.* 任意长度字符
^ 行首
$ 行尾
^$ 空行
[] 匹配括号里任意单个字符或一组单个字符
[^] 匹配不包含括号里任意单个字符或一组单个字符
1 匹配括号里任意单个字符或一组单个字符开头

< 取单词头
> 取单词尾
< > 精确匹配
{n} 匹配前导字符连续出现n次
{n,} 匹配前导字符至少出现n次
( ) 保护被匹配的字符 :%s/(12)3/\14 将123修改为124
\d 匹配数字 \D
\w 匹配字母数字下划线 \W
\s 匹配空格制表符换页符 \S

扩展正则
gerp 加参数 -E
sed 加参数 -r

  • 匹配一个或多个前导字符
    ? 匹配零个或一个前导字符
    | 或
    () 组字符
    {n}
    {n,}
    {n,m}

查询IP地址
[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}
([0-9]{1,3}.){3}[0-9]{1,3} (-E)
\d+.\d+.\d+.\d+


  1. ↩︎

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