linux程序设计:第一章:入门 第二章 :shell程序设计

一. 入门

1.开发系统

应用程序存放在系统为之保留的特定目录中。系统提供的程序在/usr/bin中,本地添加的程序在/usr/local/bin或/opt中。

头文件是用来提供对常量的定义和对系统函数和库函数调用的声明。在/usr/include里面。

库文件是一组预先编译好的函数的集合。按照可重用的原则编写。在/lib和/usr/lib中,库文件的类型分为:静态库.a,共享函数库.so。

静态库:

也称归档文件,是一组准备好使用状态的目标文件,编译器和链接器会将程序代码和函数库结合在一起以组成一个单独的可执行文件。

ar程序:可以创建一个归档文件并且将目标文件添加进去。

ar crv libfoo.a bill.o fred.o

共享库:

静态库的缺点:同事运行多个应用程序并且它们都使用来自于同一个函数库的函数时,内存中就会有同一个函数的多份副本。消耗大量的内存。

当一个程序使用共享库时,它的链接方式是这样的:程序本身不包含函数代码,而是引用运行时可访问的共享代码。系统可以只保留共享库的一份副本供很多应用程序使用。

二. shell程序设计

1. shell的语法

变量:使用之前无需声明。加“$”来访问它的内容。将一个$表达式放入双引号,变量会被替换,放入单引号就不会发生替换。

        环境变量:大写字母

参数变量:$*和$@

条件:布尔判断命令 [  ]和test

控制结构:

if语句,elif语句:

if condition
then
  statements
else<pre name="code" class="cpp"><span style="font-family: Arial, Helvetica, sans-serif;">  statements</span>
fi

 

if condition
then
  statements
elif condition
then
  statements
else
  statements
fi
while语句:在条件为真时反复执行

while condition do
  statements
done
until语句:循环反复执行直到条件为真

until condition
do
  statements
done
case语句:

case variable in
  pattern | pattern ...) statements;;
  pattern | pattern ...) statements;;
  ...
esac
2. 一些命令

echo:输出结果

echo -n 去掉了换行符

find:用于搜索的命令

find [path] [options] [tests] [actions]

grep:在文件中搜索字符串

grep [options] PATTERN [FILES]

3.正则表达式






  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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