Linux 命令使用

Linux 命令使用

find命令使用

#查找当前目录下所有名为test.txt的文件
find ./ -name "test.txt"
#按文件大小查找,/tmp目录下等于2M的文件
find /tmp -size 2M
#/tmp目录下大雨2M的文件
find /tmp -size +2M
#查找大于4k小于4M的文件
find /tmp -size +4k -size -4M
#按文件权限查找
find /tmp -perm 777

tar 归档管理

#打包
tar -cvf test.tar *.py
#拆包
tar -xvf test.tar
#压缩
tar -zcvf test.tar.gz *.py
tar -jcvf test.tar.bz2 *.py
zip test.zip *.py
#解压缩
tar -zxvf test.tar.gz
tar -jxvf test.tar.bz2
unzip test.zip
#使用-C命令解压到指定路径
tar -zxvf test.tar.gz -C ./file/

cal查看日历

cal #查看当前日历
cal -y 2019 #查看指定年份日历

date时间

date

date "+%Y===%m===%d"

ps查看进程信息

ps -ef

其它命令

df -h       #查看磁盘使用情况
du -h       #显示当前路径空间使用情况
ifconfig    #查看当前电脑的网络信息
ping        #网络连通性检测

用户管理

useradd username    #添加用户
passwd mima         #更改用户密码
su - username         #切换用户
whoami
ssh name@192.168.1.1      #远程登录
userdel         #删除用户
groupadd        #创建组
groupdel        #删除组
sudo usermod -a -G 用户名      #新用户默认
无法sudo
chown chgrp

vim的使用

h左j下k上l右

快捷键
  • p:粘贴
  • dd:剪切光标当前行
  • D:从当前光标剪切至行尾
  • d0:从当前光标剪切至行首
  • x:删除当前光标所在字符
  • X:删除光标前面的一个字符
  • H:当前屏幕的上方
  • M:当前屏幕的中间
  • L:当前屏幕的下方
  • ctrl+f:向下翻一页代码
  • ctrl+b:向上翻一页代码
  • ctrl+d:向下翻半页代码
  • ctrl+u:向上翻半页代码
  • 20G:快速定位到第2行代码
  • G:快速回到整个代码的最后一行
  • gg:快速回到整个代码的第一行
  • w:向后跳一个单词长度
  • b:向前跳一个单词长度
  • u:撤销刚才的操作
  • ctrl+r:反撤销
  • dw:删除一个字母
  • r:替换一个字符
  • R:替换光标及之后的字符
  • /:查找
  • n/N:查找到后的下一个/上一个
  • :%s/hello/world/g:替换hello为world
  • 11,16s/hello/world/g:替换11~16行中的hello为world
  • w:保存
  • wq:保存并退出
  • q!:强制退出
  • shift+zz:退出,相当于wq
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