9 条进阶命令,把 HomeBrew 打造成管理第三方应用的 App Store

使用 Mac 的读者可能都听闻过 HomeBrew,这是一个简单易用的 包管理器,可以让你轻松下载、管理第三方应用。

可惜的是,我们读到的文章往往止步于 brew install 某某应用[^1](用 HomeBrew 安装应用)这一条命令。其实 HomeBrew 的作用远不只下载,我们多学几条命令,就可以把 HomeBrew 打造成一个第三方应用的 App Store,集搜索、下载和更新功能为一身,简洁高效。

搜索应用

就像在 App Store 中搜索应用一样,HomeBrew 也支持搜索,而且它会同时从 GitHub、应用官网等多个源头搜索,很容易找到需要的应用,无广告、速度快。

要搜索的话,请在终端输入这串命令:

brew search 应用名(一般需英文名)

我们可以看到 HomeBrew 提供了多种结果,如果只是单个应用名(如 squirrel),你可以用 brew install squirrel 直接安装[1],一般这类能直接下载安装的都是命令行工具。你还可以看到一类名字前带着 cask 的应用,它们需要换个命令来安装:

brew cask 应用名

就如其名字所代表的一样,brew cask(木桶)下载下来的是一个个打包好 .app 文件。

若想了解更多关于 cask 的内容,请阅读:

更新应用和清理旧版

有的应用不会自动更新(或默认不打开),我有个同学的 Chrome 现在就还停留在二十多个大版本之前。其实通过 HomeBrew 的命令,哪些应用需要更新一目了然,即使它们不提供自动更新,我们时不时去检查、更新一下也能保证应用处于最新版。

首先用下面的命令检查一下可更新的应用有哪些,由于我比较勤快,只有一个 imagemagick 不是最新版本 🌚。

brew outdated

接下来更新一下可更新的应用。一般我会更新所有应用,所以我最常用的是这条命令:

brew upgrade

但有时我们不想更新所有应用,比如 Chromium 有个历史版本不禁用 Flash,我一直留着它以应对那些食古不化的网站,不希望 Chromium 更新到更高版本。此时我们可以在上面那条命令的基础上加上需要更新的应用名,避开不需要更新的应用:

brew upgrade 应用名

更新完后可以运行一下下面的命令,把应用的旧版本和缓存删除。

brew cleanup

如果你只是想看看有哪些应用可以清理,但暂时不需要处理它们,则可以通过这个命令一窥究竟:

brew cleanup -n

当然,有的应用缓存和旧版应用是有用的(比如可能保存了我的用户配置文件),那就不能一杆子打尽,而是像指定更新个别应用一样,指定需要清理缓存的应用:

brew cleanup 应用名

👀Tips:访问应用官网

有时我们不确定自己是否需要更新一个应用,比如,它的新功能我是不是需要?它的新版本适不适配我的系统?纠结这些,不如即刻去应用官网上一探究竟:

brew home 应用名

小结

电脑里的第三方应用越多,HomeBrew 的优势越明显。

如果只下载一个应用,可能径自前往其官网也不会觉得麻烦,但如果你每次下载第三方应用就要前往官网、每次更新都得去其菜单栏中寻找 update 按钮,那显然是不便的。HomeBrew 就为这些的零碎的操作提供了一个集中的管理办法。

学会了本文的几条命令,对你来说 HomeBrew 就不再是晦涩的命令行工具,而是一个简单好用的第三方应用版 App Store。

  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