十分钟轻松学习系列: 2020-3-25_SHELL学习_流程控制基础

pppppppppppppopppo[opooc## 所有编程语言离不开流程控制,没有流程控制还玩个毛~

  • 流程控制分为三种:顺序,选择,循环

1) 顺序:

这个没啥好说的吧,根据之前的函数基础篇章,自上而下逐行解释,需求:如何完成煮泡面
把编程抽象化人类行为的过程,把人类做的每一个事情用流程描述出来,所以伪代码如下:

#定义变量
面饼,调料,水,承载器皿
#制作方法 (这个就是函数了,选择不同的方法,二选一,也可以掰一半,一半泡一半煮-_-#)
function() {
制作过程xxxxx
}
function() {
#定义变量
火
制作过程xxxxx
}

2) 选择:

分支语句了,如果满足xx条件,执行xx;满足yy条件,执行yy…
我不讲复杂变化,只讲固定格式,以后写就按照我这种固定格式写,肯定没错
shell脚本固定选择流程如下:

if [  ];then
    xxxxx #做什么事儿,自己填内容
elif [];then #不是必要的格式,增加条件分支
    xxxxx #做什么事儿,自己填内容
else 
    xxxxx #做什么事儿,自己填内容
fi  

举例说明:

if [ 3 -gt 2 ];then    #如果3>2,打印我最帅
    echo "我最帅"
elif [ 2 -lt 3 ];then  #如果2<3,打印我最帅,if...elif 和 if...if的区别我在后续流程进阶中讲
    echo "我最帅"
else 
    echo "我也最帅"       #如果上述条件都不满足,我也最帅
fi  

3)循环:

小时候老师问1+…+100等于多少,好多人都知道5050,有几种计算方式?
上过学就知道两种:
一种是傻了吧唧的叠加,且不说1+…+100,我闲的蛋疼可以计算1+…+∞;
一种就是天才数学家搞死先生的 1+100=101,2+99=101这种优质算法了。
区分上述两种算法区别,大学如果学过数据结构就知道第一种算法复杂度为O(n),第二种为O(1)
更多了解大O计法请查看大学数据结构课本(严蔚敏版)
用最笨的方式来算就是循环了:

先不要学语法,学固定格式,for和while两种循环,until我到后续进阶再讲。

for i in {1..200}    #1到200,打印出每个值,循环200次呗
do
  echo $i  
done
i=0
while [ $i -lt 201 ]
do 
  echo $i
  let i++  #只要i比201小,那么我就让i自增1,直到i=201的时候跳出循环,即完成1-200的循环
done

举例说明:

#!/bin/bash
i=0
sum=0               #两个变量初始化为0
while [ $i -lt 5 ]  #如果i小于5
do
  echo $i           #那么打印i值
  let sum+=$i       #让sum增加当前i值
  let i++           #i自增1
done
echo $sum           #sum是i的累加值

代码不要求理解,理解shell过程的固定格式写法,后续我会开进阶篇

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