Linux系列——【文档查找】——02

##上一篇的文件唯一标识号写错了,应该是"inode"
【承上启下】【场景驱动】
1、在当前目录下,我已经知道如何创建目录中存在的文件,那么如果当前目录文件太多时,怎么快速找到我想要的文件呢?
#find PATH [condition] >此命令可用于快速查找目标目录下符合选项的文件,常结合以下选项进行快速查找

  1. -name >此选项可用于根据文件名进行文件查询

find /root/* -name 10*

/root/script/mg/100_sum.sh

  1. -size >此选项可用于根据文件大小进行文件查询

find /root/* -size +10k

/root/install.log

  1. -group >此选项可用于根据文件的属组进行文件查询

find /root/* -group root

/root/anaconda-ks.cfg
/root/install.log

  1. -user >此选项可用于根据文件的属主进行文件查询

find /root/* -user root

/root/anaconda-ks.cfg
/root/install.log

  1. -type >此选项可根据文件的类型进行文件查询,常见文件类型有【d|f|l】,分别为目录文件、普通文件、链接文件

find /root/* -type d

/root/kk
/root/kk/aa
/root/lianxi

  1. -cmin >此选项可根据文件的访问时间进行文件查询,常搭配【-num1 | +num2】分别表示为在距离当前时间num1分钟内被访问的文件、表示在距离当前时间,访问时间超过num2分钟的文件;

find /root/* -amin +10

/root/anaconda-ks.cfg
/root/install.log
以上选项是find命令的常用选项,更详细的的内容可使用
#man find 进行查看

2、【场景驱动学习】在我找到了目标文件后,是否有命令让我直接对这些目标文件进行操作呢?此时find命令为我们提供了可搭配后续操作的命令选项,命令如下:
**#find PATH [condition] -[exec | ok] command {} ;**此命令可用于对目标文件进行进一步的操作,比如:删除、复制、移动等等
【注意:命令中"{}"代表一个文件名,管道每次只会向command传一个文件名,此时可将后续程序理解为:command filename1】

  1. 【-exec|-ok】的区别:-exec :无需交互,程序会自动执行command;
    -ok:需要交互确认,每对一个文件执行command前,程序都会询问是否执行,只有键入“y”后,程序才会执行command
  2. -exec命令示例:

find /root/* -amin +20 -exec ls -la {} ;

-rw-------. 1 root root 1449 9月 23 20:49 /root/anaconda-ks.cfg
-rw-r–r--. 1 root root 28425 9月 23 20:49 /root/install.log
3. -ok命令示例:

find /root/* -amin +20 -ok ls -la {} ;

< ls … /root/anaconda-ks.cfg > ? y
-rw-------. 1 root root 1449 9月 23 20:49 /root/anaconda-ks.cfg

3、【场景驱动学习】除了可用find命令查找文件外,Linux还有其他命令用于查找文件吗?
答:其实我们还可以使用命令locate来进行文件查询
#locate filename >locate命令是根据文件名进行快速查询

【locate与find的区别】:

  1. locate命令查询文件速度要比find快,原因是locate是基于Linux后台数据库来进行查找的;
  2. 由于Linux后台数据库并不会对存储系统中的所有文件,比如/tmp目录下的文件就不会存储在后台数据库,所有使用locate是查找不到的;
  3. 由于Linux后台数据库并不会实时同步Linux中的文件,所以对于新建的文件,需要先同步后台数据库**#updatedb**,然后再执行locate命令

以上就是目前所掌握的文件查找方法

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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