Linux中find locate whic whereis查找命令的总结

**

find locate which whereis命令的区别

**

find命令
查找文件或目录;进行目录查找时,把目录下的内容也都进行了显示,清晰的展示了待查找目录下的所有内容。
find 文件名(或目录名
-size -name -iname -inum -use -mtime -ctime -atime -group -a -and -o -or
*任意内容
?任意字符
[ ]括号中的任意一个字符
Find /root -name “xxx”搜索文件名
Find /root -iname “xxx”搜索文件名不区分大小写
Find /root -user root 查找所有者为root
Finf /root -nouser 搜索没有所有者文件(垃圾文件,外来文件)##标题##
Find /var/log -mtime +10
+10 十天前
10 第十天
-10 十天内
-mtime 修改文件内容的时间 modify
-ctime 改变文件属性的时间 change
-atime 文件访问的时间 access
Find -size -25k 按文件大小搜索,小于25k的文件(小写k)
Find -size +2M 搜索大于2M的文件
Find -inum 262442 节点查找
操作 -exec ls -ln {} ;
Find /root -size +20 -a -size -50k同时满足两个要求,-a(and/&&) -o(or/||)
Find /root -size +20 -and -size -50k-exec ls -ln {} ;
在执行完第一个命令后,继续执行第二个命令(可以在运行完第一个后可以执行的命令),后面的符号为固定格式。

locate命令
将所有与被查询的文件名相同的文件查找出来;缺点只搜索文件名
locate 文件名

which命令
按PATH变量所规定的路径进行查找相应的命令,显示该命令的绝对路径
which 命令名
echo“$PATH” 显示PATH变量的值
which grep 查找grep命令的绝对路径
which -a grep 将所有匹配的都显示出来

whereis命令
不但能查询出命令,而且还能查询出Ubuntu数据库里记载的文件
whereis [选项] 文件名
-b 只查找二进制的文件
-w 只查找说明文件在manual路径下的文件
与which不同的是whereis不但能找到可执行的命令,而且将所有包含文件名字符串的文件全部查找出来,速度很快。书P124
whereis -b which 只查找which命令的位置
whereis -m cal 只查找cal命令的帮助文档

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