shell 脚本的简单介绍

Linux中的shell脚本是一个特殊的应用程序,它介于操作系统和系统内核之间,充当一个命令解释器的角色。负责接收用户输入的操作指令并进行解释,将需要执行的操作传递给内核执行,并输出执行结果。

常见的shell解释器程序有很多种,使用不同的shell脚本时,其内部指令、命令行提示等方面会存在一些区别。通过/etc/shells文件可以了解当前系统所支持的shell脚本种类。

如上图所示,/bin/bash是目前大多数Linux系统版本默认采用的shell脚本。Bash是非常受欢迎的开源项目之一。

 

什么是shell?

简单的说shell脚本就是将平时使用的各种Linux命令按顺序保存到一个文本文件,然后添加可执行权限,这个文件就成为一个shell脚本了。

当然一个合格的脚本程序应该遵循标准的脚本结构,而且能够输出友好的提示信息,更容易读懂。对于代码较多、结构复杂的脚本,应该添加必要的文字描述。

例如:

开始

# vi 1601a.sh

cd /boot

pwd

ls -lh vml*

# chmod +x 1601a.sh

修改后:

# vi 1601a.sh

#!/bin/bash

#this is my first shell-script

cd /boot

echo "当前目录位于:"

pwd

echo "其pwd中以vml开头的文件包括:"

ls -lh vml*

脚本1601a.sh中,“#!/bin/bash”是一行特殊的脚本声明,表示此行以后的语句通过/bin/bash程序来解释执行;其他以“#”开头的表示注释信息;echo命令用于输出字符串,以使脚本的输出信息更容易读懂。

#!是对脚本的解释器程序路径,脚本的内容是由解释器解释的,我们可以用各种各样的解释器来写对应的脚本。(也即第一行的内容指定了shell脚本解释器的路径,而且这个指定路径只能放在文件的第一行

Shell的执行方式:

直接通过文件路径“./1601a.sh”的方式执行脚本,这要求文件本身具有x权限,在某些安全系统中可能无法满足此条件。鉴于此,Linux操作系统还提供了执行shell脚本的其它方式:指定某个shell来解释脚本语句,或者通过内部命令source(或“.”)来加载文件中的源代码执行。

# sh  1601a.sh       通过/bin/sh来解释脚本

# .  1601a.sh         通过点号来加载脚本

 

重定向与管道操作

重定向操作:

Linux系统使用文件来描述各种硬件、设备等资源。而用户通过操作系统处理信息的过程中,包括下面几种交互设备文件:

标准输入(STDIN):默认的设备是键盘,文件编号为0,命令将从标准输入文件中读取在执行过程中需要的输入数据。

标准输出(STDOUT):默认的设备是显示器,文件编号为1,命令将执行后的输出结果发送到标准输出文件。

标准错误(STDERR):默认的设备是显示器,文件编号2,命令将执行期间的各种错误信息发送到标准错误文件。

重定向输出:

重定向输出,指的是将命令的正常输出结果保存到指定的文件中,而不是直接显示在显示器的屏幕上,重定向输出使用“>”或“>>操作符号,分别用于覆盖和追加文件。若重定向输出的目标文件不存在,则会新建该文件,然后将前面命令的输出结果保存到该文件中,若目标文件已经存在,则将输出结果覆盖或追加到文件中。

例如:

查看CPU信息:

# uname –p

重定向输出到cpu.txt中:

# uname -p > cpu.txt

重定向输入:

重定向输入指令指的是将命令接收输入的途径由默认的键盘改为指定的文件,而不是等待从键盘输入,重定向输入使用“<”操作符。通过重定向输入可以使一些交互式操作过程能够通过默认读取文件来完成。

例如:

# vi password.txt

zhang

# passwd --stdin zhangshuai < password.txt

Changing password for user zhangshuai.

passwd: all authentication tokens updated successfully.

--stdin选项用来识别标准输入。

没有交互式的操作语句更方便在shell脚本程序中使用,可以大大减少程序被打断的过程,提高脚本的执行效率。

错误重定向:

错误重定向指的是将执行命令过程中出现的错误信息保存到指定的文件,而不是直接显示在屏幕上。错误重定向使用“2>”操作符,其中2是指错误文件的编号。在实际应用中,错误重定向可用来收集程序执行的错误信息,为排错提供依据;对于shell脚本还可以将无关紧要的错误信息重定向到空文件/dev/null中,以保证脚本输出的简洁。使用“2>”操作符的时候,会像使用“>”一样覆盖目标文件的内容,所以要是追加的话应该改用“2>>”操作符。

当命令输出的结果可能即包括标准输出信息,又包括错误输出的信息时,可以使用>和2>将两类输出信息分别输出保存到不同的文件中,也可以使用“&>”操作符将两类输出信息保存到同一个文件中。

例如:

# vi  httpd_install.sh

#/bin/bash

 cd /usr/local/src/httpd-2.2.2

./configure  --prefix=/usr/local/httpd –enable-so &> /var/log/apache.log

make  &> / var/log/apache.log

make  install  &> / var/log/apache.log

 

管道操作:

管道操作为不同的命令之间的协同工作提供了一种机制,位于管道符号“|”左侧的命令输出的结果作为右侧命令的输入(处理对象),同一行命令中可以使用多个管道。

在shell脚本应用中,管道操作通常用来过滤所需要的关键信息。

前:

# grep "/bin/bash$" /etc/passwd

root:x:0:0:root:/root:/bin/bash

zhangshuai:x:500:500::/home/zhangshuai:/bin/bash

zhang:x:501:501::/home/zhang:/bin/bash

用户名:秘密占位符:主ID:组ID:全名:宿主目录:登录shell

后:

# grep "/bin/bash$" /etc/passwd | awk -F: '{print $1,$7}'

root /bin/bash

zhangshuai /bin/bash

zhang /bin/bash

解释:使用grep命令查询使用“/bin/bash”作为shell的用户名称,开始会输出符合条件的整行内容,在此基础上使用管道操作与awk命令进一步过滤,只输出用户名和登录shell列,

上面的实例中awk命令的作用是以冒号作为分隔,输出第一行和第七行区域的字符串,其中的“-F”部分用来指定分隔符号(未指定时,默认以空格或制表符分隔)。

例如:

# df  -hT | grep "/$" | awk '{print $6}'

18%

解释:上面是要提取“/”的磁盘使用率信息。提取之后其中grep“/$”表示提取以“/”结尾的行。

 

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