Vim 常用命令记录


Sec1 一般模式下常用的命令

光标移动

ctrl + f == PageDown

ctrl + b == PageUp

0 == Home

$ == End

G 移动到该文件的最后一行

nG 移动到该文件的第 n 行(配合 :set nu 食用更佳)

N[Enter]光标向下移动 n 行

查找与替换

/word向下查找”word”字符串

?word向上查找”word”字符串

n 表示重复前一个查找的操作

:n1,n2s/word1/word2/g 从 n1 行到 n2 行查找 word1, 并替换为 word2

同理,可将 n1 换为 1, n2 换为 $ 分别可以代表第 1 行和最后一行。

删除 复制 和 粘贴

x,X: x==Del表示向后删除, X== Backspace表示向前删除

dd 删除光标所在行

ndd 删除光标所在的向下n行

yy 复制光标所在行

p,P p将已复制的行粘贴到光标下一行

P为粘贴到光标所在的上一行

J 将光标所在行与下一行结合为一行

u 撤销前一个操作

Ctrl+r重复上一个操作

. 小数点,重复前一个操作


Sec2 一般模式切换到编辑模式

i,I 进入插入模式,i表示从目前所在位置插入

a,A a为从目前光标所在下一个字符处开始插入,A 为从光标所在 行的最后一个字符处插入

o,O o为在光标的下一行开始插入新的一行,O在所在行的上一行插入新的一行

r,R 替换模式,r只会替换光标所在的那个字符一次,而R则会一直进行替换直ESC


Sec3 一般模式切换到命令行模式

:w 保存

:q 推出Vi

:q! 强制退出vi不保存修改

:wq 保存后退出vi

vim环境的更改

:set nu显示行号

:set nonu取消行号显示

:set hlsearch 表示将查找的字符串高亮的设置值

:set nohlsearch 反之

:set autoindent 表示是否自动缩排

:set noautoindent 反之同上

:set backup 表示是否自动保存备份文件

:set ruler 显示或者不显示右下角的状态栏

:set showmode 显示左下角的状态栏,比如–INSERT–等

:set all 显示目前所有的环境参数设置值

:syntax on 表示

此外,该设置可以永久设定,而不是每次进入vim的时候再设置。
打开 /etc/vim/vimrc 文件,该文件中的双引号"表示批注
例如,可以进行如下设置:

set hlsearch            "高亮度反白
set backspace=2         "可使用退格键删除
set autoindent          "自动缩进排版
set ruler               
set showmode            
set nu                  
set bg=dark
syntax on

Sec4 多窗口功能

:files 显示打开的文件
:sp [filename] 打开一个新窗口,如果有filename则打开该文件,如果没有默认再一次打开当前文件
ctrl+w+j/向下箭头 切换到下一个打开的窗口
ctrl+w+k/向上箭头 切换到上一个打开的窗口
ctrl+w+q 等于:q 退出当前窗口

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