Linux学习笔记（1）【持续更新】

CodingZP CodingZP 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.6k累计阅读 1.6k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-06-14 10:09:17 发布 1.6k 阅读 AI 写同款· GEO 优化 ›
Linux使用总结（持续更新） 一、Linux 安装 参考《02_Linux安装.docx》，目录 bin (binaries)存放二进制可执行文件 sbin (super user binaries)存放二进制可执行文件，只有root才能访问 etc (etcetera)存放系统配置文件 usr (unix shared resources)用于存放共享的系统资源 home 存放用户文件的根目录 roo......... 阅读详情

😄 Linux 学习笔记

文章目录


之前的笔记在OneNote里面，现在开始使用Markdown语法记笔记

☀️12.1 Linux 磁盘分区

原理

Linux归根结底只有一个根目录，一个独立且唯一的文件结构
Linux下的每一个分区都是用来组成整个文件系统的一部分
挂载： mount
指的是分区在挂靠在哪一个目录之下，将一个分区与一个目录联系起来，这个分区的存储空间在该目录下获得
进入到相应目录，就相当于访问到挂载的分区：
在这里插入图片描述

查看分区的指令👇

lsblk

或者：

lsblk - f

执行以上命令后，系统会出现一个列表一样的东西,其中：
在这里插入图片描述

  • sda:分区情况
  • UUID：分区的唯一标识符
  • MOUNTPOINT：为分区的挂载点（挂载到哪个分区当中）

硬盘分区

Linux硬盘分为:

  • IDE硬盘
  • SCSI硬盘
    现在主要用的是SCSI硬盘
    对于IDE硬盘：hdx~，hd代表是IDE硬盘，x代表是 盘号，即是第几个盘
  • a为基本盘
  • b为基本从属盘
  • c为辅助主盘
  • d为辅助从属盘
    ~ 代表是第几个分区
    对于SCSI硬盘，表示符号为 sdx~ ，其余表示方法则和IDE硬盘一样

挂载的案例

以增加一块硬盘为例子，熟悉磁盘的相关指令和深入理解磁盘的分区挂载和卸载等概念
✌️ 如何增加一块硬盘

案例步骤：

1.虚拟机增加硬盘

Vmware 右键设置，增加1个G的硬盘大小

2.分区

分区命令：

fdisk /dev/sdb

dev：设备目录
sdb：新增分区的目录
m：显示命令列表
n：新增分区
p：基础分区操作
输入想要将这个磁盘分成几个区（1-4）
最后写入w
w：写入后并退出

3.格式化

对分区格式化：

mkfs - t ext4 /dev/sdb1
4.挂载

创建一个新的目录

mkdir /newdisk

表示在根目录下，创建一个newdisk的文件夹
挂载的命令：

mount /dev/sdb1 /newdisk/

补充： 卸载

umount /dev/sdb1

卸载完成后 ，sdb1的MOUNTPOINT就没了

5.设置可以自动挂载

永久挂载：通过修改 /etc/fstab 实现挂

vim  /etc/stab

添加完成后，执行

mount - a

即可生效

总结

目录只是一个形式上的东西，真正存放数据的仓库还是在分区上
重启后，之前的挂载操作失效

⭐️12.2 磁盘使用情况

查询系统整体磁盘使用情况:

df - h

在这里插入图片描述

查询指定目录的磁盘使用情况：

du -h

查询指目录的磁盘占用情况，默认为当前目录
其他的指令：

  • -s:指定目录占用大小的汇总
  • -h:带计量单位
  • -a:带有文件
  • --max-depth=1:查询子目录的深度
  • -c:列出明细的同时，增加汇总值

在这里插入图片描述

即为：

du -hac --max-depth=1 /opt

🎍12.3 磁盘工作实用指令

ls -l /opt

展示opt目录下的文件，并且展示其所属性质和读写权限

ls -l /opt | grep "^-"

将文件列表交给grep，并且展示"-"开头的文件类型

ls -l /opt | grep "^-" | wc -l

grep:过滤的作用
wc -l:统计文件个数
上述指令，统计以-开头的文件类型

在这里插入图片描述

😗实例

1. 统计/opt文件夹下文件的个数
ls -l /opt | grep "^-" | wc -l
2. 统计/opt文件夹下目录的个数
ls -l /opt | grep "^d" |wc -l
3. 统计/opt文件夹下文件的个数，包括子文件夹里的
ls -lR /opt |grep "^-" | wc -l

多了一个R，表示递归调用去统计==grep表示过滤作用==

4. 统计 /opt文件夹下目录的个数，包括子文件夹里的
ls -lR /opt | grep "^d" | wc -l
5. 树状显示目录结构tree

**如果没有tree，使用yum install tree这个指令安装 **

tree /home/

以树状图的形式展示home目录

在这里插入图片描述

😁 13.1 网络配置

ping指令

ping + ip
默认向指定的ip地址传输4个数据包;
ping + 域名
ping www.baidu.com

  • 用来探究计算机网络中中，两个主机是否连接
  • 根据域名，得到服务器的IP
  • 根据返回的TTL值判断对方使用的操作系统及经过路由器的数量

其外：

  • bytes 值：数据包大小，也就是字节。
  • time 值：响应时间，这个时间越小，说明你连接这个地址速度越快。
  • TTL值：100~130ms 之间，Windows(128 ) 系统；240~255ms 之间，UNIX/Linux (64 or 255)系统。
    详情可见这个[链接]([什么是ping指令，它的作用是什么？ - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/366857917#:~:text=在网络中 ping 是一个十分强大的 TCP%2FIP 工具。 它的作用主要为： 1、用来检测网络的连通情况和分析网络速度,2、根据域名得到服务器 IP 3、根据 ping 返回的 TTL 值来判断对方所使用的操作系统及数据包经过路由器数量。))
一些网络常识

vmnet：相当于是一个虚拟网卡，链接虚拟机和主机
无线局域网适配器 WLAN：无线网卡

  • IP: IP地址有唯一性，即每台机器的IP地址在全世界是唯一的。这里指的是网络上的真实IP;通过本机IP地址和子网掩码的"与"运算然后再通过各种处理算出来的

  • IP地址：为互联网上的每一个网络和每一台主机分配一个逻辑地址，以此来屏蔽物理地址的差异；IP地址一般由网络号，主机号，掩码来组成

    就好像你寄包裹，你得写上发件人地址，你的姓名，收件人地址，收件人姓名。这个发件人地址就是你电脑的IP的网络号，你的姓名就是你的主机号。收件人的地址就是你要访问的IP的网络号，收件人的姓名就是访问IP的主机号。

  • 子网掩码：每个IP地址都分割成网络号和主机号两部分；子网掩码只有一个作用，就是将某个IP地址划分成网络地址和主机地址两部分

  • 网关：网关实质上是一个网络通向其他网络的IP地址。

    网关是一个网络通向其他网络的出口，相当于去其他教室要从门口(网>关)出去，不配置网关就没法出去上网。

  • 路由器（Windows下叫默认网关，网关就是路由)**
    一台主机如果找不到可用的网关，就把数据包发给默认指定的网关，由这个网关来处理数据包。

  • DNS 服务器
    域名和IP地址一一对应，使用DNS将域名和IP地址一一对应[域名、IP地址之间的不同]([计算机中的域名和IP地址是什么？它们有怎样的区别和联系？ - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/630662128#:~:text=三、域名和IP地址的区别 1 1.概念不同 域名是相对于网站来说的，IP地址是相对于网络来说的，准确的说是通过DNS服务器来完成的，你提交域名，他给你返回一个IP地址，也称之为域名解析），接着做出一个相应，将信息返回。 流程：输入域名----域名解析服务器（dns）解析成IP地址—访问IP地址—完成访问的内容—返回信息。 2 2. 作用不同,3. 标识方法也不一样 域名用字符化形式来对计算机网络中的主机进行网络标识，例如上网时常用的“www.baidu.com”，就属于域名的概念，域名采用层次化的管理方式。 … 4 4.映射关系不同 Internet上的IP地址是唯一的，一个IP地址对应一个计算机； ))

域名用字符化形式来对计算机网络中的主机进行网络标识，例如上网时常用的“www.baidu.com”，就属于域名的概念，域名采用层次化的管理方式。

IP地址用数字化形式来对计算机网络中的主机进行网络标识，如常用见的10.254.1.1、172.16.1.10、192.168.1.254等都属于IP地址的概念。目前有两个版本的IP地址，一个是IPv4版本，一个是IPv6版本。

Internet上的IP地址是唯一的，一个IP地址对应一个计算机；
一个域名对应一个IP地址或好多个IP地址：比如百度的IP（119.75.218.70）（119.75.217.109）；

一文搞懂网络知识，IP、子网掩码、网关、DNS、端口号 - 知乎 (zhihu.com)

也就是说使用DNS解析，就是访问网址（域名），然后返回一个IP地址给你；之后你的网关（路由器）就知道往哪个IP地址传输数据了（交换数据/丢包）

虚拟机原理

在这里插入图片描述

⛄️13.2 网络IP与网关

Windows下查看网络配置

ipconfig

Linux下查看网络配置

ifconfig

🏠13.3 Linux 虚拟机的网络设置

1. 自动分配

有时候开机重新启动会有所变化

在这里插入图片描述

2. 手动设置

特点：

以后都不会改变
要改变虚拟机的IP地址+VMnet（虚拟网卡）的IP地址，使得这两个仍然在同一个网段
看老韩视频吧，不想记笔记了，给个入口

🌊13.4 设置主机名和hosts映射

设置主机名

为了方便记忆，可以给Linux系统设置主机名，也可以根据需要设置修改主机名；

vim /etc/hostname

修改后，重启生效 reboot

hostname

可以直接显示主机名

hosts映射

通过主机名，就可以找到对应的主机，比如，以前我们需要：

ping 192.168.xx.x

现在我们只要修改hosts设置，将IP地址与主机名关联；
假设这个主机为 xiaoming -> 192.168.xx.x
那么可以变成：

ping xiaoming

在Windows系统下，按照下面的文件地址去找：

C:\Windows\System32\drivers\etc\hosts

加上一句话：

192.168.xx.x xiaoming

在Linux下，在：

/etc/hosts

加上：

192.168.xx.x ThinkPadPro16

假设虚拟机的名称为ThinkPadPro16

原理

  • hosts文件

一个文本文件，用来记录IP和Hostname（主机名）的映射关系

  • DNS

域名和IP地址相互映射的一个分布式数据库

举例：
假设用户在Edge浏览器输入www.baidu.com
第一步：计算器先去找Edge的浏览器缓存，看其中有没有这个域名对应的IP地址，如果有，就调用这个IP地址，完成；
第二步：如果第一步没找到，那么计算机就找DNS解析器缓存；
DNS解析器缓存+浏览器缓存=本地缓存
第三步：第二步还是没找到，那么检查etc目录下的hosts文件有没有相应域名www.baidu.com与IP地址的对应关系，如果有则调用；
第四步：前三步都没找到，那么就到域名服务器DNS进行解析域

在这里插入图片描述

在Windows下查找过去一段时间的域名缓存：

ipconfig/displaydns

可以玩玩，上的网站多了，缓存很长

手动清理DNS缓存：

ipconfig/flushdns

域名对应的IP地址，如果有，就调用这个IP地址，完成；
第二步：如果第一步没找到，那么计算机就找DNS解析器缓存；
DNS解析器缓存+浏览器缓存=本地缓存
第三步：第二步还是没找到，那么检查etc目录下的hosts文件有没有相应域名www.baidu.com与IP地址的对应关系，如果有则调用；
第四步：前三步都没找到，那么就到域名服务器DNS进行解析域

[外链图片转存中…(img-pPswrzjP-1707744637118)]

在Windows下查找过去一段时间的域名缓存：

ipconfig/displaydns

可以玩玩，上的网站多了，缓存很长

手动清理DNS缓存：

ipconfig/flushdns
标签
#linux #学习 #笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
2024年【Linux】一步一步学Linux系列教程汇总（更新中(1)，正式加入阿里巴巴 既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新如果你需要这些资料，可以戳这里获取089.【Linux】一步一步学Linux——groupmod命令(89) 090.【Linux】一步一步学Linux——gpasswd命令(90) 091.【Linux】一步一步学Linux——newgrp命令(9 阅读详情

相关推荐

持续更新linux好用的命令行

持续更新linux一些好用的命令行

qq_21478261的博客 277

Linux基本命令学习笔记（1）

​ Linux 之父是芬兰计算机程序员 Linus Torvalds。他在1991年创建了 Linux 内核，并成为了 Linux 操作系统的主要架构师和开发者。Linus Torvalds 的贡献使得 Linux 成为了世界上最流行的开源操作系统之一。​ Ubuntu 是基于 Linux 开源操作系统， 对于嵌入式设备非常友好，后续开发环境都基于 Ubuntu 实现。学习任务linux系统操作码命令Linux系统的目录结构后续Linux内核编译。

m0_46590874的博客 1032

PySide6多线程避坑大全：信号槽崩溃、内存泄漏，这些雷我都帮你踩过了

本文深入探讨了PySide6多线程开发中的常见问题与解决方案，包括信号槽崩溃、内存泄漏等典型陷阱。通过实战案例和优化策略，帮助开发者避免UI线程操作错误、有效管理资源生命周期，并提升跨线程通信的可靠性。特别针对PySide6多线程特性，提供了线程安全日志、死锁检测等实用调试技巧。

weixin_32288959的博客 397

目前全网最全Linux学习笔记

包含了Linux搭建、命令、脚本、使用等等内容

qq_58360406的博客 1729

KANO分析模型

KANO分析模型的基本概念，目的意义，应用场景，实现方法和示例等

JasonH2021的博客 3069

模电(十四)差分放大电路

目录 差分放大电路 双端输入双端输出 Q点分析 抑制共模信号 放大差模信号 双端输入单端输出 Q点分析 差模信号分析 共模信号分析 单端输入双端输出 单端输入单端输出 四种接法比较 具有恒流源的差分放大电路 差分放大电路的改进 差分放大电路 采用引入支流负反馈，温度补偿来克服零点漂移（温度变化，直流电源波动，元器件老化产生的输入电压为零，输出电压不为零的...

weixin_43674847的博客 2万+

Python基础学习教程笔记 （持续更新！！）

持续更新，伴随博猪的学习。

DANGAOGAO的博客 1114

跟着团子学SAP CO：熟练使用结果分析码实现各个场景下收入成本的匹配（一） KKA2/CJ88

PS模块中对财务顾问最难的点在于项目结算，特别是销售型的项目结算。针对客户型项目结算我列举了以下常见的收入成本匹配的一些场景： （1）在项目执行过程中会多次开票，但由于各期成本浮动很大（如前期可能只涉及一些人工、中期全是比较金额较大的材料费），所以希望开票的时候能通过合理的一些指标进行主营业务成本与主营业务收入的匹配。 （2）项目过程中会多次开票，开票确认主营业务收入时，直接将累计发生的实际成本结转为主营业务成本。 （3）项目过程中虽多次开票，但不确认收入，所有发生的实际成本月末计算为在制品，最后项目一次性

Lucas1211的博客 9536

开始用博客整理自己的python笔记

目前已经龟速的学习python一个多月，师从egon的录好的视频课，也自己线下整理了自己的笔记，现在尝试通过博客将自己的笔记整理的更具体系化，更便于翻阅复习。

qq_49188781的博客 134

DeiT详解：知识蒸馏的Transformer

DeiT模型（8600万参数）仅用一台 GPU 服务器在 53 hours train，20 hours finetune，仅使用 ImageNet 就达到了 84.2 top-1 准确性，而无需使用任何外部数据进行训练，性能与最先进的卷积神经网络（CNN）可以抗衡。其核心是提出了针对 ViT 的教师-学生蒸馏训练策略，并提出了方法，使得在视觉领域训练得又快又好。

走在深度学习前沿的小宋 2637

51、基于深度卷积神经网络的自闭症分类研究

本研究提出了一种基于深度卷积神经网络的自闭症分类方法，通过融合VGGNet-19和ResNet-52模型的特征，并在决策层采用SVM分类器，实现了对自闭症谱系障碍（ASD）和典型发育（TD）个体的准确区分。研究使用ABIDE数据集，结合数据增强和特征拼接技术，取得了88.12%的分类准确率和0.88的ROC曲线下面积。结果表明，该方法在自闭症自动诊断中具有良好的性能，同时研究也探讨了其局限性，并展望了未来改进方向，如多模态数据融合、迁移学习和模型可解释性的提升。

grpc6streamer的博客 131

echo linux命令_Linux echo命令示例

echo linux命令Linux echo command is used to display a line of text on the screen. This is done by echoing the string to the standard output. Linux echo命令用于在屏幕上显示一行文本。 这是通过将字符串回显到标准输出来完成的。 Linux echo命令...

从零开始的教程世界 1465

winform自定义控件（gdi+）（1）———设置透明背景色

本文详细讲解了如何在winform中设置控件的背景色为透明色

qq_34059233的博客 3688

Linux的进程相关学习笔记（持续更新补充）

本文介绍了Linux进程管理中常见的孤儿进程和僵死进程现象，以及相关处理函数。孤儿进程是父进程终止后由内核自动接管给init进程（PID=1）的子进程，内核通过修改子进程PCB中的父进程ID实现。僵死进程则是已终止但未被父进程回收资源的子进程，会占用系统资源。文章详细讲解了wait()和waitpid()函数的使用方法，以及如何通过它们防止僵死进程出现。此外，还对比了进程创建函数fork()和vfork()的区别，并分析了exit()、_exit()等进程终止方式的特性。全文通过生动的比喻和技术解释，帮助理

qq_52763245的博客 1319

手把手教你学Simulink--基于Simulink的风力发电系统用双馈电机控制仿真建模

特点高效节能：在广泛的风速范围内保持高效的能量转换。独立控制有功和无功功率：通过控制转子电流实现对有功和无功功率的独立调节。较低的成本：相比直接驱动或全功率变流器方案，成本较低。挑战控制复杂度较高：需要复杂的控制算法来实现有功和无功功率的解耦控制。对电网波动敏感：需要良好的稳定性控制策略以应对电网电压波动。利用Simscape Electrical中的模块构建DFIG的物理模型，配置参数如电阻、电感、极对数等。matlab深色版本% 添加DFIG电机模块。

MHD0815的博客 350

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

linux学习笔记持续更新

linux学习笔记持续更新 2019.01.19 沈阳 今天晴天多云，－2度到－16度。 今天主要的学习内容如下： 1.做一个samba和NFS实验，为LNMP实验做一个文件传输使用，环境在win10物理机和VM rhel7之间。 VM rhel7...

239

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Linux如何通过镜像更新,linux镜像（持续更新）

linux实用指令 &vert; 程序员线上排查必知必会linux指令&lpar;持续更新中&rpar;Linux线上排查程序员实用指南 一.乱码问题 二.帮助指令 1. help命令 2. man命令 3. info命令 三.性能监测与优化 1. top命令 参考资源 Linux线上排查程序员实用指南 ...Java开发需掌握的常用Linux命令&lpar;持续更...

weixin_28974441的博客 545

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

最全Linux系统学习笔记--持续更新

1、shell语法 命令 选项 参数 命令：整条shell命令的主体 选项：会影响会微调整个命令的行为 参数：命令作用的对象 1、自动补全 2、快捷键 ctrl+C：终止前台运行的程序 ctrl+D：相当于exit ctrl+L：清屏 ctrl+A：光标移到命令行的前端 ctrl+E：光标移到命令行的后端 ctrl+K：删除光标后的所有字符 ctrl+U：删除光标前的所有字符 ...

qq_42971895的博客 2226

第8章 系统持续安全：Linux自动更新机制详解

本文详细介绍了Linux系统的自动更新机制，重点涵盖Ubuntu APT和CentOS YUM两种主流方案。系统更新是维护安全性和稳定性的核心环节，涉及安全漏洞修复、功能缺陷修补和性能优化三个方面。文章首先阐述了更新的重要性，提供了完整的更新操作流程和模拟更新方法；然后解析了自动更新的工作原理和风险控制策略，包括配置备份、更新黑名单等实用技巧；最后针对不同发行版详细讲解了APT和YUM的配置方法、高级应用和自动更新实践。通过合理的自动更新配置，管理员可以在确保系统安全的同时，有效降低更新风险和服务中断可能性

小宝哥Code的专栏 1115

【学习笔记】linux——centOS（持续更新）

如果想要单单在单个命令中获取root权限，只需要在命令前加上sudu（例如sudu rm xxxxxxx）2.4 文件操作——touch、cat、more、cp、mv、rm、tail。1、/xxx/xxx/.....，永远以/开头因为是以/作为根目录向下分层。su [-] [用户名]：（例如su-root为切换为管理员）3、.表示当前路径，..表示上一级目录，~表示home目录。例：date "+%Y-%m-%d %H:%M:%S"：需要找到的文件（一、按文件名查找）-size ：（二、按文件大小查找）

iamfromhuoxing的博客 763

LINUX学习笔记（总）持续更新中

LINUX的基础命令 一、常用的系统工作命令 1.echo 屏幕终端上显示信息 2.date 用于显示时间或者日期 3.reboot 重启系统 4.poweroff 关闭系统 5.wget 用于在终端下载网络文件 6.ps 管理应用进程，优化系统的性能 R 运行 S 中断 D 不可中断 Z 僵死 T 停止 7.top 用于监视进程活动和系统负载等信息 8.pidof 用于查询某个指定服务进程的PID的值 9.kill 用于终止某个命令的PID服务进程 10.killall 用于终止某个指定名称的服务所对应的

Crown_Of_Thorn的博客 896

所有文章汇总【持续更新】

文章目录一、Git[1.Git出现error: could not lock config file C:/Users/.gitconfig: Permission denied](https://blog.youkuaiyun.com/qq_42759162/article/details/105027634)2.使用Git命令批量上传文件二、数字IC设计相关知识（一）知识点讲解1.Synopsys逻辑综合及DesignCompiler的使用（二）工具使用1.ModelSim+Debussy联调2.Modelsim的

凳子花❀的博客 2380

Linux学习笔记【持续更新】

Linux笔记 安装部分： swap虚拟内存为内存的两倍例如4G（如果大的话就不用设置） boot分区主引导500M /根全部分配 还可以创一个/data，可以用来挂载东西用 配置部分： hostnamectl set-hostname name #设置主机名字 exec bash #刷新 远程ssh登录 ssh root@192.168.1.1 文件查看部分: ls -R |wc -l 其中-R为递归查看，wc为统计共有多少行

向阳-Y.的博客 474

C语言汇总（持续更新）

之前写的博客的摘要部分可能不是很清楚，所以写了本篇的博客，为了方便阅读，将所有的C语言的博客链接列举如下，因为博客还在陆续更新，所以本篇博客也会逐步的更新内容。本次列举的是C语言学习笔记（上）-优快云博客到C高级学习笔记（下）-优快云博客的知识点，以及[C语言]程序练习（一）-优快云博客到[C语言]程序设计（四）-优快云博客的程序练习。后续将持续 更新程序练习的部分。

争做图书馆扫地僧的小白的博客 1254

Linux集锦大全【持续更新】

Linux集锦大全-持续更新中

我们编程吧 1410

Linux基础学习笔记(持续更新)

系统选用的centos7.9，可以根据自己的需要来选择

qq_45580637的博客 1088
上一篇： Linux
下一篇： Linux之shell编程
点赞 39
评论 1
书签 书签 42
CodingZP
CodingZP
博客等级 码龄4年 75粉丝 9原创
+ 关注
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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