Bash中的if条件分支

`fi` 是 Bash 脚本中用来结束 `if` 条件语句块的关键字 fi是 Bash 脚本中用来结束if条件语句块的关键字。它的作用类似于其他编程语言中的,但在 Bash 中特有,用于标识条件语句的结束。 阅读详情

    共有三种形式:

    第一种最简单的形式为:

    if [ expression ] ; then

        statements

    fi

    第二种形式为:

    if [ expression1 ]; then

         statements1

    else

         statements0

    fi



    第三种形式为:

    if [ expression1 ]; then

         statements1

    elif [ expression2 ]; then

         statements2

    elif [ expression3 ]; then

         statements3

    else

         statements0

    fi

    这三种形式的示例代码如下:

   

bash-4.2@conditionals$ cat main1.bash
#!/bin/bash
num=2
if [ $num = '1' ]; then
   echo "expression evaluated true."
fi
bash-4.2@conditionals$ cat main2.bash
#!/bin/bash
value=2
if [ value = '1' ]; then
    echo 'value is 1'
else
    echo 'value is 2'
fi

bash-4.2@conditionals$ cat main3.bash
#!/bin/bash
value=3
if [ value = '1' ]; then
    echo 'value is 1'
elif [ value = '2' ]; then
    echo 'value is 2'
else
    echo 'value is 3'
fi

       输出结果如下:
bash-4.2@conditionals$ ./main1.bash ;./main2.bash ;./main3.bash 
value is 2
value is 3

camera QXXX架构 This article introduces the QCX camera architecture for Qualcomm’s latest automotive chips including SA8650. It elaborates the layered camera stack under QNX, HGY and HQX systems, covering client applications, stream manager, CamX components and hardware d 阅读详情

相关推荐

深入探索前端调试神器vConsole

vConsole作为一款前端调试神器,为前端开发者提供了一个便捷的调试解决方案。通过本文的介绍和示例,相信你已经对vConsole有了更深入的了解。然而,vConsole的功能远不止于此,它还有许多高级用法和技巧等待你去发掘。讨论:你在前端开发中是如何使用vConsole的?你有没有发现vConsole的一些隐藏功能或技巧?欢迎在评论区分享你的经验和见解!💝💝💝欢迎来到我的博客,很高兴能够在这里和您见面!

一个做过前端开发的产品经理,经历过睿智产品的折磨导致脱发之后,励志要翻身"农奴"把歌唱,一边打入敌人内部一边持续提升自己,为我们广大开发同胞谋福祉,坚决抵制睿智产品折磨我们码农兄弟! 8521

Bash脚本中的条件分支:if else实战技巧与常见误区

本文深入解析Bash脚本中if else条件分支的实战技巧与常见误区。从基础语法、字符串与数字比较的差异,到文件测试、逻辑组合及调试方法,系统讲解了如何避免空格、引号、运算符使用中的典型错误,并对比了[ ]与[[ ]]的适用场景,帮助开发者编写更健壮、高效的Shell脚本。

weixin_29313423的博客 102

从DIY桌面CNC到工业机器人:手把手教你用LinuxCNC搭建自己的第一台数控系统(基于Xenomai实时补丁)

本文详细介绍了如何使用LinuxCNC和Xenomai实时补丁搭建高性价比的数控系统,从硬件选型到实时系统构建,再到HAL硬件抽象层实战和G代码加工,手把手教你打造从DIY桌面CNC到工业机器人的完整解决方案。

weixin_28727975的博客 288

bash if条件判断

在bash中,if是可以对语句做选择执行,做if条件测试有整数测试,字符测试,文件测试三种形式。

小青头的博客 7413

Curve+ 5.0.2:新一代色彩校准工具如何革新印刷行业标准

Curve+ 5.0.2作为新一代色彩校准工具,通过G7+校准算法和SCTV技术革新了印刷行业的色彩管理标准。该工具显著提升色彩精准度,减少打样时间和材料浪费,支持专色处理,实现跨材质色彩一致性,为印刷企业带来效率与质量的全面提升。

weixin_29228781的博客 529

基于YOLO11深度学习的糖尿病视网膜病变智能诊断系统【Python源码+Pyqt5界面+数据集+训练代码】

本文详细介绍如何利用YOLO11深度学习技术构建糖尿病视网膜病变智能诊断系统。项目提供完整的Python源码、PyQt5图形界面、标注数据集及训练代码,实现从图片、视频到摄像头的多模态病变检测,旨在辅助医疗筛查,提升诊断效率。

weixin_29089057的博客 277

linux then多条命令,linux bash if中多个条件语句的写法

linux bash if中多个条件语句的写法1. 先说说基本的if的写法if..then..fi statement (Simple If)if..then..else..fi statement (If-Else)if..elif..else..fi statement (Else If ladder)if..then..else..if..then..fi..fi..(Nested if)i...

weixin_36385240的博客 3024

Unity特效序列帧输出全攻略:Recorder+Timeline保姆级教程(解决透明通道问题)

本文提供Unity特效序列帧输出的完整解决方案,重点讲解如何结合Recorder与Timeline工具,实现带透明通道的PNG序列帧高效输出。通过保姆级教程,详细解析摄像机隔离、层级设置、参数配置等关键步骤,并深度解决透明通道丢失等常见问题,帮助特效师和动画师打通引擎创作与后期合成的工作流。

tensorflowjs6的博客 429

【11.19】shell (上)

5.29 shell脚本中的变量 5.30 shell中逻辑判断 531 if判断文件目录属性 5.32 if判断的一些特殊用法 5.33 case用法

张森纳的博客 429

Oracle EBS R12 AR 标准发票 核心表结构

​ Oracle EBS R12 AR 标准发票 核心表结构 聚焦手动标准发票 (Standard Invoice),按头→行→分配→税→收款计划→会计分录→历史分层,标注主键、外键、关键字段、业务含义,同时说明表间关联关系,适配开发 / 运维 / 数据核对场景。 一、主数据层(发票头 + 行,核心业务表) 1. RA_CUSTOMER_TRX_ALL 【发票头表】 作用:存储整张发票头部信息,一张发票对应一条记录,AR 发票主表。 主键:CUSTOMER_TRX_ID (唯一 ID,系统内部键) 业

金牌架构师 282

Aurix TC3xx系列MCU ResourceM模块配置(多核资源分配)

为减轻主核的负载率或者平衡各个核的资源分配,通常需要把一些MCU内部资源分配到从核上,在EB tresos工具中,通过ResourceM模块实现多核资源分配。

m0_38045338的博客 1388

2017.09.04

if [ -z $APP_DIR ]; then export APP_DIR=`pwd` fi export FWD_DIR=`dirname $APP_DIR`/forward 这两段是什么意思啊,主要是那个'-z' 'fi' 'forward'这三个 ik.qb.data.add('page','fromWap','0'); 最佳答案 -z判断变量值是否为

非洲王子 431

Linux Bash Shell编程(九):流程控制语句(上) 分支语句(if、case)

Linux Bash Shell编程(九):流程控制语句(上) 分支语句(if、case)   上一节中,我们学习了Bash中各种类型的条件判断语句。在Bash中,流程控制是条件判断语句的最终目的,条件判断语句是流程设计的基础条件。本节开始我们就来一起探索Bash中的流程控制语句,首先我们会了解到分支语句if与case if 判断语句  简介   流程控制是编程语言基础中的基础,if语句和case语句一起实现了程序语言的三种结构(顺序结构、分支结构、循环结构)之一的分支结构。简单说,if语句判断了条

Zheng__Huang的博客 4316

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")

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

Bash编程语法

Bash编程语法 1、变量 (1)规则      命名只能使用英文字母,数字和下滑线,首个字符不能以数字开头      中间不能有空格,可以使用下划线(_)      不能使用标点符号      不能使用bash里面的关键字(可用help命令查看保留关键字) (2)定义与使用变量      your_name=‘abd’      echo $your_name (3)只读变量      a=‘123’      readonly a      此时a变量不能更改,也不能被删除 ...

weixin_44766148的博客 1208

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

linux bash 教程,Linux Bash Shell入门教程

2.4 BASH 中的基本流程控制语法BASH 中几乎含有 C 语言中常用的所有控制结构,如条件分支、循环等,下面逐一介绍。2.4.1 if...then...elseif 语句用于判断和分支,其语法规则和 C 语言的 if 非常相似。其几种基本结构为:if [ expression ]thenstatmentsfi或者if [ expression ]thenstatmentselsestatm...

weixin_35716518的博客 201

linux++bash脚本,​ Linux之bash脚本

Linux之bash脚本Shell就是用户与系统交互的应用程序bash是shell应用程序其中的一种。最简单的shell脚本就是系统支持命令的叠加。例如:vimcommand.sh#!/bin/bash告诉shell用bash解释器运行此脚本(开头第一行)##号注释ls/varcat/var/log/maillog运行此脚本方式有两种1第一为此脚本添加可...

weixin_29045585的博客 1337

万事课程:Bash Cmd 命令行代码

就是很简单高效的一套程序代码以上都是AI分析 + 个人总结首先得有一个好的程序如果本身程序都不优秀,还分析个der│ 优秀的程序 │ ───▶ │ AI 分析 │ ───▶ │ 重点总结 │所以,善用AI可以发现更多,更美好的程序;

大话程序员 80

shell if

<br /> 摘要本章我们会讨论在Bash脚本中使用条件,包含以下几个话题:if 语句 使用命令的退出状态比较和测试输入和文件if/then/else 结构 if/then/elif/else 结构 使用和测试位置参数嵌套 if 语句 布尔表达式使用 case 语句 7.1. 介绍if 7.1.1. 概要 有时候你需要指定shell脚本中的依靠命令的成功与否来实施不同过程的行为。 if 结构允许你来指定这样的条件。 最精简的 if 命令的语法是: if TEST-COMMANDS

nimi521的专栏 830

Shell中if的用法

总结Shell脚本中常用的几种if判断。-z 判断变量长度,-d 判断目录是否存在,-f 判断文件是否存在,-省略if之&&和||,-o 或,-a 与。

分享AI工具/AI副业玩法 4439

Bash 编程语法

目录 变量 控制语句 if for while 规则 命名只能使用英文字母,数字和下划线,首个字符不能以数字开头 中间不能有空格,可以使用下划线 (_) 不能使用标点符号 不能使用bash里的关键字 (可用help命令查看保留关键字) 定义与使用变量 your_name ="abc" echo $your_name 只读变量 a="123" readonly a 删除变量 unset variable_name(不能删除只读变量) 变量类型 字符串:your_name="ho

人生苦短,何妨一试 174

Shell脚本总结-if循环

if 判断 [ ] 里面的条件是否成立 后面跟then,代表条件成立 如果在一行则使用分号隔离(;在这里设置num1 大于num2 的话才输出num1 > num2的变量,但是很明显num1小于num2,这里就是一个中括号不支持运算符的使用。查看结果马上不一样了,代表双中括号支持运算符的使用,因此建议大家使用双中括号来编写if语句。如果 aaa的变量大于bbb的变量,则输出${aaa} 大于 ${bbb}的变量。exit的作用是退出当前运行的程序,并将参数value返回给主调进程。

cnluxiansheng的博客 668

awk过滤if分支结构

awk过滤if分支结构: if分支结构(双分支、多分支) 1.单分支 统计/etc/passwd文件中UID小于或等于1000的用户个数: # awk -F: '{if($3<=1000){i++}}END{print i}' /etc/passwd 统计/etc/passwd文件中UID大于1000的用户个数: # awk -F: '{if($3&...

weixin_44799645的博客 392

Bash 脚本语法

每次学了忘,忘了学,怎么记不住,因为长时间不用了 Bash 流程控制 循环 for循环 for item in $list do echo $item done 另一种与C语言类似的写法 for((i=0; i<10; i++)) do echo $i done 双括号是个非常好的东西! 还有一种 for i in $(seq...

weixin_30315905的博客 96

01-10 Linux-bash编程

变量 命名规则: 只能使用英文字母、数字与下划线,首个字符不能以数字开头 中间不能有空格,允许使用下划线 不能使用标点符号 不能使用 bash 里的关键字(可用help命令查看保留关键字) 定义与使用变量: # 定义常规变量 [root@xiaojw ~]# name="leo" [root@xiaojw ~]# echo $name leo # 定义只读变量:不能被更改和删除 [root@xiaojw ~]# name=tom [root@xiaojw ~]# readonly name [root@

Leo-Fighting的博客 159

测试开发学习笔记--Bash编程语法

学习目录 变量 控制语句 if for while 一、变量 规则: 命名只能使用英文字母,数字和下划线,首个字符不能以数字开头 中间不能有空格,可以使用下划线(_) 不能使用标点符号 不能使用bash里的关键字(可用help命令查看保留关键字) 1、定义与使用变量 your_name = “abc” echo $your_name 2、只读变量 a =“123” readonly ...

apiaoei的博客 344
上一篇: Bash 中的变量
下一篇: Bash中的循环
下木
博客等级 码龄16年 88粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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