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
400+累计阅读
413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
说明：
find命令用来在指定目录下查找文件。任何位于参数之前的字符串都将被视为欲查找的目录名。如果使用该命令时，不设置任何参数，则find命令将在当前目录下查找子目录与文件。并且将查找到的子目录和文件全部进行显示。
语法：
find / -name *.rpm -type d
/：表示是在根目录下进行查找
-type：查找的类型，d是目录，f是普通文件
find / -name .log -name "an"
后面的-name是找到.log文件中以con开头的文件
find / -name “con*.log” -exec cp {} /tmp/ ;
基于 find 查找 Linux 系统以.log 结尾，同时名称以 con 开头的，同时将其 拷贝到/tmp 目录下。
Latex在VSCODE中编译报错`Recipe terminated with error. Retry building the project.
Latex在VSCODE中编译报错Recipe terminated with error. Retry building the project. 1 报错提示： Recipe terminated with error 2 报错原因 大概率的原因是因为latex没有添加到系统环境变量中，所有设置的编译工具没有办法找到才出现的这种情况 3 解决方案 请按照如下方式进行系统变量的添加 对windows，win+R 然后输入sysdm.cpl 在高级中选择环境变量 找到path环境变量，将txtlive中
python字符串中find函数_python字符串查找函数的用法详解
python字符串查找函数的使用打开Python开发工具IDLE，新建‘findstr.py'文件，并写代码如下：s ='/ab/bx,.s'print (s.find('/x'))注意find是匹配子字符串，而不是匹配第一个字符F5运行程序，打印出-1，代表没有找到‘/x'子字符串修改代码如下，查找‘/b'子字符串s ='/ab/bx,.s'print (s.find('/b'))F5运行程序，...
告别屏幕闪烁：手把手教你用示波器抓取并分析MIPI DSI信号（以RK平台为例）
本文详细介绍了如何利用示波器抓取并分析MIPI DSI信号，以解决LCD屏幕闪烁、花屏等问题。以RK平台为例，从工具准备、示波器参数配置到信号捕获与波形解读，提供了一套完整的调试方案，帮助硬件工程师快速定位和解决显示接口信号完整性问题。
Linux相关命令用法篇一之指令四剑客
整理linux常用指令，会不定时更新
Unity集成阿里云语音AI：从麦克风录音到实时语音合成的全流程实现
本文详细介绍了在Unity中集成阿里云语音AI服务，实现从麦克风录音到实时语音合成的完整流程。通过调用阿里云的语音转文字和文字转语音接口，开发者可以快速为游戏或应用添加语音交互功能，提升用户体验。文章涵盖了环境配置、签名认证、音频处理及项目集成等核心步骤，并提供了实用的调试技巧。
876-基于STM32的毫米波雷达智能睡眠监测系统
基于STM32的毫米波雷达智能睡眠监测系统通过非接触式毫米波雷达检测人体呼吸频率和体动次数，结合WIFI数据传输和OLED显示，实现睡眠质量分析与远程监控。系统核心功能包括生理参数采集、阈值设置、数据可视化及远程交互。
Linux查找命令四剑客awk、sed、find（locate）、grep讲解
find . -iname "ab*" -type f -mtime -3 -size -1M -perm 755 . 表示在当前目录下 -name 查找关键字 -iname 忽略大小写查找含有关键字的文件 -type d目录 f文件 l 软链接 "ab*" *匹配一串字符 ？匹配一个字符 -size +1M 表示大于1M的，-1k 表示小于1k的文件 -perm 755 表示权限为755的文件 -mtime -3 modify time 修改...
如何读懂CiteSpace图谱？科研小白必看的节点颜色/年轮/聚类解读手册
本文详细解析CiteSpace图谱的核心视觉元素，包括节点颜色、年轮和聚类标识，帮助科研人员准确解读数据分析结果。通过生物医学案例展示如何从图谱中识别关键文献和研究趋势，提供五步系统解读法和常见错误规避策略，助力科研小白快速掌握文献计量分析技巧。
linux内核模块pid,c - 我的Linux内核模块中的pid_task（find_vpid（pid），PIDTYPE_PID）有问题 - 堆栈内存溢出...
我正在开发与我的用户空间C应用程序通信的Linux内核模块。 在这个模块中，我正在创建一个线程。 此外，我需要知道用户空间进程的pid，因此我正在使用pid_task(find_vpid(pid), PIDTYPE_PID)函数。这是我面临问题的模块：#include #include #include #include //siginfo#include //rcu_read...
2018南京大学计算机夏令营机试
1. Count number of binary strings without consecutive 1’s Given a positive integer n(3≤n≤90), count all possible distinct binary strings of length n such that there are no consecutive 1's . Examples...
图神经网络实战（5）——常用图数据集
Cora 和 Facebook Page-Page 是图神经网络领域中经常使用的两个基准图数据集，通常用来比较不同模型的性能。在本节中，介绍了如何使用 PyTorch Geometric 库提供的数据集类加载 Cora 和 Facebook Page-Page 数据集，并探索了两个数据集的主要特征。
linux四剑客find、grep、sed、awk
find、grep、sed、awk、正则表达式详解
OData 请求里的 Nextlink 实战：在 ABAP Client Proxy 中优雅处理长列表分页
本文介绍了OData v4标准中的@odata.nextLink分页机制及其在SAP ABAP中的实践应用。重点解析了该机制通过服务端提供的完整URL实现分页获取，客户端只需循环处理直到该字段消失的特点。文章提供了清晰的ABAP代码模板，展示如何通过Remote Client Proxy实现分页数据获取，并强调了仅支持OData v4和远程消费的限制条件。通过HR员工数据聚合的实际案例，说明了流式分页处理的最佳实践，包括服务端过滤、稳定排序和内存控制等关键技术要点，为ABAP开发者提供了可直接落地的解决方案
Linux四剑客find、sed、grep、awk教程
find：查找文件 find /path/ -name "filename" 在path路径及其子目录内查找filename find /path/ -name "filename" -type f 查找类型过滤：f-文件，d-目录 find /path/ -name "filename" -mtime -1 查找过滤一天以内的文件， ...
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
Linux四剑客详解——find
今天继续给大家介绍Linux基础知识，本文主要内容是Linux四剑客之一的find。Linux四剑客是指find、grep、sed和awk，这些命令可以单独作为命令使用，但是更广泛的是应用于Linux的shell脚本中，利用这几条命令可以使得shell脚本更加灵活，从而实现一些复杂脚本的编写。 一、find命令使用和参数 find命令主要是用于查找文件，find可以根据文件名、文件属性查找文件，其中文件属性包括文件大小、类型、时间、属主（组）等。find命令在查找文件时支持通配符，其主要参数如下： -nam
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Linux shell四剑客之find
shell 四剑客之find 在Shell编程工具中，四剑客工具的使用更加的广泛，Shell编程四剑客包括：find、sed、grep、awk，熟练掌握四剑客会对Shell编程能力极大的提升。 四剑客之Find工具实战，Find工具主要用于操作系统文件、目录的查找，其语法参数格式为： find path -option [ -print ] [ -exec -ok co...
Shell正则四剑客 | find命令
在Shell编程工具中，四剑客工具的使用更加的广泛，Shell编程四剑客包括：find、sed、grep、awk，熟练掌握四剑客会对Shell编程能力极大的提升。 Linux中find常见用法示例 四剑客之Find工具实战，Find工具主要用于操作系统文件、目录的查找，其语法参数格式为： ...
Linux shell四剑客之awk
shell编程四剑客：find、grep、sed、awk shell编程四剑客之find，主要用于查找Linux操作系统的某个文件/目录的路径； shell编程四剑客之grep，抓取，主要用于过滤和匹配文件内容，以行为单位进行匹配； shell编程四剑客之sed，流编辑器命令，用于文件的内容替换、追加、修改、删除等，类似vi编辑器，是一种非交互的编辑器； shell编程四剑客之awk， 支持变量、...
Linux命令四剑客～sed grep awk find
linux四剑客～grep 参数详解： -v: 取反； -i: 忽略字符大小写; -n: 显示匹配的行数； -c:统计匹配的行数； -o:仅显示匹配到的字符串； -q:静默模式，不会输出任何信息； -e:搜索多个条件，是或的关系； -w:只匹配整个单词； egrep是支持正则表达式，其他参数与grep一样。 linux四剑客～sed 命令行格式 sed [选项] command 文件 选项： -i：直接修改要编辑的文件 常用命令： a: 新增，a 的后面可以接字串，而这些字串会在新的一行出现(目前的
四剑客查找字符_Shell正则四剑客 | find命令
在Shell编程工具中，四剑客工具的使用更加的广泛，Shell编程四剑客包括：find、sed、grep、awk，熟练掌握四剑客会对Shell编程能力极大的提升。Linux中find常见用法示例四剑客之Find工具实战，Find工具主要用于操作系统文件、目录的查找，其语法参数格式为：findpath -option [-print ] [ -exec -okcomman...
Linux四剑客-find和grep
过滤:在文件中或管道中进行查找，找出想要的内容(字符串)默认按照行查找，grep会把匹配到的行显示出来。
Linux之四剑客：find、sed、grep、awk
目录find查找方式1、按名字查找2、按目录查找3、按权限查找4、按类型查找 （b/d/c/p/l/f ）5、按属主及属组6、按时间查找7、按文件新旧8、按大小查找sed1.打印显示文本内容2.增加文件内容，向文件中添加或插入行grep find 大海捞针，主要是用于查找Linux 操作系统的某个文件、目录所在路径，查找出满足条件的文件或者目录的路径 【和locate命令很相似】 格式： find path -option 【 -print 】 【 -exec -ok |xargs
SECTION 5 四剑客命令
linux四剑客命令，find常用在目录下精确查找文件，grep常用来做全局数据的查询定位，sed常用来做行数据增删改查，awk常用来做列数据切分与提取
Linux四剑客及正则表达式
注意：使用exec将多个文件压缩成一个压缩包是不可取的，因为按照exec的逻辑，是将前一命令的每一次执行结果依次放入{}，进行压缩时，会不断覆盖文件；==为shell中命令的分隔符，可将多个命令同时执行：mkdir test;注意：如果一段命令被添加上了``，那么在整体命令中，需要先执行``中的命令，类似于运算法则中的加减乘除先算（）。在使用匹配区间（ /开头字符串/,/结尾字符串/ ）时，尽量。动作中有p，模式中必有n。
shell编程四剑客之find
shell编程四剑客之find： 在Shell编程工具中，四剑客工具的使用更加的广泛，Shell编程四剑客包括：find、sed、grep、awk，熟练掌握四剑客会对Shell编程能力极大的提升。 四剑客之Find工具实战，Find工具主要用于操作系统文件、目录的查找，其语法参数格式为： find path -option [ -print ] [ -exec -ok command ] { } \; option常用参数详解如下： -name filename
Linux高级命令（四剑客）——find命令
目录一、find命令1.作用2.语法3.参数4.-name参数5.-iname参数6.-type参数7.-size参数8.-user参数 一、find命令 1.作用 查找文件 2.语法 find [路径] [参数] 3.参数 -name 文件名称符合name的文件 -iname 文件名称符合name的文件，并且忽略大小写 -type 指定文件类型（f为一般文件，d为目录，l为链接文件，b为接口设备，c为串行端口设备） -size 指定文件大小（c为字节，k为千字节，M为兆字节） -user 指定属主 -gr
Linux四剑客之find
Find命令 一、寻找指定目录下的以txt结尾的文件 find /home/test/upload -name "*.txt" find . (.代表当前目录) 二、寻找类型为file的文件，如果需要找dir文件则将f变为d find /home/test/upload -name "*.txt" -type f ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3万+
扫一扫
