ubuntu下显示文件中某几行

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 3k累计阅读 3k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18年

关注

原创最新推荐文章于 2026-02-03 13:54:34 发布 3k 阅读 AI 写同款· GEO 优化 ›

Ubuntu vim 以十六进制的形式显示文件内容阅读详情

1、cat命令

如：显示file_name 中的第200至240行

命令有两个方案可选：

cat file_name | head -n 240 | tail -n 40
cat file_name | tail -n +200 |head -n 40

注：

1）head -n 240 意思是显示0至240行；

2）tail -n 40,意思是显示末尾40行内容，两者组合即可显示200至240行内容；

3）tail -n +200：从200行开始显示，显示200行以后至尾行的内容；

2、sed命令

sed -n '5,10p' file_name

这样就可以只只显示第5行到第10行内容

收录于

shell使用技巧

当前文章被收录于：

shell使用技巧

5 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#Ubuntu #shell

Mathtype公式下标深度调整技巧：解决固定行距下的显示不全问题本文针对在Word等文档中设置固定行距时，Mathtype公式下标显示不全的问题，提供了专业解决方案。核心在于调整Mathtype软件内部的“下标深度”参数，通过修改单个公式或批量格式化全文，使公式完美适配固定行距，确保下标清晰完整，且不影响文档整体排版。阅读详情

相关推荐

电流采样（分流器与霍尔传感器）

霍尔效应霍尔效应是磁电效应的一种，这一现象是霍尔（A.H.Hall，1855—1938）于1879年在研究金属的导电机构时发现的。霍尔效应是研究半导体材料性能的基本方法。通过霍尔效应实验测定的霍尔系数，能够判断半导体材料的导电类型、载流子浓度及载流子迁移率等重要参数。简单原理如图1所示，半导体薄片两端通以控制电流I，垂直方向施加磁感应强度为B的匀强磁场，d为半导体材料的厚度，k为霍尔常数，它与半导体材质有关，则在垂直于电流和磁场的方向上，将产生电势差为UH的霍尔电压，它们之间的关系为。霍尔元件。

weixin_48867130的博客 1万+

Ubuntu下命令行查看文档内容（全文查看、查看前n行、查看后n行）

Qiu的博客 3511

基于51单片机的多功能智能路灯控制系统（仿真+代码+原理图）

智能路灯控制系统主要由51单片机最小系统+1602显示模块+DS1302时钟模块+光强检测模块+按键输入模块+声光报警模块+LED照明模块+状态检测电路+人体车辆红外检测模块组成。能实现以下功能： 1.能够按键设定系统时间、工作时间、光照阈值 2.工作时间内路灯点亮，凌晨12点后路灯关闭，有人或车通过是，路灯点亮10s 3.非工作时间光照强度低于阈值，路灯点亮 4.能够检测系统工作状态，路灯应亮未亮，声光报警 5.具备手动控制，能够切换自动/手动控制功能

u012759563的博客 8177

Ubuntu使用grep命令查找文件中的内容，查找某句代码文字所在的行

利用grep命令查找文件内容：假如在目录~/Documents/RRPN_ROOT/caffe-fast-rcnn/src/caffe/layers下，有很多layer文件，我想查找文件内容中含有"rotate"字样的layer，于是进入目录里： grep -rn 'rotate' * '*'号 : 表示当前目录所有文件，也可以是某个文件名 -r 是递归查找 -n 是显示行号 -R 查找所有文...

行三里路，读两页书 6466

oracle合并行---解决listagg 拼接字段返回过长 (Ora-01489 result of String concatenation is too long)

清影的博客 6281

android usb读写,安卓(Android)下如何开发USB NFC读写器app

对安卓工程师来说，在安卓下使用USB设备需要了解很多硬件的内容，这可能会导致工程周期的延长或者app的不稳定。为了将这种风险降到最低，友我科技发布了NFC读写器在安卓下的sdk，使用NFC读写器的类接口，安卓工程师就可以直接调用NFC读写器了，简单可靠。NFC读写器的安卓库文件为：yoworfidreader.jar在ADT工程中导入yoworfidreader.jar库文件，即可在工程中引用NF...

weixin_36433781的博客 823

Ubuntu 显示指定某已行内容

1.显示开头m行文件内容: head -n m filename awk 'FNR<=m{print}' filename awk 'FNR<=m{print}' filename sed -e mq filename sed mq filename head -n mfilename 2.显示结尾m行文件内容: tail -n m filename ...

kerlubasola 406

WhatsApp API接口的隐秘角落：从协议解析到自定义消息引擎

本文深入解析WhatsApp API接口的隐秘角落，从协议逆向工程到自定义消息引擎开发实战。通过分析WhatsApp的二进制XML协议和加密机制，构建超越官方API限制的自定义消息引擎，实现高效、灵活的即时通讯解决方案。文章还提供了企业级架构设计和风控规避策略，助力开发者突破官方限制，提升消息到达率和成本效益。

q3r4s5t的博客 761

ubuntu下查看文件行数

wc命令可以对文件中的行数、字符数、字节数进行计数 wc -l fileName 查看manual，还可以发现wc命令可以统计文件的字节数，字符数等。

系统运维 2663

开关变换器分析：大信号模型与小信号模型

是电力电子系统建模中的两类基本方法，分别用于描述系统在不同工作条件下的动态行为。它们的核心区别在于是否对变量进行线性化近似，以及适用的分析场景。

创新改变世界！ 1907

wsl2上运行带有Isaac Gym的程序报错: GPU Pipeline: disabled

显示GPU Pipeline:disabled,查找相关文档发现是WSL2目前不支持Isaac Gym,时,想要在wsl2上运行,最后报错如下。

2303_78660611的博客 957

设置Ubuntu 的vim/vi 自动显示行号信息

加油加油 6334

ADES1831和ADBMS6830

1、上电默认进入STANDBY模式，SPI发送0xFF也可以进入STANDBY模式2、看门狗定时器超时后，进入SLEEP状态3、配置寄存器中的REFON位使用WRCFGA命令将组A设置为1进入REFUP状态，此状态比待机状态更快地启动ADC转换。i<TOTAL_IC;i++)注意：读AFE数据时会随着AFE片数增加而增加，原因是唤醒时间和AFE片数密切相关，如果需要缩短时间，那么减少唤醒频次。

m0_61973119的博客 266

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Ubuntu Desktop 显示文件路径

程永强 2049

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

让ubuntu10.04文件浏览器显示文件路径

<br />让ubuntu10.04文件浏览器显示文件路径 1、打开终端，输入 gconf-editor 2、按下列路径一次查找 apps->nautius->preferences 在always_use_location_entry的值上，打勾，即可

c-dev 1075

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")

Ubuntu Desktop 隐藏 / 显示文件和文件夹

程永强 2268

Ubuntu22.04图形化界面无法显示文件扩展名的问题

Ubuntu22.04刚装完是默认没有“显示文件扩展名/尾缀”这个操作的。如果你直接装这个系统，那么你侧边栏的“文件"是没有选项可以直接修改文件扩展名的，但是其实默认你直接重命名的时候修改成为你想要的格式就行了。最近调试某古董机械臂，用到一种.jbi格式的文本类机械臂专用文件，我寻思能不能直接修改文件扩展名把.txt文件改成.jbi，结果遇到了一个问题：

NatyPieuni的博客 475

ubuntu下显示文件内容与信息的常用命令

显示文件内容【cat】从第一行开始显示文本内容参数如下 -n: 显示时，连行号印出屏幕上。-A 将 DOS 下的 <tab> 与断行字符都列出来！ -E: 将 DOS 编辑的文件中，仅列出断行字符出来！【tac】从最后一行到第一行的顺序显示文本内容【more】分页显示文件内容。语法：more 文件名。同时这个还可以用在目录数量太多的情...

weixin_34407348的博客 767

vsftpd不能显示文件目录的解决方法

当直接连接ftp成功但报出无法显示文件目录错误时的解决方法： iptables里面仅仅开放了80、21等常用端口，这样就导致了vsFTPd在被动模式时无法使用随机端口，从而造成了客户端连接FTP时无法列出目录这样的问题。解决方式很简单，给vsFTPd增加随机端口的范围，然后把这个端口范围添加到iptables。给vsFTPd增加随机端口的范围，然后把这个端口范围添加到iptables就可以

imyyx125的博客 1万+

Ubuntu下，使用ls命令显示文件颜色相关内容及修改

在Ubuntu下，使用ls命令显示目录下文件及文件夹时会先显示不同颜色，如下图所示：如果知道了不同颜色分别代表的含义，那么对于我们查看目录下文件信息方便了很多，如下所示： # Attribute codes: 字符属性 # 00=none 01=bold 04=underscore 05=blink 07=reverse 08=concealed #00无 01粗体 04下划线 05

山不在高，有金则名 4640

ubuntu 显示隐藏的文件

显示文件: ctrl+h

Isnotsuitable的专栏 658

ubuntu 18.04.4 - 显示文件路径

ubuntu 18.04.4 - 显示文件路径 Ctrl + L: 显示文件路径文件夹空白处鼠标右键 --> 在终端打开 --> pwd

weixin_44493841的博客 2788

上一篇：通过init.rc中的property实现动态控制service的开启与关闭

下一篇： Android系统开发常用shell命令汇总+vim中复制操作+adb logcat过滤

电流采样（分流器与霍尔传感器）