4、深入探索Shell编程基础

深入探索Shell编程基础

1. #! 行与脚本起始

POSIX标准对 #! 的行为未作明确规定,这意味着该特性可作为扩展使用,同时仍能保持与POSIX的兼容性。多数脚本都以 #! 行开头,例如修改后的 nusers 程序:

$ cat nusers
#! /bin/sh -
who | wc -l

这里的 - 选项表明没有更多的shell选项,这是一项安全特性,可防止某些类型的欺骗攻击。

不同系统对 #! 行的长度限制各不相同,具体如下表所示:
| 供应商平台 | 操作系统版本 | 最大长度 |
| — | — | — |
| Apple Power Mac | Mac Darwin 7.2 (Mac OS 10.3.2) | 512 |
| Compaq/DEC Alpha | OSF/1 4.0 | 1024 |
| Compaq/DEC/HP Alpha | OSF/1 5.1 | 1000 |
| GNU/Linux(所有架构) | Red Hat 6, 7, 8, 9; Fedora 1 | 127 |
| HP PA–RISC 和 Itanium - 2 | HP–UX 10, 11 | 127 |
| IBM RS/6000 | AIX 4.2 | 255 |
| Intel x86 | FreeBSD 4.4 | 64 |
| Intel x86 | FreeBSD 4.9, 5.0, 5.1 | 128 |
| Intel x8

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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