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
800+累计阅读
803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
在写一个Bash脚本的时候碰到一个问题，这个脚本是用来启动一个程序B的，而这个脚本又被另一个程序A调用，结果发现新启动的B进程中有很多A进 程打开的文件描述符（如Socket）。因此决定在脚本中将它们关闭，因为为了简单起见，我在A程序中使用了system()来启动该脚本。增加了关闭文 件描述符的脚本如下：
#!/bin/sh cd $(dirname "$0") || exit 1 exec 3>&- exec 4>&- ./rbtunnel "$@" & #sleep 1
这里的关键点就是关闭文件描述的代码：exec fd>&- 也可以是：exec fd<&- 其中fd为文件描述符的数字，而文件描述符在Linux下可以通过lsof -c rbtunnel来查看。
源文：http://www.vktone.com/articles/how-to-close-file-descriptor-on-bash.html
linux怎么退出vi.txt
按ESC键 跳出vi的编辑命令，然后： :w 保存文件但不退出vi :w file 将修改另外保存到file中，不退出vi :w! 强制保存，不推出vi :wq 保存文件并退出vi :wq! 强制保存文件，并退出vi q: 不保存文件，退出vi :q! 不保存文件，强制退出vi :e! 放弃所有修改，从上次保存文件开始再编辑
shell编程(二十一)文件描述符
一 文件描述符 文件描述符'File descriptor'是计算机的一个术语,是一个用于表述'指向文件的引用'的'抽象化'概念 明确一点：用户通过'fd'对"文件"进行'读、写'操作 文件：广义的文件,'普通'文件、目录、'管道pipe'、'FIFO(命名管道)'、socket、终端、'字符、块'设备 二 句柄 说明： 句柄'不在'本章节的考虑范围,本节讲解的是'Unix|Linux'下的文件句柄 补充： 'Perl语法'文件句柄是'文件描述符fd'的进一步封装;'C语...
Linux 在Bash脚本中怎么关闭文件描述符的实例
主要介绍了Linux 在Bash脚本中怎么关闭文件描述符的实例的相关资料,希望通过本文能帮助到大家实现这样的功能，需要的朋友可以参考下
Shell编程笔记
10和30即命令行参数各参数通过空格区分，如果参数本身含有空格，则添加引号。
ROS开发者的福音：用Anaconda虚拟环境解决Python包冲突（附完整配置流程）
本文为ROS开发者提供了使用Anaconda虚拟环境解决Python包冲突的完整方案。通过分析冲突根源，详细介绍了Miniconda安装、专用环境创建以及核心桥梁包的配置流程，并阐述了“混合环境运行”与“纯虚拟环境构建”两种实战工作流，帮助开发者实现ROS核心与特定Python库的和谐共存，从而提升开发效率和项目可维护性。
[pytorch] MedicalNet 3D Resnet预训练模型迁移学习实战：从分割到分类的代码改造
本文详细介绍了如何利用PyTorch对MedicalNet 3D ResNet预训练模型进行迁移学习，从分割任务改造为分类任务。通过解析模型结构、调整分类头、加载预训练权重及优化训练策略，帮助开发者在医疗影像领域快速实现高效模型部署。文章还涵盖了数据预处理、增强技巧及模型轻量化等实用内容。
[bash]文件描述符、重定向以及tee命令
1. 文件描述符的概念：
本地部署DeepSeek-Coder-6.7B 离线版的完整指南：打造适配当前系统的AI助手
《DeepSeek-Coder-6.7B本地部署指南》详细介绍了如何离线部署这款专注于代码生成的AI模型。文章涵盖硬件要求（推荐8核CPU、32GB内存、NVIDIA RTX3080显卡）、软件依赖（Python3.8+、CUDA11.0+、PyTorch1.9+）以及具体安装步骤，包括模型下载、路径配置和GPU加速设置。重点说明如何通过输入系统配置文档和使用说明书，让模型生成适配特定系统的代码，并提供了参数调优和模型微调的方法。该指南旨在帮助开发者在本地安全高效地使用AI助手，实现代码自动生成与优化，提升
Linux 5：bash，僵死进程，写时拷贝，文件描述符（系统调用）
文章目录1. Linux1.1 Linux内核1.2 bash命令解释器1.3 内存空间2. 僵死进程（僵尸进程）2.1 僵死进程的产生2.2 僵死进程定义2.3 僵死进程及处理方法2.4 如何获取僵死进程退出码？ 1. Linux 1.1 Linux内核 Linux内核代码是C语言编写的，fork复制进程先复制PCB，在复制进程实体，父子进程并发执行。 系统通过双向链表管理进程，节点数量就是进程数量， 1.2 bash命令解释器 当执行某个命令，比如./main命令，./main命令本质上是一个可执行
SAP ABAP BAPI_PRODORD_CHANGE：动态刷新PP主数据的实战解析
本文深入解析了在SAP ABAP开发中，如何利用BAPI_PRODORD_CHANGE函数实现生产订单PP主数据的动态刷新。针对CO02事务码无法满足的后台自动化场景，详细讲解了通过设置explosion_date和explode_new等关键参数来强制重新读取BOM和工艺路线的实战方法，并提供了核心代码示例与避坑指南，确保生产订单信息与最新主数据同步。
工业质检实战：用海康VisionMaster的BLOB分析搞定PCB焊点缺陷检测
本文详细介绍了如何利用海康VisionMaster平台的BLOB分析技术，构建一套针对PCB焊点缺陷的自动化视觉检测方案。文章从核心原理出发，重点阐述了如何通过动态阈值分割和模板匹配定位，克服工业现场光照不均、位置偏移等挑战，实现虚焊、漏焊等缺陷的精准、稳定检测，并提供了实战调优与系统集成的关键思路。
关闭文件描述符
关闭文件描述符
Logisim 原码一位乘法器设计 图解及代码（计算机组成原理）
Logisim 原码一位乘法器设计 图解及代码（计算机组成原理） 包对
shell脚本关闭文件描述符继承
在Bash脚本中怎么关闭文件描述符？
ANSYS WORKBENCH——参数化建模以及参数优化（结果导出为Excel）
目录 1、打开软件workbench 2、找到static structure，双击打开 3、选择材料 4、参数化建模 注：印记面的创建 5、模型属性设置 注：设置优化目标 6、回主界面，选择direct optimization模块 1、打开软件workbench 2、找到static structure，双击打开 3、选择材料 4、参数化建模 至此参数化建模就已经完成啦 注：印记面的创建 印记面一般是一个虚拟的区域，参与实际的网格划分，但是只是由于载.
谱方法学习笔记-下(超详细)
《谱方法学习笔记》深入介绍了傅立叶谱方法在解决偏微分方程问题中的理论和实践，提供了清晰的步骤、Matlab代码以及对一维、二维波动方程等不同问题的解析，适合对谱方法感兴趣的学习者。
linux 关闭 fd 脚本,bash执行shell脚本时报错 save_bash_input: buffer already exists for new fd XXX...
最近发现在lua中通过os.execute执行系统shell脚本时，偶尔会发生错误退出，最后发现是bash本身的问题。对于下面的shell脚本#!/bin/bashfor fd in `seq 11 254`; doeval "exec $fd< data.txt"donefor fd in `seq 256 274`; doeval "exec $fd< data.txt"donee...
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
mysql句柄是文件描述符_文件描述符-xiaolilinux-ChinaUnix博客
[root@acer today_bash]# lsof -a -p $$ -d 0,1,2COMMAND PID USER FD TYPE DEVICE SIZE/OFF NODE NAMEbash 2849 root 0u CHR 136,0 0t0 3 /dev/pts/0bash 2849 root 1u CHR 13...
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
Bash内置命令exec和重定向
Bash内置命令exec可以替换当前程序而不需要启动一个新的进程，可以改变标准输入和输出而不需要启动一个新的子进程。如果文件用exec打开，read命令就会把文件指针每次指向下一行直到文件的末尾，如果要重新从文件开始读取，则必须把文件关闭再重新打开。 1、替换当前shell，执行某个命令，命令终止，shell也就终止了$exec ls 2、打开文件作为当前shell的标准输入$exec <...
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")
shell_57.Linux创建自己的重定向
接下来，使用分配好的文件描述符，通过 read 命令读取文件中的第一行，然后将其显示在 STDOUT 中。第一个 exec 命令将文件描述符 3 重定向到了文件描述符 1（STDOUT）的当前位置，也就是显示器。如果创建了新的输入文件描述符或输出文件描述符，那么 shell 会在脚本退出时自动将其关闭。这意味着可以将 STDOUT 的原先位置重定向到另一个文件描述符，然后再利用该文件描述符恢复 STDOUT。当 echo 语句将数据输出到文件时，会将数据写入文件指针的当前位置，覆盖该位置上的已有数据。
shell-exec
exec命令的介绍 1，通过文件描述符打开或关闭文件。 2，将文件重定向到标准输入，及将标准输出重定向到文件。 3，exec命令重新设置了I/O重定向，要恢复为原来的I/O指向，还得需要使用exec命令显示指定。 exec用法： &n :代表描述符代表的文件。 > exec 8 exec &>log:把标准输入错误打开文件log。 exec 8 run.sh脚本使用exec
Linux---shell编程总结之数据的重定向(五)
1、标准文件描述符：bash保存了三个文件描述符，分别为：STDIN标准输入，STDOUT标准输出和STDERR标准错误，用数字表示分别是0，1，2 标准输入就比如<符号，键盘等，标准输出和标准错误用到的就是显示屏 如果只想重定向标准错误比如：ls -al test 2> test，会将错误信息输出到test文件中，对于服务器报错消息很管用。 2、临时重定向：在重定向到文件描述符时，你...
Linux&shell之显示数据
写在前面：案例、常用、归类、解释说明。（By Jim） 2>将STDEER输入到一个文件 1>将STDOUT输入到一个文件 &>将STDEER和STDOUT输入到同一个文件在脚本中重定向输入 #!/bin/bash # redirecting file input exec 0<testfile count=1 w...
exec输入输出重定向符号一些实例
##将标准输入重定向到一个文件描述符8 ##execn<&0 #!/bin/bash exec8<&0#文件描述符8中，就会有标准输入0的副本 exec<hfile#将标准输入重定向到hfile reada#输入会从hfile文件中读取 readb echo"-----------" ec...
shell 呈现数据
shell 呈现数据
Linux常用脚本
Dos 攻击防范（自动屏蔽攻击 IP）；Nginx 访问访问日志按天切割； Nginx 访问日志分析脚本；服务器系统配置初始化脚本； 查看网卡实时流量。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3383
扫一扫
