linux下常用命令集合

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 1.1k累计阅读 1.2k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10年

关注

原创最新推荐文章于 2026-08-13 11:54:10 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

Linux常用命令集合命令：rpm –ivh wu-ftpd-2.6.2-8.i386.rpm。命令：rpm -Uvh wu-ftpd-2.6.2-8.i386.rpm。命令：rpm –Fvh wu-ftpd-2.6.2-8.i386.rpm。参数说明：i：安装模式，v: 校验文件信息，h: 以＃号显示安装进度。功能：当文件不存在时创建文件，存在时修改文件的访问和修改时间。格式：mv [参数] <源文件或目录> <目标文件或目录>格式：ln [参数] <源文件或目录> <目标文件或目录>常用参数：-i：交互式删除；阅读详情

1 ps ps -elf|grep file

2 pwd 查看位置

3 rm 删除文件或文件夹

rm -rf directory

4mkdir 创见文件夹

5 chmod 更改文件权限

chmod +x file

6 ls 查看文件，查找文件

7 grep 查找文件指定内容

grep -i

grep -o

8 df 查看硬盘内存

df 文件夹

9 tar 压缩打包

tar -cvf 压缩文件包压缩文件名

tar -xvf 压缩文件包解压文件位置

10 cat 查看文件内容

11 top 查看系统内存运行情况

12 gdb -o core gdb调试

收录于

c++

当前文章被收录于：

c++

30 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

#c++

告别环境报错：用Pycharm一站式搞定Superset 3.0.0二次开发环境（Windows/Mac通用）本文详细介绍了如何使用Pycharm一站式搭建Apache Superset 3.0.0的二次开发环境，涵盖Windows和Mac平台。通过虚拟环境配置、依赖管理、数据库初始化及前后端协同开发等步骤，帮助开发者高效解决环境报错问题，提升开发效率。特别适合需要进行Superset二次开发的工程师参考。阅读详情

相关推荐

若依(RuoYi)框架从零到部署：Spring Boot+Vue权限系统完整配置指南

在Java企业级应用开发中，Spring Boot作为构建微服务和单体应用的基石，极大地简化了项目初始化和配置流程。其核心原理在于通过自动配置和起步依赖，快速整合数据访问、安全认证、缓存等常用模块，显著提升开发效率。这一技术价值在需要快速构建后台管理系统的场景中尤为突出，例如权限管理、用户角色分配等通用需求。若依(RuoYi)框架正是基于Spring Boot和Vue.js的优秀实践，它封装了RBAC权限模型、代码生成器等高频功能，提供了开箱即用的解决方案。本文聚焦于若依框架的【环境配置】与【项目部署】，通

weixin_33984032的博客 457

ps -ef 与 ps -eLf 的区别

ps -ef只打印进程，而ps -eLf会打印所有的线程，同时加了两列。例如：[root@centos6 ~]# ps -ef | grep rsyslogdroot 1470 1 0 2011 ? 00:01:13 /sbin/rsyslogd -c 4root 29865 28596 0 22:45 pts/5 00:00:00 grep...

ZQLCXY的博客 1万+

LLM推理服务中的SLO感知调度优化实践

在AI服务架构中，服务级别目标(SLO)是衡量服务质量的核心指标，特别是在大型语言模型(LLM)推理场景下。SLO通常涉及TTFT(首token时间)、TPOT(每token生成时间)和端到端延迟等关键维度，这些指标直接影响用户体验和系统效率。传统FCFS调度策略由于缺乏SLO感知能力，在混合负载下往往导致资源利用率低下和SLO达标率骤降。通过引入基于模拟退火的动态调度算法和精准的延迟预测模型，可以实现对不同优先级请求的智能调度，显著提升GPU利用率和SLO达标率。这种技术方案特别适用于需要同时处理实时对话

weixin_42549154的博客 372

linux ps -aux 怎么看内存,linux中查看进程命令ps aux和ps -ef

Linux下显示系统进程的命令ps，最常用的有ps -ef 和ps aux。这两个到底有什么区别呢？两者没太大差别，讨论这个问题，要追溯到Unix系统中的两种风格，System Ｖ风格和BSD 风格，ps aux最初用到Unix Style中，而ps -ef被用在System V Style中，两者输出略有不同。现在的大部分Linux系统都是可以同时使用这两种方式的。ps -ef 是用标准的格式显...

weixin_35410816的博客 595

5G NR 帧结构

本节主要介绍5G NR中的帧结构[38.211-4.3]。5G帧结构（Frame Structure）为时域结构。其设计比其4G LTE更为灵活，这种灵活性使5G能够根据应用需求（如增强移动宽带eMBB，超高可靠低时延通信URLLC）进行调整，同时支持差异化的应用场景，提高了5G的利用效率与响应能力。具体而言，5G帧结构是基于时隙和OFDM符号设计的，且5G网络能够根据服务需求动态调整各时隙持续时长。

夫子喵的博客 5287

SAP 物料账前期没有运行的解决方法

If you use the actual costing (material ledger), you must have completely closed all period-end closing operations in the actual costing for the penultimate period prior to the period shift. Use the '...

含笑饮砒霜死后更嚣张 3318

linux 命令：ps 详解

万字翻译加实践，ps详细教程

yspg_217的博客 2万+

AI气象预报：数值模式融合与短临预警的工程实践

气象预报正经历从物理推演到数据驱动的认知范式转变。AI气象预报并非替代传统数值模式，而是通过数值模式融合弥补其在参数化误差、初值敏感性和计算效率上的固有瓶颈。其技术价值在于提升短临预警时效性与空间精度，支撑航空调度、电力调控、防洪应急等关键场景。实践中需兼顾物理一致性、可解释性与业务系统兼容性，避免纯黑箱建模带来的外推失效与不确定性缺失风险。本文聚焦AI作为超分辨率引擎、误差矫正器和短临加速器的三类落地路径，解析HEALPix投影、多尺度图建模、轻量级U-Net等核心适配方法。

weixin_28221501的博客 299

ps -ef 各字段含义

ps -ef 各字段含义 ps 常带的一些参数下面对命令选项进行说明： -e 显示所有进程。 -f 全格式。 -h 不显示标题。 -l 长格式。 -w 宽输出。 a 显示终端上的所有进程，包括其他用户的进程。 r 只显示正在运行的进程。 u 　以用户为主的格式来显示程序状况。 x 显示所有程序，不以终端机来区分。各列含义 UID PID PPID C STIME TTY TIME CMD UID：程序被该 UID 所拥有，指的是用户ID PI

ltshuangchen的博客 2836

【Musescore 】开源打谱软件快速入门笔记

前两天做了个西贝柳斯的打谱软件学习笔记，反正都是初学，今天再来学习一款同类软件，比较之后确定一款深入学习。西贝柳斯的学习笔记在此：https://blog.youkuaiyun.com/yuetaope/article/details/120020342 西贝柳斯是商业收费软件，要么花钱，要么盗版，如果您觉得这两者都不大好，那么推荐您试试Musescore。 Musescore是一款非常优秀的开源的打谱软件，生态繁荣。“开源”和“生态”是码农业的术语，我用正常人类的语言简单解释一下。开源就是开放程序源代码，对码农

专注于医院数据分析技术与系统开发的创作与分享。 1万+

近五年体内微/纳米机器人赋能肿瘤精准治疗综述：以 GBM 为重点

摘要微/纳米机器人在实体瘤治疗领域展现出突破性潜力，通过主动运动能力解决传统纳米药物递送效率低、渗透不足等核心问题。2021-2025年间形成三条技术路线：1) 磁驱、声驱等运动增强递送实现深层渗透；2) 与免疫治疗融合实现原位免疫唤醒；3) 针对胶质母细胞瘤开发跨屏障递送系统。研究重点从单一运动性能转向"运动-分布-疗效"的系统评价，需建立标准化指标评估运动学参数、肿瘤分布均匀性和安全性。未来挑战在于临床转化的可制造性、闭环操控及生物相容性优化，特别是对血脑屏障穿透等复杂场景的系统集

AllenLV的博客 5177

linux ps 命令参数详解

ps [-aAcdefHjlmNVwy][acefghLnrsSTuvxX][-C ][-g ] [-G ][-p ][p ][-s ] [-t ][t ][-u ][-U ] [U ][-][--cols ] [--columns ][--cumulative][--deselect][--forest] [--headers][--help][-- info][-

Mihawk专栏 2万+

Fluent验证案例03：管道中湍流流动压降计算——采用kw-sst模型计算压降更为准确。

阅读(4053) 评论(0)本案例利用Fluent计算管道中湍流流动压降。

qq_15963745的博客 878

Linux 常用命令集合

Linux 常用命令集合，涵盖文件操作、系统管理、网络管理、权限管理、进程管理等常见任务的命令

weixin_46261399的博客 2843

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")

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

linux4常用命令集合

猪宝宝 147

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常用命令集合

LINUX常用命令集合式切换服务器 ssh Hadoop@（服务器地址）切换到root权限 `su root` 更换中文 export LANG=zh_CN.UTF-8 进入目录（只能进入目录）cd /(目录) 返回上一级 cd./… 创建 mkdir （文件名）进入文件夹 cd (文件夹名字) 删除文件 rm (文件夹或者目录) 重命名文件 mv 文件夹文件夹新名字移动文件 mv 文件夹名 / 目录查看进程 ps -ef|grep 进程名杀死进程 kill (进

XuDream的博客 172

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

linux常用命令集合

@linux常用命令集合（注：本人使用Ubuntu16.04，以下命令可能会有一点点区别，大同小异）核心：命令的基本格式-- 命令 [options] [目录/文件] 频率非常高的、容易忘的指令或技巧：帮助命令：如 man ls 或者 ls --help 清屏命令：如 clear+回车或者 Ctrl+L 关机/重启命令：关机 shutdown 默认一分钟之后关机立即关机并重启...

weixin_38498656的博客 346

Linux常用命令整理集合

之前一直使用windows系统，对系统命令的应用不够重视，现在接触了才发现。Linux系统的快捷便利性，故此收集整理了Linux系统的常用命令，以备查询使用，也希望对各位有所帮助。 1．Linux管理文件和目录的命令命令功能命令功能 pwd 显示当前目录 ls 查看目录下的内容 cd 改变所在目录 cat 显示文件的内容 grep 在文件中查找某字符 cp 复制文件 touch 创建文件 mv 移动文件 rm 删除文件 rmdir 删除目录 vi 编辑文件

心向林丶的博客 1329

linux 常用命令集合

sudo：获取管理权限。 pwd：查看文件路径 clear：清屏 ./：当前路径 …/：上一层文件 cd -：传送至上次目录 cd ～：传送至 home 目录 cd /：传送至根目录 touch test.py：创建文件 touch .test.py：//创建隐藏文件 .可用来隐藏文件 mkdir test：创建文件夹 ls：显示文件夹下的文件 ls -a：显示全部文件 ls -l：以列表的方式...

六小登登的专栏 455

【Linux】CentOS7 常用命令集合

这两天一直在对CentOS 7.2进行初体验，各种学习命令肿么用，不过其实大多和DOS是一样的，只是命令的表达上可能有点儿不一样，毕竟这些都不是一家出来的嘛~这里就分享一些近期我常用的CentOS命令给大家，方便学习~

o0DarkNessYY0o的博客 8万+

Linux最全常用命令集合

目录 1、帮助命令 1.1 man 获得帮助信息 1.2 help 获得shell内置命令的帮助信息 1.3 常用快捷键 2 、文件目录类 2.1 pwd 显示当前工作目录的绝对路径 2.2 ls 列出目录的内容 2.3 cd 切换目录 2.4 mkdir 创建一个新的目录 2.5 rmdir 删除一个空的目录 2.6 touch 创建空文件 2.7 cp 复制文件或目录 2.8 rm 移除文件或目录 2.9 mv 移动文件与目录或重命名 2.10 cat 查看文件内容 2.

Markble 4074

Linux 常用命令集合、手册、速查

Linux 常用命令常用命令学习常用命令集合 常用命令学习 Linux 常用命令学习-菜鸟教程查看系统配置常用命令 常用命令集合 Linux 常用命令集合-菜鸟教程