Linux的Tree,Yum和Other命令

tree

  • -L level 限制目录显示层级

  • -C 在文件和目录清单加上色彩,便于区分各种类型

  • -p 列出权限标示。

-a 显示所有文件和目录。
-A 使用ASNI绘图字符显示树状图而非以ASCII字符组合。
-C 在文件和目录清单加上色彩,便于区分各种类型。
-d 显示目录名称而非内容。
-D 列出文件或目录的更改时间。
-f 在每个文件或目录之前,显示完整的相对路径名称。
-F 在执行文件,目录,Socket,符号连接,管道名称名称,各自加上"*","/","=","@","|"号。
-g 列出文件或目录的所属群组名称,没有对应的名称时,则显示群组识别码。
-i 不以阶梯状列出文件或目录名称。
-L level 限制目录显示层级。
-l 如遇到性质为符号连接的目录,直接列出该连接所指向的原始目录。
-n 不在文件和目录清单加上色彩。
-N 直接列出文件和目录名称,包括控制字符。
-p 列出权限标示。
-P<范本样式> 只显示符合范本样式的文件或目录名称。
-q 用"?"号取代控制字符,列出文件和目录名称。
-s 列出文件或目录大小。
-t 用文件和目录的更改时间排序。
-u 列出文件或目录的拥有者名称,没有对应的名称时,则显示用户识别码。
-x 将范围局限在现行的文件系统中,若指定目录下的某些子目录,其存放于另一个文件系统上,则将该子目录予以排除在寻找范围外。

yum 语法

yum [options] [command] [package ...]
  • options:可选,选项包括-h(帮助),-y(当安装过程提示选择全部为 "yes"),-q(不显示安装的过程)等等。

  • command:要进行的操作。

  • package:安装的包名。

yum常用命令

  • \1. 列出所有可更新的软件清单命令:yum check-update

  • \2. 更新所有软件命令:yum update

  • \3. 仅安装指定的软件命令:yum install <package_name>

  • \4. 仅更新指定的软件命令:yum update <package_name>

  • \5. 列出所有可安裝的软件清单命令:yum list

  • \6. 删除软件包命令:yum remove <package_name>

  • \7. 查找软件包命令:yum search <keyword>

  • \8. 清除缓存命令:

    • yum clean packages: 清除缓存目录下的软件包

    • yum clean headers: 清除缓存目录下的 headers

    • yum clean oldheaders: 清除缓存目录下旧的 headers

    • yum clean, yum clean all (= yum clean packages; yum clean oldheaders) :清除缓存目录下的软件包及旧的 headers

Other

运行时加 & 可以后台运行

sort

sort 选项 文件
  • -n 依照数值的大小排序。

  • -o<输出文件> 将排序后的结果存入指定的文件。

  • -r 以相反的顺序来排序。

  • [-k field1[,field2]] 按指定的列进行排序。

sort 命令将以默认的方式将文本文件的第一列以 ASCII 码的次序排列,并将结果输出到标准输出。

使用 -k 参数设置对第二列的值进行重排,结果如下:

$ sort testfile -k 2
test 30  
Linux 85 
Hello 95  

grep

grep [options] pattern [files]

pattern - 表示要查找的字符串或正则表达式。

files - 表示要查找的文件名,可以同时查找多个文件,如果省略 files 参数,则默认从标准输入中读取数据。

选项:

  • -i:忽略大小写进行匹配。

  • -v:反向查找,只打印不匹配的行。

  • -n:显示匹配行的行号。

  • -r:递归查找子目录中的文件。

  • -l:只打印匹配的文件名。

  • -c:只打印匹配的行数。

  • -E 或 --extended-regexp : 将样式为延伸的正则表达式来使用。

cut

cut 选项 文件
  • -c :以字符为单位进行分割

  • -b :以字节为单位进行分割。这些字节位置将忽略多字节字符边界,除非也指定了 -n 标志。

  • -d :自定义分隔符,默认为制表符。

  • -f :与-d一起使用,指定显示哪个区域。

实例

当你执行who命令时,会输出类似如下的内容:

$ who
rocrocket :0           2009-01-08 11:07
rocrocket pts/0        2009-01-08 11:23 (:0.0)
rocrocket pts/1        2009-01-08 14:15 (:0.0)

如果我们想提取每一行的第3个字节,就这样:

$ who|cut -b 3
c
c

提取第3-4个字节

nohup Command [ Arg … ] [ & ]
​
[root@linci dir]# who | cut -b 3-4
ao
ot

从第三字符开始

[root@linci dir]# who | cut -c 3-
aomu   :0           2024-11-16 08:10 (:0)
ot     pts/1        2024-11-16 16:04 (192.168.64.1)

nohup

后台执行

nohup 英文全称 no hang up(不挂起),用于在系统后台不挂断地运行命令,退出终端不会影响程序的运行。

nohup 命令,在默认情况下(非重定向时),会输出一个名叫 nohup.out 的文件到当前目录下,如果当前目录的 nohup.out 文件不可写,输出重定向到 $HOME/nohup.out 文件中。

nohup Command [ Arg … ] [ & ]

Command:要执行的命令。

Arg:一些参数,可以指定输出文件。

&:让命令在后台执行,终端退出后命令仍旧执行。

以下命令在后台执行 root 目录下的 runoob.sh 脚本:

nohup /root/runoob.sh &

在终端如果看到以下输出说明运行成功:

appending output to nohup.out

这时我们打开 root 目录 可以看到生成了 nohup.out 文件。

如果要停止运行,你需要使用以下命令查找到 nohup 运行脚本到 PID,然后使用 kill 命令来删除:

ps -aux | grep "runoob.sh" 

参数说明:

  • a : 显示所有程序

  • u : 以用户为主的格式来显示

  • x : 显示所有程序,不区分终端机

另外也可以使用 ps -def | grep "runoob.sh" 命令来查找。

找到 PID 后,就可以使用 kill PID 来删除。

kill -9  进程号PID

以下命令在后台执行 root 目录下的 runoob.sh 脚本,并重定向输入到 runoob.log 文件:

nohup /root/runoob.sh > runoob.log 2>&1 &

2>&1 解释:

将标准错误 2 重定向到标准输出 &1 ,标准输出 &1 再被重定向输入到 runoob.log 文件中。

  • 0 – stdin (standard input,标准输入)

  • 1 – stdout (standard output,标准输出)

  • 2 – stderr (standard error,标准错误输出)

### 关于LSTM论文复现的方法与代码实现 #### LSTM复现概述 长期短期记忆网络(Long Short-Term Memory, LSTM)是一种特殊的循环神经网络(Recurrent Neural Network, RNN),能够有效解决传统RNN中的梯度消失和梯度爆炸问题[^1]。其核心在于通过门控机制控制信息流,从而捕捉长时间序列依赖关系。 #### 数据集准备 在进行LSTM模型复现时,通常需要准备好适合的时间序列数据或其他结构化数据。例如,在时间序列预测任务中,可以使用公开的数据集如股票价格、天气预报等;而在自然语言处理领域,则可能涉及中文命名实体识别(NER)任务使用的语料库[^2]。 #### 模型构建 以下是基于Keras框架的一个简单LSTM模型示例: ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense def build_lstm_model(input_shape): model = Sequential() model.add(LSTM(50, activation='relu', input_shape=input_shape)) model.add(Dense(1)) model.compile(optimizer='adam', loss='mse') return model ``` 此代码片段定义了一个具有单层LSTM单元的回归模型,并采用了均方误差作为损失函数以及Adam优化器来训练模型。 #### 维特比解码应用 对于某些特定应用场景下的LSTM模型,比如中文命名实体识别任务,除了基本架构外还需要引入额外的技术手段提高性能表现。其中一种常用技术就是采用一阶维特比算法来进行路径搜索以获得最佳标签序列。该过程可以通过设置`beam_size`参数调整候选数量大小进而影响最终效果质量。 #### 开源项目推荐 如果希望快速上手并深入理解如何利用Lattice LSTM完成中文NER工作的话,可以直接参考已有的开源仓库资源。这里提供一个链接指向本地存储位置及其在线版本地址供查阅学习之用[^3]: - **本机地址**: `E:\PythonProject\pythonProject_draft\词典使用\LatticeLSTM-master` - **远程地址**: [GitCode](https://gitcode.net/Hekena/latticelstm-master_py3/-/tree/master) 以上内容涵盖了从理论基础到实际操作层面的知识要点,帮助研究者更好地开展相关课题探索活动。
评论
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