Linux学习技巧

掌握这几个技巧,让你的Linux学习事半功倍! 从搭建实验环境到熟悉命令行界面,再到掌握Shell脚本编程和利用文档和在线资源,这些都将帮助你在Linux领域取得更大的成功。在本文中,我将分享几个方法和技巧,帮助你更快地学习Linux,并提供相应的源代码示例。通过使用这些命令,你可以在Linux系统中进行文件和目录操作,管理软件包,配置系统设置等。通过这种方式,你可以在自己的计算机上创建多个独立的Linux实例,进行各种实验和学习。Linux拥有丰富的文档和在线资源,提供了关于各种主题和命令的详细说明和示例代码。如果你有任何进一步的问题,欢迎继续提问。 阅读详情

1、学习使用Linux,先记住一个自助式命令: man
   man -f [command]
   man -k [command]
   man X [command] (其中'X'为数字,代表man -f [command]查询结果中,提示该command处于Mannual的第几部分部分)

2、学习使用DOS,先记住一个自助式命令: ?
   [command] /?  (查询该命令的使用方法)

3、学习使用gdb,先记住一个自助式命令: help
   help [topic]
   比如,你想知道如何打断点breakpoint,就在gdb的提示符后面输入 > help breakpoint;
   还有几个常用的命令: [s]tepinto(相当于VC里的F11),[f]inish(相当于VC里的stepout),
   Linux下gdb调试,还可以在某一个具体的内存打断点:[b]reakpoint *[addr](addr代表你的内存地址),这个在定位内存泄露或者踩内存(coredump)等问题时颇为有用。

4、学习设置VIM的万能命令—— :set all
   :set all 可以列出VIM中可供用户设置的所有选项,你在里面找那个和你想要设置的功能相关,试着设置一下,就OK了。如果还是不起作用,在网上搜索一下:set all中可能有效的选项如何使用,在努力一把。
   今天碰到一个问题,:set noshiftround,不起作用。后来发现是:set cindent在作怪。当你设置了cindent时,从其他地方copy的代码,通过p命令粘贴到你的VIM编辑器时,会不断的indent,搞的代码和 楼梯似的,乱成马列。先:set noautoindent,再:set noexpandtab,不起作用;retry,:set shiftwidth=1,起作用了,但还是楼梯状,不过indent=1;tritry,:set noshiftround,还不如:set shiftwidth=1呢,又indent=8了。最终发现是cindent在作怪,关闭之便好,方法:set nocindent。

5.Although the present Windows Sockets specification defines the sockets abstraction for TCP/IP, any network protocol can comply with
Windows Sockets by supplying its own version of the dynamic link library (DLL) that implements Windows Sockets.
                                                                                                                                 –From: Windows Sockets: Background, MSDN Library
 Window的socket是一个抽象的概念,目前支持TCP/IP协议族,你可以编写新的DLL来满足新的网络协议的需要,比如SCTP等新的通讯协议。(万剑归宗)

6. MIT 麻省理工学院 开放课程
   http://ocw.mit.edu/OcwWeb/web/home/home/index.htm

7. Computer Organization and Architecture [Student Course]
   http://www.williamstallings.com/COA6e.html

8. 学习内存管理,就不得不学习malloc和free,那么你知道malloc和free是如何实现的吗?接着问自己:free函数的入参是一块内存的头指 针,free怎么知道释放多大的地址范围?释放后这些内存交给了谁管理?有时候明明释放了,可是top看到的内存信息还是没有释放?这是为什么?是内存泄 露?还是其他原因?
        现在的计算机系统越来越复杂,从硬件到我们运行的程序(进程),内存管理被分为不同的几个层次,不同的操作系统,其设计各有特色。大致上,可以分为以下几个层次:[硬件] –> [虚拟内存系统] –> [系统级的Heap管理] –> [进程级的Heap管理(libc)] –> [我们的进程malloc/free]
        对于偏左的几个层次,我们可以暂时不了解, 但看看 libc 中 malloc/free 的实现,还是很有意思的,不过现在的系统(硬件/操作系统)都无比复杂,直接阅读最新的代码,一头扎入最复杂的逻辑中,对我们理解其基本原理,实在没有益 处。
        去繁就简,我们看看早期 BSD 的一个实现。参看最早的一个版本 v1.1http://www.freebsd.org/cgi/cvsweb.cgi/src/lib/libc/stdlib/malloc.c
        实现很漂亮,代码很少,但可以看到一个 allocator 看得见摸得找的"高效"实现,里面的技巧,SGI STL allocator 也在使用。
        总结:学习疑难技术的方法:寻找切入点(比如这里的free/malloc),再学习其发展历程,最好从它最简单最原始的阶段开始抽丝剥见。(侯捷解剖MFC时使用的便是此法)
        学习本质的利器:FreeBSD的早期实现版本的源代码(学习Revision Tree中的最早版本)
        –From: http://www.freebsd.org/cgi/cvsweb.cgi/src/lib/libc/stdlib/malloc.c

9. 编译成功,但链接时报错:unreferenced symbol: #####. 说明你链接时使用的静态库不存在,或者该静态库版本不正确。
    诊断方法:
             Windows平台: 使用dumpbin /SYMBOLS XXX.lib /OUT:XXXlibsymbol.txt,生成静态库的符号表,在生成的XXXlibsymbol.txt中查找#####,如果找不到,则您需要拿到正确版本的静态lib库先。
             Linux平台: 使用nm/objdump工具,生成静态.a库的符号表,其他同上。

 

从数据同化到水文模拟:CMADS如何重塑SWAT模型的中国实践 本文探讨了CMADS数据集与SWAT模型在中国复杂地形水文模拟中的融合实践。CMADS通过高分辨率气象数据同化技术,显著提升了SWAT模型在中国特殊地理环境下的模拟精度,特别是在数据稀缺区域。文章详细分析了CMADS的技术架构、应用案例及与传统数据的性能对比,为水文研究提供了新的技术支撑。 阅读详情

相关推荐

SAP CO-PA数据传送避坑指南:销售开票与FI/MM记账的日常配置实操(含KEKF/KE4I/KEI2)

本文深入解析SAP CO-PA数据传送中的常见配置问题,特别是销售开票与FI/MM记账环节的实操避坑指南。通过KEKF/KE4I/KEI2等关键配置点的详细说明,帮助用户避免数据失真和重复记录,提升获利能力分析的准确性。文章结合实战案例,揭示官方文档未提及的'数据黑洞'形成机制,为SAP顾问提供实用的排雷手册。

weixin_26905487的博客 391

学习Linux系统的态度及技巧

学习Linux系统的态度及技巧Linux作为一种简单快捷的操作系统,现在被广泛的应用。也适合越来越多的计算机爱好者学习和使用。但是对于Linux很多人可能认为很难,觉得它很神秘,从而对其避而远之,但事实真的是这样么?linux真的是我们无法跨越的横沟么?作为一个从小白到熟练掌握的运维人员,我可以负责任的告诉你:“绝对不是!”任何知识的学习都是一个探索与前进的道路,...

weixin_33971205的博客 77

Wider Face+YOLOV7人脸检测

使用Wider Face数据集训练YOLOV7

chen_znn的博客 8415

Linux内核学习方法与技巧

怕什么内核深渊?进一寸有一寸的欢喜!现在就在评论区立个flag:“30天内,我要亲手编译一个带自己名字的内核!敢来的,都是真勇士!

微信公众号:互联网之路 1123

【一文搞懂几种常用推荐算法】

协同过滤:适合用户-物品交互数据丰富的场景。矩阵分解:能处理稀疏数据,适合显式评分预测。基于内容:依赖物品特征,解决冷启动问题。NMF:适用于非负数据(如点击率、购买记录)。根据实际需求选择算法,或结合多种方法构建混合推荐系统。

专注技术的博主 2642

Codex 命令行高效操作指南

本文详细介绍了Codex命令行工具的高效使用方法,包括安装配置、核心参数解析和实战技巧。通过`codex complete`、`codex explain`等指令,开发者可以快速生成代码、调试错误和重构项目,显著提升开发效率。特别推荐使用`--temperature`和`--max-tokens`参数优化生成结果。

weixin_29201313的博客 532

老司机浅谈linux系统学习技巧

Linux起源于20世纪70年代,是一种优秀的操作系统系统。初次接触到linux这个系统是在大学期间,这样才发现除了windows外的另外一个有趣系统。开始抱着好奇的心态去了解,随着深入学习,笔者被它独有的魅力所吸引。即使它的可视化窗口操作模式并不如Windows操作系统那样完美,可是它的可维护性、操作系统低占用率、可扩展性却让它在服务器操作系统方面已经成为资深服务器工程师的首选的操作工具。

linuxprobe2017的博客 340

R语言基于机器学习三分类结果、计算三分类混淆矩阵、计算每一个类别对应的特异度(specificity)、灵敏度(sensitivity)、PPV、NPV

R语言基于机器学习三分类结果、计算三分类混淆矩阵、计算每一个类别对应的特异度(specificity)、灵敏度(sensitivity)、PPV、NPV

data+scenario+science+insight 656

linux命令系统学习,学习Linux系统命令的技巧

学会使用Linux系统实际上就是掌握众多命令的过程,但学习Linux系统的命令也有技巧,不是靠简单的死记硬背就可以的。下面就来介绍一下学习Linux命令的几种技巧。一、每日提示学习Linux命令的一种渐进式方法是:在每次打开终端时,让它显示“每日提示”。这会向你介绍一些有用的命令及其高级使用技巧。在.bashrc中(/home/.bashrc)增加如下一行:echo “Did you know t...

weixin_39946364的博客 227

[从零开始学习FPGA编程-18]:快速入门篇 - 操作步骤2-6- VerilogHDL时序电路语法分析(以计数器为例)

目录前言:第1章 功能模块代码:counter.v第2章 驱动代码:tcounter.v前文以及阐述了VerilogHDL基本语法,本文将以modelsim自带的计数器程序来解读VerilogHDL的语法。代码路径:

文火冰糖(王文兵)的博客 7万+

老 Intel Mac mini 装 OpenClaw:低成本常年在线方案

老款Intel Mac mini部署OpenClaw方案摘要 本文详细介绍了如何利用老款Intel Mac mini低成本部署OpenClaw系统。方案推荐2011-2018款Mac mini,建议升级至16GB内存和SSD存储以提升性能。部署步骤包括:1)安装Ubuntu系统;2)配置Docker环境;3)通过docker-compose部署OpenClaw及其依赖组件(PostgreSQL和Redis);4)进行系统级和Docker层面的性能优化;5)设置开机自启动服务。该方案充分利用老款设备剩余价值,

一键难忘的博客 2478

GD32F407 MCU编译烧录仿真全流程解析

嵌入式MCU开发本质是软硬协同的数据形态跃迁过程:源码经编译生成可重定位目标文件,再通过链接脚本映射为带地址的可执行镜像(如ELF),最终转换为烧录格式(BIN/S19)写入Flash,并在硬件调试器或软件仿真器中验证运行态行为。这一链条涉及启动文件、链接脚本、Flash算法、时钟树配置等关键技术点,任一环节偏差(如GD32向量表地址错配、S19地址偏移缺失、Wokwi外设模型时序简化)都会导致‘能编译但烧不进’或‘烧进了却不响应’。掌握编译→烧录→仿真三阶段的数据流向与失败信号,是打通从代码到物理设备的关

weixin_33816946的博客 357

开源鸿蒙具身机器人(ROS2框架):从内核驱动到智能算法的完整实践

本指导文档旨在为开发者提供完整的开源鸿蒙(OpenHarmony)具身机器人开发解决方案,涵盖从底层驱动到上层ROS2应用的全栈开发流程。文档结合OpenHarmony内核驱动移植技术和ROS2机器人操作系统,为具身机器人开发提供详细的技术指导。具身机器人(Embodied Robot)是指具有物理实体、能够感知环境并与之交互的智能机器人系统。感知-决策-执行闭环多模态传感器融合(视觉、听觉、触觉、力觉)实时环境感知与理解智能决策与规划精确运动控制执行具身智能特性物理世界交互能力。

m0_67505153的博客 1272

学习Linux小技巧

大家都知道Linux有众多的发行版,它们提供各种软件内容虽然大同小异,但其集成的工具却都不一样,软件安装的目录位置也不一样,如果每一个发行版都学习一遍的话,你的时间成本可不划算。但对于想深入学习Linux操作,并且打算自己建站的话,学习Linux时最好舍弃掉XWindow环境,其不是Linux的核心,也不是各种服务器或者嵌入式的必备软件,因为服务器是给各个客户端提供服务的,并不是让用户在服务器上通过鼠标点击服务器来寻找功能的,所以指令操作模式的学习是Linux的必经之路。(2)Linux的安装与指令。

ic2121的博客 216

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Linux技术学习方法技巧总结

老师总结的linux技术学习的技巧,觉得挺不错分享出来 学习Linux技术,学习的重点不是Linux系统简介、系统安装、命令操作、配置IP、用户权限等,学习重点是基于Linux操作系统平台,掌握各种应用程序、软件服务:概念、功能、原理、安装、部署、排错、优化、实战。 在企业生产环境中,常见的Linux应用程序、软件服务都有哪些呢?  基础服务相关; NTP、DHCP、NFS、Vsftpd、Samba、Openssh、Crontab;  WEB软件相关; Apache、Nginx、PHP(PHP-

TuDestiny的博客 1007

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")

上一篇: 闲扯原码、反码、补码
下一篇: VC下发布的Release版程序的异常捕捉
icycode
博客等级 码龄17年 38粉丝 31原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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