Linux之权限

在Linux中分为读权限,写权限,执行权限三种。

读权限:

对于文件夹来说,读权限影响用户是否能够列出目录结构。

对于文件来说,读权限影响用户是否可以查看文件内容。

写权限:

对于文件夹来说,写权限影响到用户是否可以在文件夹下"创建/删除/复制到/移动到"文档。

对于文件来说,写权限影响用户是否能够编辑文件。

执行权限:

一般对于文件来说,特别是脚本文件。

 

Linux中存在用户,用户组,其他人概念,各自有不同的权限。对于一个文档来说,其权限具体分配如下:

 一共10位字符,10位字符表示的含义如下:

第1位:表示文档类型,取值常见的有"d表示文件夹"、"-表示文件"、"l表示软连接"、"s表示套接字"

第2-4位:表示文档所有者权限情况,分别表示读、写、执行权限。第4位的执行权限有"x"和"-"两种取值,分别表示可执行和不可执行

第5-7位:表示与所有者同在一个组的用户的权限。依次分别为读、写、执行权限,取值与2-4位类似。

第8-10位:表示除了上述两部分用户之外的其他用户的权限情况。依次分别为读、写、执行权限,取值与上面类似。

================================================================================================

权限设置

 

权限设置语法

chmod 选项 权限模式 文档

#常规选项 -R:递归设置权限(当文档类型为文件夹的时候)
#权限模式:该文档需要设置的权限信息
#文档:可以是文件夹,也可以是文件;可以是绝对路径,也可以是相对路径

#eg:需要给a.cfg(-rw-------)设置权限,要求所有者拥有全部权限,同组用户拥有读和执行权限,其他人只读

chmod u+x g+rx o+r a.cfg
#或者
chmod u=rwx g=rx x=r a.cfg

选项字母介绍
u用户
g用户组(所属群体)
o其他用户
a所有人all
作用+添加权限
作用-减少权限
作用=确定权限
权限r可读
权限w可写
权限x可执行

 

也可以数字形式来进行权限的修改

#类似 chmod 777 a.txt 这样的形式就是数字形式

读 r:4
写 w:2
执行 x:1

没有权限则为0

数值权限目录列表
0不能读、不能写、不能执行---
1不能读、不能写、可执行--x
2不能读、可写、不能执行-w-
3不能读、可写、可执行-wx
4可读、不能写、不能执行r--
5可读、不能写、可执行r-x
6可读、可写、不能执行rw-
7可读、可写、可执行rwx

 root用户创建文件和创建文件夹的默认权限如下:

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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