Linux学习小结(Linux文件与目录管理)

本文介绍了Linux系统中常用的文件和目录操作命令,包括路径切换、文件复制与删除等功能。通过这些命令的学习,用户可以更加高效地管理和操作文件系统。

绝对路径:由根目录写起,例如/usr/share/doc

相对路径:例如从/usr/share/doc到/usr/share/man下面,可以写成cd ../man


cd:切换目录

.  代表此层目录;..  代表上一层目录;- 代表前一个工作目录;~代表目前用户身份所在的主文件夹;~account 代表account这个用户的主文件夹(account是这个帐号名称)

#cd ~xiaoy:表示进入xiaoy的主文件夹,即/home/xiaoy

#cd ~:表示进入自己的主文件夹,即/root目录


pwd:显示目前所在目录

#cd /var/mail

#pwd

/var/mail

-P显示出当前路径,而非使用连接路径


mkdir:新建目录

#mkdir test——创建名为test的目录

#mkdir -p test1/test2/test3/test4——加了-p就可以创建多层目录,不然不行

#mkdir -m 711 test2——创建test2目录,目录权限为drwx--x--x


rmdir:删除空目录

#rmdir test——删除test目录,test不为空则不能删除

#rmdir -p test1/test2/test3——一次删除多层空目录

注意:如果要删除目录下的东西和目录则使用“rm -r test”


ls:查看文件与目录

#ls [-aAdfFhilnrRSt] 目录名称

-a——全部的文件,连同隐藏文件(开头为.的文件)一起列出来

-d——仅列出目录本身,而不是列出目录内的文件数据

-l——列出长数据串,包含文件的属性与权限等数据

#ls [--color={never,auto,always}] 目录名称

#ls [--full-time] 目录名称


cp:复制文件或目录

#cp [-adfilprsu] 源文件 目标文件

#cp [option] source1 source2 source3

-a——相当于-pdr的意思

-d——若源文件为连接文件,则复制连接文件的属性

-i——若目标文件已经存在,在覆盖时会先询问操作的进行

-p——连同文件的属性一起复制过去

-r——递归持续复制,用户目录的复制行为

#cp -i ~/.bashrc /tmp/bashrc——用root身份将主文件夹下的.bashrc复制到/tmp下,并更名为bashrc

#cp /var/log/wtmp .——将/var/log/wtmp复制到当前目录下


rm:移除文件或目录

#rm [-fir] 文件或目录

-f——忽略不存在的文件,不会出现警告信息

-i——互动模式,删除前会询问用户

-r——递归删除,删除目录

#rm -i bashrc——删除bashrc

#rm -i bashrc*——删除全部开头为bashrc的文件


mv:移动文件与目录,或更名

#mv [-fiu] source destination

#mv [option] source1 source2


文件内容查阅:

cat:有第一行开始显示文件内容

tac:从最后一行开始显示

nl:显示的时候输出行号

more:一页一页显示

less:与more类似,但是更好的是,它可以往前翻页

head:只看头几行

tail:只看尾几行

od:以二进制方式读取

touch:新建文件或修改文件时间

umask:文件的默认权限

file:查看文件类型

whereis:查找文件名(特定文件)

locate [-ir] keyword:关键词文件

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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