012-正则表达式

本文介绍了正则表达式在Linux命令行中的使用,包括搜索文件内容、匹配字符、次数、分组以及扩展正则表达式等。通过实例展示了grep、awk、cut等命令与正则表达式的结合,用于提取IP地址、磁盘利用率、用户信息等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

grep root /etc/passwd 搜索文件中的root;

grep -n root /etc/passwd
cat -n /etc/passwd |grep root 上下两条命令一致;
cat nmap.log |gerp report |cut -d " " -f5 取出nmap.log中的ip地址;
grep root /etc/passwd |grep bash 从报告中取出,既包括root也包括bash的行;
grep -e ‘cat’ -e ‘dog’ file 取出既包括cat或者包括bash的文件;

通配符处理的是文件名中带的字符串;不是文件内容的字符串;

1、正则表达式匹配字符;

ls | grep … grep是贪婪模式;

2、正则表达式匹配次数;

正则表达式内最好用“”来表示,防止出现特殊字符后,无法匹配内容;
类似于*号,通配符和正则表达式还是有不一样的地方;在通配符中标识字符在前面出现了几次;
.点星表示任意字符串,这时候就类似于通配符中的了;

点放在中括号外面标识单个字符,放在中括号里面标识点本身;

ifconfig eno16777736 |grep -o “[0-9.]{7,}” | head -2 | tail -1 摘出网卡中的ip地址;

ifconfig eno16777736 |grep -o “[[:digit:]]{1,3}.[[:digit:]]{1,3}.[[:digit:]]{1,3}.[[:digit:]]{1,3}.”|head -n2| tail -n1 摘出网卡的另一种写法;点分十进制的点应该用[.]或者.来表示;

ifconfig eno16777736 |grep -o “inet [0-9.]+” | cut -d " " -f2 取ip地址的写法;

df | grep -o “[0-9]{1,3}%” 使用regex来取磁盘利用率最大的值,自己写;
df | grep “/dev/sd” |grep -o “[0-9]{1,3}%” | grep -o “[0-9]+” | sort -nr |head -n1取分区磁盘利用率最大值,老师写;

grep -v "^#’ /etc/fstab 用来标识非#号的行;

grep -v “1*$” f1用来提非空行或者tab行;

字母数字下划线算单词,其他的都不算单词;

3、正则表达式分组;

以左侧小括号来标识第一个出现字符串,以左边第二个小括号来标识第二个出现的字符串;

echo wangwangwang |grep " (wang){3}" 把wang括起来当做整体进行处理;

echo rootxxrbbt |grep ‘(r…t).*\1’ 命令中的1是匹配的第一个括号里的结果,不是模式;也就是匹配的是root,而不是rbbt;

getent passwd | grep “^bash.bashKaTeX parse error: Got function '\(' with no arguments as superscript at position 26: …asswd | grep "^\̲(̲bash\).*\1" 以ba…" 匹配前后单词一样的行;最好让后面那个单词的/加上;
getent passwd | grep "^(.
):.*/\1$”

grep “a|b.*” 表示以开头,或者以b开头后面字符任意;

grep “\(a).*|(b)." /etc/passwd
grep "a.*|b.
” /etc/passwd
grep “^(a|b).*” /etc/passwd
以上三种方法效果一致;

echo bbb | grep “a|b” 表示a或者b;
echo axy | grep “a|bxy” 表示a或者bxy;
echo axy | grep “(a|b)xy” 标识axy或者bxy;

grep -o " [0

### 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