linux基础命令

Linux 基础命令 命令字 选项 参数命令分:内部命令、外部命令;选项: - 单个字符 – 多个字符参数:对谁执行这个命令,可以有多个,选项和参数可以互换位置。 阅读详情
查找命令
1 grep (针对文档里的字符)
    grep set /boot/grub/grub.cfg
2 find(针对目录)
    find / -name *.conf
    atime(是否被使用)find /usr/bin -type f -atime +100 100天内未被使用的过的命令
    mtime(是否被修改)find . -type f -mtime -1 1天内未被修改的过的命令
        ctime(是否被修改)
 whereis find 只能用于程序名,find是个程序名

3 快速定位文件
  locate
  locate *.doc

用户以及版本信息的查看

4 who (当下有哪些用户登录)
  whoami 你的身份
  uname -a 查看系统信息

5 按住两下tab键,可以查询到所有的。
    例如 输入fi 按住tab可以补全,但按2次则可以列出所有以fi开头的命令
    例如 输入tial -f a 按住tab可以补全,但按2次则可以列出所有以a开头文件



文件系统
6 建组
    groupadd workgroup 添加组
    useradd -G workgroup lucy 添加组人
    passwd lucy 设置密码
    useradd -G workgroup lucy2 添加组人
    passwd lucy 设置密码

    mkdir work
    chgrp workgroup work/ 改变目录的所有权交给 workgroup 组
    chmod g+rwx work/ 给所有组用户加上读写可执行权限
    chmod o-rwx work/ 给其他用户不给任何权限
    chown lewis work/ 分配主管用户 (组长)
    下面 lewis 在组里建一个文件时,组外用户没有读写可执行权限
    mkdir text

    su - lucy
    没有目录,将以 HOME=/ 登录

    cd /home/work
    ls

    rm -rf

7    创建完整目录结构 mkdir -p /aa/bb/cc

8    文件的移动删除复制 略

9    linux文件或文件夹有 3中人   a root b 所有人 c 其他人
    文件、目录的权限 : 读写可执行  注意这里的可执行 2个含义 1 cpu 可执行这个文件 2 用户可进入这个文件夹

    hsc@ubuntu:~$ ls -l /bin/login
         -rwx        r-x             r-x 1          root       root     43312         4月8  2012 /bin/login
         - 普通文件  所有人的权限    其他人的权限   所属组     所有人   文件大小 字节      最后修改时间

10    改变 所有权  chown chgrp
    chown -R 递归把所有权给他
    sudo chown :nogroup ddd/ 移除组
    sudo chgrp :nogroup ddd/
    sudo chgrp root ddd/ 把ddd给root组

11    改变 文件的读写可执行权限
    chmod
    使用用户组 对文件 加或减权限
    chmod u+x days
    u文件属主 g文件属主的同组用户 o其他用户 a

12    文件的几种类型:
    
    1.普通文件
      -
        2.目录
     d
    3.管道,重定向
        shell命令的管道 > 输出重定向。
        ls (标准输出)--》 ls > ~/ls_out (重定向到ls_out)
        cat ls_out
        cat >> a
        |
    cd
    ls | grep ay(查找以ay开头的文件夹)
    
       
    4.设备文件
     
    5.符号链接
        L  ln -s days my_days


        6.socket
       socket(或称套接字)也是一种进程间通信的方式。与管道不同的是,它们可以在不同主机上的进程间通信,实际上就是网络通信

      。socket在Linux系统上也是以文件的方式进行操作的。


 
Linux命令行操作基础 本文系统整理了Linux命令行基础知识,涵盖目录结构、命令语法和常用操作技巧。主要内容包括:1)Linux树状目录结构及路径表示方法;2)命令基本语法格式和Tab补全等操作技巧;3)重要基础命令详解,包括登录/电源管理(login/shutdown/reboot)、文件操作(cat/ls/cp/mv)和目录管理(mkdir/cd/pwd)等高频命令,每个命令均说明功能、格式及常用选项。适合Linux初学者快速掌握核心命令行操作,是入门必备的实用指南。 阅读详情

相关推荐

XVF3800麦克风阵列实战:从选型到快速原型搭建

本文详细介绍了XVF3800麦克风阵列的选型与快速原型搭建实战经验。从开箱即用的特性到波束成形、回声消除等核心功能拆解,再到硬件设计避坑指南和固件开发技巧,帮助开发者高效实现智能语音设备的开发。特别适合智能音箱、会议终端等需要远场拾音和声源定位的应用场景。

weixin_29161719的博客 275

【Linux】su - user有问题 su user 可用问题

在Linux下使用su - user进行登陆,输入密码后提示: 没有目录,将以 HOME=/ 登陆 原因是创建用户时未设置HOME目录 解决方法: 1、使用root用户进行登陆 su - root 2、修改内容: vi /etc/passwd按i进行编辑, 将user对应的home目录设置 例:/bin/bash 3、保存并推出 Esc :...

dixuman6939的博客 1051

树莓派通过TTL3.3转485 Modbus采集水表

所需道具 树莓派0,我用的是树莓派zero wh; 具有光电直读功能的有线水表,我用的是咸鱼淘的埃美柯LXSY-20E1; TTL3.3 转 485模块,带隔离的贵些; 5V转12V升压模块。 原理 树莓派有UART(GPIO14 Tx 和 GPIO15 Rx)串口通讯功能,电器特性是3.3V TTL,直读远传水表支持M-Bus/485通讯接口,我买的光电直读水表485要求12V供电(根据仪表厂家说明书)。TTL和485虽然都是串口通讯,但电器特性不一样,不能直接接!我已经烧掉一个树莓派...

xhydongda的博客 3443

linux 创建新用户时没有用户目录

linux 创建新用户时没有用户目录 **问题:**使用 useradd -d /home/user02 user02 创建新用户并指定目录后,用 ls /home 无法看到 user02 的目录。 解决方法: 使用 useradd -m username,在 /home 目录下创建同名文件夹。 先 mkdir /home/username 创建目录,然后使用 useradd -d /home/username username 创建新用户。 useradd选项: -d 目录 指定用户主

ikun的博仔的博客 6807

微信聊天记录丢失原因与恢复方案详解

SQLite数据库作为移动应用常见的本地存储方案,其加密机制和存储结构直接影响数据安全性。以微信为例,聊天记录存储在EnMicroMsg.db等SQLite文件中,采用AES加密保护。当手机清理工具误删这些文件时,会导致特定时间段记录丢失。理解数据恢复原理需要掌握文件系统删除机制和闪存特性,其中关键点包括TRIM指令的影响和数据块覆盖风险。通过专业工具如DiskDigger或iMyFone D-Back,配合ADB调试和SQLite数据重组技术,可在黄金时间窗口内恢复记录。日常维护建议结合自动化备份方案和存

weixin_32612263的博客 386

C++跨平台Word文档处理库DuckX实战指南:从原理到项目集成

在C++开发中,处理Office文档,尤其是Word文件,常因缺乏原生易用的库而面临挑战。Office Open XML(OOXML)作为.docx文件的基础标准,其本质是包含XML文件的ZIP压缩包。理解这一原理,开发者便能通过解析和操作XML来实现文档的读写。DuckX库正是基于此,为C++提供了轻量级的解决方案。它封装了底层的ZIP处理和XML解析,提供了简洁的面向对象API,其技术价值在于实现了跨平台、无外部依赖的Word文档自动化生成与处理。这尤其适用于服务器端、嵌入式环境或需要脱离Office软

weixin_33508411的博客 388

Linux系统使用添加新用户后,没有用户目录(没有home)解决办法

今天给同事在Linux服务器上添加用户,添加完竟然没有home,以前怎么没有这问题,烦恼!!! 添加用户命令:sudo useradd xiaoming(新用户名)。 >sudo useradd xiaoming 设定用户密码:sudo passwd xiaoming(新用户名)。 >sudo passwd xiaoming 输入新的 UNIX 密码: 重新输入新的 UNIX 密码: passwd:已成功更新密码 查看一下用户信息:id xiaoming >id xiao

u013053075的博客 3万+

手把手教你用支付宝密钥工具生成RSA2密钥对(含Windows/Mac操作截图)

本文详细介绍了如何使用支付宝密钥工具生成RSA2密钥对,包括Windows和Mac平台的操作步骤与截图。从工具下载、安装到密钥生成、配置支付宝平台,再到开发环境集成实战,手把手教你完成支付宝支付接口对接。特别强调密钥安全管理和最佳实践,帮助开发者避免常见安全隐患。

mongodb5scout的博客 261

Linux学习

走进Linux系统 开机登录 开机会启动许多程序。它们在Windows叫做"服务"(service),在Linux就叫做"守护进程"(daemon)。 开机成功后,它会显示一个文本登录界面,这个界面就是我们经常看到的登录界面,在这个登录界面中会提示用户输入用户名,而用户输入的用户将作为参数传给login程序来验证用户的身份,密码是不显示的,输完回车即可! 一般来说,用户的登录方式有三种: 命令行登录 ssh登录 图形界面登录 最高权限账户为 root,可以操作一切! 关机 在linux领域内大多用在服务器上

qq_42031380的博客 645

单路径微分相除和微分自乘相减算法(PGC-SDD-DSM)

PGC-SDD-DSM算法通过融合单路微分相除和差分自乘,解决了传统PGC解调技术对调制深度和光强干扰敏感的问题,显著提升了解调稳定性和抗失真能力。其高信噪比、低谐波失真以及对参数变化的鲁棒性,使其在光纤传感领域具有重要应用价值。PGC-SDD-DSM算法在计算复杂度方面具有显著的优势,主要体现在其高稳定性和低谐波失真上。这些优势使其在光纤光学干涉传感器中表现出色,尤其是在面对光强干扰和调制深度变化时。

百态·数智思维 | 聚焦大数据、量化与未来AI 846

基于simulink的预测电流控制策略的三相逆变器仿真

本文详细介绍了在Simulink中实现基于预测电流控制策略的三相逆变器仿真方法。主要内容包括:准备工作(安装必要软件及工具箱)、构建三相逆变器基础模型、设计预测电流控制器(包含状态空间建模和控制器设计)、实现控制逻辑、添加示波器观察输出、配置仿真参数以及运行仿真分析结果。通过MATLAB代码示例和Simulink模块说明,展示了如何选择最优开关状态来最小化电流误差。该仿真方法为研究快速响应、高精度的逆变器控制提供了实用工具,但需注意实际应用中可能需要的调试工作。

amy_mhd的博客 278

Linux命令详解(四)用户及组管理命令和文件权限命令

Linux用户管理以及文件管理权限命令

有技术,有任性 776

fanuc机器人I/O分配

FANUC机器人在和其他外部设备进行通讯时,需要对信号进行配置。 在机器人处于UOP自动分配状态时,系统会自动检索已配对设备,并分配相应的机架号。 当我们需要手动对信号进行分配时,可参考以下机架号进行配置。 不同的通讯协议对应的机架号不同,外部通讯协议常用的机架号参考下表: 序号 机架号 通讯类型 1 0 Process I/O 2 1-15

haier123888的博客 1万+

Linux基础命令

Linux基础命令

m0_73996481的博客 1975

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

Linux 的基础命令

介绍 Linux 是一个开源、免费的操作系统,具有很强的稳定性、安全性、以及处理多并发的能力,目前大多数企业级应用甚至是集群项目都部署运行在 Linux 操作系统上,很多软件公司考虑到开发成本都首选Linux,Linux 在中国软件公司得到了广泛的使用。 Linux 的主要发行版本有以下几种: Ubuntu(乌班图)、RedHat(红帽)、CentOS、Debain(蝶变)、Fedora、SuSE、OpenSUSE、红旗Linux(国产) 我在这里使用的是CentOS 7 远程的操作软件我使用xsh

优快云_Rui_的博客 9571

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

linux基础命令的特点是什么,Linux基础命令

对 Linux 基础命令进行详细讲解!Linux 基础命令Linux 终端介绍、Shell 提示符、Bash 基本语法登录 Linux 终端两种终端仿真器:1、GNOME 桌面的 GHOME Terminal ; 2、KDE 桌面的 Konsole Terminal远程连接终端工具: Xshell , CRT 。例 1:通过 tty 命令看到当前所属的虚拟终端tty/dev/pts/0注:shif...

weixin_42617150的博客 701

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

linux基础命令_linux基础命令学习

linux常见基础命令ls命令ls查看当前目录下的文件-l除文件名称外,亦将文件型态、权限、拥有者、文件大小等资讯详细列出-a显示所有文件,包括隐藏文件(以点开头)-h容易人类阅读方式cd命令cd切换路径cat、more、less、tail、watch命令cat用来显示文件的命令more逐页阅读less和more差不多tail可用于查看文件的内容watch提供了一种方式处理重复的任务,默...

weixin_39976748的博客 459

【Linux】—— Linux基础命令

Linux基础命令 一、目录操作命令: 1 、ls 浏览目录命令 目录–文件夹, 列出目录下的文件信息 -a 命令:浏览所有文件,不忽略以.开头的文件 ,查看隐藏文件 linux下以 . 开头的文件默认是隐藏文件 一个点表示当前路径 两个点表示当前路径的上一层路径 -l 命令: 查看目录下文件的详细信息,文件类型:- 为普通文件 d为目录文件 2、pwd 查看当前所在路径 绝...

chenxiyuehh的博客 1201

Linux基础之命令

(章节) 第一章中放的是命令的帮助信息;第三章放的是库函数(c库提供的函数printf)的帮助信息。tar 选项 压缩包名 要压缩的文件或文件夹1 要压缩的文件或文件夹2 ..... 表示上级路径 (/home/bin的上级目录就是/home)查看指定文件夹下的文件与文件夹,如果没有指定要查看的文件夹,查看当前文件夹下的文件与文件夹。(如:rm -r -f a.txt b.txt a)用于查看指定的帮助信息,但有些命令没有帮助信息(如:cd)。

zhen_yr19的博客 1183

Linux一些基础命令

一些常用Linux命令

2301_80072459的博客 1010
上一篇: js数组排序神器
下一篇: 函数声明、函数表达式、匿名函数
时冲
博客等级 码龄15年 12粉丝 35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  | 博主筛选后可见
 
 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