【Linux/Unix】Bash中的“$“使用汇总

1 概述

在bash脚本中经常需要用到与“$”相关的特殊指令,本文将常见的该类指令含义进行了总结,供后续使用参考。

2 指令说明

2.1 $n(n=0, 1, 2, 3, …)

  • n=0时,“$0”表示bash脚本的文件名,在数值模型中,可以将脚本名命名为模型的模块名,通过$0获取到文件名并加以处理即可获取到相应的模块,从而自动化执行各个模块。如“csh -ef ungrib.csh”,“$0”即为“ungrib.csh”,通过字符串截取即可获得"ungrib"模块。
  • n>0时,“$n”表示命令行运行该bash脚本输入的第n个参数。如“csh -ef runwrf.csh 20221227 12 120 d01-d02”,则“$1”为“20221227”,“$2”为“12”,“$3”为“120”,“$4”为“d01-d02”。

2.2 $?

该指令表示执行上一个指令的返回值 (显示最后命令的退出状态。0表示没有错误,其他任何值表明有错误)。该指令可以根据其值是否为0来决定是否退出脚本,一般"$?"为0时,继续按照程序逻辑执行,非零时直接退出程序(exit+非零数字)。

2.3 $$

Bash脚本本身运行时的进程ID号(PID)。

2.4 $!

脚本最后运行的后台Process的PID(后台运行的最后一个进程的进程ID号,脚本运行结束则$!为空)。

2.5 $*

所有参数列表,以"$1 $2 … $n"的形式输出所有参数,此选项参数可超过9个。

2.6 $#

添加到Shell的参数个数,仅在shell脚本中可使用

2.7 $@

所有参数列表,与$*类似,不过该命令仅在shell脚本中使用

2.8 $-

显示shell使用的当前选项,默认的输出为himBH

3 拓展补充

对于2.8中的$-默认值himBH,其含义为:

h - hashall         
i - interactive-comments	 
m - monitor        	 
B - braceexpand    	 
H-  history    

几点说明:

  • h - hashall:bash的hash功能,可以实现让某些command和具体路径绑定在一起;
  • i - interactive-comments:配置在交互 shell 模式下,是否允许注释;
  • m - monitor:配置是否打开控制 Job control 功能,Job control 可以控制进程的停止、继续,后台或者前台执行等。开启 job control 后,如果执行了一个比较耗时的命令,可以按下 CTRL+Z 让它在后台运行,然后,可以用 fg 命令将后台运行的任务恢复到前台执行,如果关闭这个选项,就会失去控制 Job 的能力;
  • B - braceexpand:关于括号使用的flag,打开后可以快捷地实现某些效果(如快捷输出多个字符串、快捷备份等);
  • H - histexpand:是否允许用 “感叹号 !+ history number ” 来执行历史命令。!! 表示返回并执行最近的一个历史命令,!n 表示返回并执行第 n 个历史命令。如果关histexpand ,那么 !n 则无法顺利执行了。由于 histexpand 打开的时候,“ !” 带特殊含义;因此histexpand 打开状态下,“ !” 不能出现在双引号中,
    否则会报错 -bash: !": event not found

查看/设置/取消 shell 选项

查看: set -o
设置: set -N 或者 set -o Nx
取消: set +N

具体可参考Linux himBH 和 set 命令

### 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

打赏作者

⁣北潇

老板大气!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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