mirror of
https://github.com/LCTT/TranslateProject.git
synced 2025-03-27 02:30:10 +08:00
Merge remote-tracking branch 'LCTT/master'
This commit is contained in:
wxy
commit
5367050a0f
@ -3,11 +3,12 @@
|
||||
|
||||
![Learn xfs commands with examples][1]
|
||||
|
||||
在我们另一篇文章中，我带您领略了一下[什么事 xfs，xfs 的相关特性等内容 ][2]。本文我们来看一些常用的 xfs 管理命令。我们将会通过几个例子来讲解如何创建 xfs 文件系统，如何对 xfs 文件系统进行扩容，如何检测并修复 xfs 文件系统。
|
||||
在我们另一篇文章中，我带您领略了一下[什么是 xfs，xfs 的相关特性等内容][2]。本文我们来看一些常用的 xfs 管理命令。我们将会通过几个例子来讲解如何创建 xfs 文件系统，如何对 xfs 文件系统进行扩容，如何检测并修复 xfs 文件系统。
|
||||
|
||||
### 创建 XFS 文件系统
|
||||
|
||||
`mkfs.xfs` 命令用来创建 xfs 文件系统。无需任何特别的参数，其输出如下：
|
||||
|
||||
```
|
||||
root@kerneltalks # mkfs.xfs /dev/xvdf
|
||||
meta-data=/dev/xvdf isize=512 agcount=4, agsize=1310720 blks
|
||||
@ -25,7 +26,7 @@ realtime =none extsz=4096 blocks=0, rtextents=0
|
||||
|
||||
### 调整 XFS 文件系统容量
|
||||
|
||||
你职能对 XFS 进行扩容而不能缩容。我们使用 `xfs_growfs` 来进行扩容。你需要使用 `-D` 参数指定挂载点的新容量。`-D` 接受一个数字的参数，指定文件系统块的数量。若你没有提供 `-D` 参数，则 `xfs_growfs` 会将文件系统扩到最大。
|
||||
你只能对 XFS 进行扩容而不能缩容。我们使用 `xfs_growfs` 来进行扩容。你需要使用 `-D` 参数指定挂载点的新容量。`-D` 接受一个数字的参数，指定文件系统块的数量。若你没有提供 `-D` 参数，则 `xfs_growfs` 会将文件系统扩到最大。
|
||||
|
||||
```
|
||||
root@kerneltalks # xfs_growfs /dev/xvdf -D 256
|
||||
@ -41,7 +42,7 @@ realtime =none extsz=4096 blocks=0, rtextents=0
|
||||
data size 256 too small, old size is 2883584
|
||||
```
|
||||
|
||||
观察上面的输出中的最后一行。由于我分配的容量要小于现在的容量。它告诉你不能缩减 XFS 文件系统。你只能对他进行扩展。
|
||||
观察上面的输出中的最后一行。由于我分配的容量要小于现在的容量。它告诉你不能缩减 XFS 文件系统。你只能对它进行扩展。
|
||||
|
||||
```
|
||||
root@kerneltalks # xfs_growfs /dev/xvdf -D 2883840
|
||||
@ -59,7 +60,7 @@ data blocks changed from 2883584 to 2883840
|
||||
|
||||
现在我多分配了 1GB 的空间，而且也成功地扩增了容量。
|
||||
|
||||
**1GB 块的计算方式：**
|
||||
**1GB 块的计算方式：**
|
||||
|
||||
当前文件系统 bsize 为 4096，意思是块的大小为 4MB。我们需要 1GB，也就是 256 个块。因此在当前块数，2883584 上加上 256 得到 2883840。因此我为 `-D` 传递参数 2883840。
|
||||
|
||||
@ -76,7 +77,9 @@ xfs_repair: /dev/xvdf contains a mounted and writable filesystem
|
||||
|
||||
fatal error -- couldn't initialize XFS library
|
||||
```
|
||||
|
||||
卸载后运行检查命令。
|
||||
|
||||
```
|
||||
root@kerneltalks # xfs_repair -n /dev/xvdf
|
||||
Phase 1 - find and verify superblock...
|
||||
@ -184,10 +187,10 @@ via: https://kerneltalks.com/commands/xfs-file-system-commands-with-examples/
|
||||
|
||||
作者：[kerneltalks][a]
|
||||
译者：[lujun9972](https://github.com/lujun9972)
|
||||
校对：[校对者ID](https://github.com/校对者ID)
|
||||
校对：[wxy](https://github.com/wxy)
|
||||
|
||||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||||
|
||||
[a]:https://kerneltalks.com
|
||||
[1]:https://c3.kerneltalks.com/wp-content/uploads/2018/01/xfs-commands.png
|
||||
[1]:https://a3.kerneltalks.com/wp-content/uploads/2018/01/xfs-commands.png
|
||||
[2]:https://kerneltalks.com/disk-management/xfs-filesystem-in-linux/
|
||||
@ -3,94 +3,77 @@ TensorFlow 的简单例子
|
||||
|
||||
|
||||
|
||||
在本次推送中，我们将看一些例子，并从中感受到在定义张量和使用张量做数学计算方面有多么容易，我还会举些别的机器学习相关的例子。
|
||||
在本文中，我们将看一些 TensorFlow 的例子，并从中感受到在定义<ruby>张量<rt>tensor</rt></ruby>和使用张量做数学计算方面有多么容易，我还会举些别的机器学习相关的例子。
|
||||
|
||||
## TensorFlow 是什么?
|
||||
### TensorFlow 是什么?
|
||||
|
||||
TensorFlow 是 Google 为了解决复杂计算耗时过久的问题而开发的一个库。
|
||||
TensorFlow 是 Google 为了解决复杂的数学计算耗时过久的问题而开发的一个库。
|
||||
|
||||
事实上，TensorFlow 能干许多事。比如：
|
||||
|
||||
* 解复杂数学表达式
|
||||
* 机器学习技术。你往其中输入一组数据样本用以训练，接着给出另一组数据样本用以预测基于训练的数据的结果。这就是人工智能了！
|
||||
* 支持 GPU 。你可以使用 GPU （图像处理单元）替代 CPU 以更快的运算。 TensorFlow 有两个版本： CPU 版本和 GPU 版本。
|
||||
|
||||
* 求解复杂数学表达式
|
||||
* 机器学习技术。你往其中输入一组数据样本用以训练，接着给出另一组数据样本基于训练的数据而预测结果。这就是人工智能了！
|
||||
* 支持 GPU 。你可以使用 GPU（图像处理单元）替代 CPU 以更快的运算。TensorFlow 有两个版本： CPU 版本和 GPU 版本。
|
||||
|
||||
开始写例子前，需要了解一些基本知识。
|
||||
|
||||
## 什么是张量？
|
||||
### 什么是张量？
|
||||
|
||||
张量是 TensorFlow 使用的主要的数据块，它很像 TensorFlow 用来处理数据的变量。张量拥有维度和类型的属性。
|
||||
<ruby>张量<rt>tensor</rt></ruby>是 TensorFlow 使用的主要的数据块，它类似于变量，TensorFlow 使用它来处理数据。张量拥有维度和类型的属性。
|
||||
|
||||
维度指张量的行和列数，读到后面你就知道了，可以定义一维张量、二维张量和三维张量。
|
||||
维度指张量的行和列数，读到后面你就知道了，我们可以定义一维张量、二维张量和三维张量。
|
||||
|
||||
类型指张量元素的数据类型。
|
||||
|
||||
## 定义一维张量
|
||||
### 定义一维张量
|
||||
|
||||
可以这样来定义一个张量：创建一个 NumPy （译者注：NumPy 系统是 Python 的一种开源数字扩展，包含一个强大的 N 维数组对象 Array，用来存储和处理大型矩阵 ）或者一个 [Python list][1] ，然后使用 tf_convert_to_tensor 函数将其转化成张量。
|
||||
可以这样来定义一个张量：创建一个 NumPy 数组（LCTT 译注：NumPy 系统是 Python 的一种开源数字扩展，包含一个强大的 N 维数组对象 Array，用来存储和处理大型矩阵 ）或者一个 [Python 列表][1] ，然后使用 `tf_convert_to_tensor` 函数将其转化成张量。
|
||||
|
||||
可以像下面这样，使用 NumPy 创建一个数组：
|
||||
|
||||
```
|
||||
import numpy as np arr = np.array([1, 5.5, 3, 15, 20])
|
||||
|
||||
arr = np.array([1, 5.5, 3, 15, 20])
|
||||
|
||||
```
|
||||
|
||||
运行结果显示了这个数组的维度和形状。
|
||||
|
||||
```
|
||||
import numpy as np
|
||||
|
||||
arr = np.array([1, 5.5, 3, 15, 20])
|
||||
|
||||
print(arr)
|
||||
|
||||
print (arr.ndim)
|
||||
|
||||
print (arr.shape)
|
||||
|
||||
print (arr.dtype)
|
||||
|
||||
print(arr.ndim)
|
||||
print(arr.shape)
|
||||
print(arr.dtype)
|
||||
```
|
||||
|
||||
它和 Python list 很像，但是在这里，元素之间没有逗号。
|
||||
它和 Python 列表很像，但是在这里，元素之间没有逗号。
|
||||
|
||||
现在使用 `tf_convert_to_tensor` 函数把这个数组转化为张量。
|
||||
|
||||
现在使用 tf_convert_to_tensor 函数把这个数组转化为张量。
|
||||
```
|
||||
import numpy as np
|
||||
|
||||
import tensorflow as tf
|
||||
|
||||
arr = np.array([1, 5.5, 3, 15, 20])
|
||||
|
||||
tensor = tf.convert_to_tensor(arr,tf.float64)
|
||||
|
||||
print(tensor)
|
||||
|
||||
```
|
||||
|
||||
这次的运行结果显示了张量具体的含义，但是不会展示出张量元素。
|
||||
|
||||
要想看到张量元素，需要像下面这样，运行一个会话：
|
||||
|
||||
```
|
||||
import numpy as np
|
||||
|
||||
import tensorflow as tf
|
||||
|
||||
arr = np.array([1, 5.5, 3, 15, 20])
|
||||
|
||||
tensor = tf.convert_to_tensor(arr,tf.float64)
|
||||
|
||||
sess = tf.Session()
|
||||
|
||||
print(sess.run(tensor))
|
||||
|
||||
print(sess.run(tensor[1]))
|
||||
|
||||
```
|
||||
|
||||
## 定义二维张量
|
||||
### 定义二维张量
|
||||
|
||||
定义二维张量，其方法和定义一维张量是一样的，但要这样来定义数组：
|
||||
|
||||
@ -99,227 +82,170 @@ arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)]
|
||||
```
|
||||
|
||||
接着转化为张量：
|
||||
|
||||
```
|
||||
import numpy as np
|
||||
|
||||
import tensorflow as tf
|
||||
|
||||
arr = np.array([(1, 5.5, 3, 15, 20),(10, 20, 30, 40, 50), (60, 70, 80, 90, 100)])
|
||||
|
||||
tensor = tf.convert_to_tensor(arr)
|
||||
|
||||
sess = tf.Session()
|
||||
|
||||
print(sess.run(tensor))
|
||||
|
||||
```
|
||||
|
||||
现在你应该知道怎么定义张量了，那么，怎么在张量之间跑数学运算呢？
|
||||
|
||||
## 在张量上进行数学运算
|
||||
### 在张量上进行数学运算
|
||||
|
||||
假设我们有以下两个数组：
|
||||
|
||||
```
|
||||
arr1 = np.array([(1,2,3),(4,5,6)])
|
||||
|
||||
arr2 = np.array([(7,8,9),(10,11,12)])
|
||||
|
||||
```
|
||||
|
||||
利用 TenserFlow ，你能做许多数学运算。现在我们需要对这两个数组求和。
|
||||
|
||||
使用加法函数来求和：
|
||||
|
||||
```
|
||||
import numpy as np
|
||||
|
||||
import tensorflow as tf
|
||||
|
||||
arr1 = np.array([(1,2,3),(4,5,6)])
|
||||
|
||||
arr2 = np.array([(7,8,9),(10,11,12)])
|
||||
|
||||
arr3 = tf.add(arr1,arr2)
|
||||
|
||||
sess = tf.Session()
|
||||
|
||||
tensor = sess.run(arr3)
|
||||
|
||||
print(tensor)
|
||||
|
||||
```
|
||||
|
||||
也可以把数组相乘：
|
||||
|
||||
```
|
||||
import numpy as np
|
||||
|
||||
import tensorflow as tf
|
||||
|
||||
arr1 = np.array([(1,2,3),(4,5,6)])
|
||||
|
||||
arr2 = np.array([(7,8,9),(10,11,12)])
|
||||
|
||||
arr3 = tf.multiply(arr1,arr2)
|
||||
|
||||
sess = tf.Session()
|
||||
|
||||
tensor = sess.run(arr3)
|
||||
|
||||
print(tensor)
|
||||
|
||||
```
|
||||
|
||||
现在你知道了吧。
|
||||
|
||||
## 三维张量
|
||||
|
||||
我们已经知道了怎么使用一维张量和二维张量，现在，来看一下三维张量吧，不过这次我们不用数字了，而是用一张 RGB 图片。在这张图片上，每一块像素都由 x，y，z 组合表示。
|
||||
我们已经知道了怎么使用一维张量和二维张量，现在，来看一下三维张量吧，不过这次我们不用数字了，而是用一张 RGB 图片。在这张图片上，每一块像素都由 x、y、z 组合表示。
|
||||
|
||||
这些组合形成了图片的宽度、高度以及颜色深度。
|
||||
|
||||
首先使用 matplotlib 库导入一张图片。如果你的系统中没有 matplotlib ，可以 [使用pip][2]来安装它。
|
||||
首先使用 matplotlib 库导入一张图片。如果你的系统中没有 matplotlib ，可以 [使用 pip][2]来安装它。
|
||||
|
||||
将图片放在 Python 文件的同一目录下，接着使用 matplotlib 导入图片：
|
||||
|
||||
```
|
||||
import matplotlib.image as img
|
||||
|
||||
myfile = "likegeeks.png"
|
||||
|
||||
myimage = img.imread(myfile)
|
||||
|
||||
print(myimage.ndim)
|
||||
|
||||
print(myimage.shape)
|
||||
|
||||
```
|
||||
|
||||
从运行结果中，你应该能看到，这张三维图片的宽为 150 、高为 150 、颜色深度为 3 。
|
||||
|
||||
你还可以查看这张图片：
|
||||
|
||||
```
|
||||
import matplotlib.image as img
|
||||
|
||||
import matplotlib.pyplot as plot
|
||||
|
||||
myfile = "likegeeks.png"
|
||||
|
||||
myimage = img.imread(myfile)
|
||||
|
||||
plot.imshow(myimage)
|
||||
|
||||
plot.show()
|
||||
|
||||
```
|
||||
|
||||
真酷！
|
||||
|
||||
那怎么使用 TensorFlow 处理图片呢？超级容易。
|
||||
|
||||
## 使用 TensorFlow 生成或裁剪图片
|
||||
### 使用 TensorFlow 生成或裁剪图片
|
||||
|
||||
首先，向一个占位符赋值：
|
||||
|
||||
```
|
||||
myimage = tf.placeholder("int32",[None,None,3])
|
||||
|
||||
```
|
||||
|
||||
使用裁剪操作来裁剪图像：
|
||||
|
||||
```
|
||||
cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
|
||||
|
||||
```
|
||||
|
||||
最后，运行这个会话：
|
||||
|
||||
```
|
||||
result = sess.run(cropped, feed\_dict={slice: myimage})
|
||||
|
||||
```
|
||||
|
||||
然后，你就能看到使用 matplotlib 处理过的图像了。
|
||||
|
||||
这是整段代码：
|
||||
|
||||
```
|
||||
import tensorflow as tf
|
||||
|
||||
import matplotlib.image as img
|
||||
|
||||
import matplotlib.pyplot as plot
|
||||
|
||||
myfile = "likegeeks.png"
|
||||
|
||||
myimage = img.imread(myfile)
|
||||
|
||||
slice = tf.placeholder("int32",[None,None,3])
|
||||
|
||||
cropped = tf.slice(myimage,[10,0,0],[16,-1,-1])
|
||||
|
||||
sess = tf.Session()
|
||||
|
||||
result = sess.run(cropped, feed_dict={slice: myimage})
|
||||
|
||||
plot.imshow(result)
|
||||
|
||||
plot.show()
|
||||
|
||||
```
|
||||
|
||||
是不是很神奇？
|
||||
|
||||
## 使用 TensorFlow 改变图像
|
||||
### 使用 TensorFlow 改变图像
|
||||
|
||||
在本例中，我们会使用 TensorFlow 做一下简单的转换。
|
||||
|
||||
首先，指定待处理的图像，并初始化 TensorFlow 变量值：
|
||||
|
||||
```
|
||||
myfile = "likegeeks.png"
|
||||
|
||||
myimage = img.imread(myfile)
|
||||
|
||||
image = tf.Variable(myimage,name='image')
|
||||
|
||||
vars = tf.global_variables_initializer()
|
||||
|
||||
```
|
||||
|
||||
然后调用 transpose 函数转换，这个函数用来翻转输入网格的 0 轴和 1 轴。
|
||||
|
||||
```
|
||||
sess = tf.Session()
|
||||
|
||||
flipped = tf.transpose(image, perm=[1,0,2])
|
||||
|
||||
sess.run(vars)
|
||||
|
||||
result=sess.run(flipped)
|
||||
|
||||
```
|
||||
|
||||
接着你就能看到使用 matplotlib 处理过的图像了。
|
||||
|
||||
```
|
||||
import tensorflow as tf
|
||||
|
||||
import matplotlib.image as img
|
||||
|
||||
import matplotlib.pyplot as plot
|
||||
|
||||
myfile = "likegeeks.png"
|
||||
|
||||
myimage = img.imread(myfile)
|
||||
|
||||
image = tf.Variable(myimage,name='image')
|
||||
|
||||
vars = tf.global_variables_initializer()
|
||||
|
||||
sess = tf.Session()
|
||||
|
||||
flipped = tf.transpose(image, perm=[1,0,2])
|
||||
|
||||
sess.run(vars)
|
||||
|
||||
result=sess.run(flipped)
|
||||
|
||||
plot.imshow(result)
|
||||
|
||||
plot.show()
|
||||
|
||||
```
|
||||
|
||||
以上例子都向你表明了使用 TensorFlow 有多么容易。
|
||||
@ -330,7 +256,7 @@ via: https://www.codementor.io/likegeeks/define-and-use-tensors-using-simple-ten
|
||||
|
||||
作者：[LikeGeeks][a]
|
||||
译者：[ghsgz](https://github.com/ghsgz)
|
||||
校对：[校对者ID](https://github.com/校对者ID)
|
||||
校对：[wxy](https://github.com/wxy)
|
||||
|
||||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||||
|
||||
@ -1,5 +1,3 @@
|
||||
translated by cyleft
|
||||
|
||||
How to print filename with awk on Linux / Unix
|
||||
======
|
||||
|
||||
|
||||
@ -1,3 +1,4 @@
|
||||
Leemeans translating
|
||||
Programming in Color with ncurses
|
||||
======
|
||||
In parts [one][1] and [two][2] of my article series about programming with the ncurses library, I introduced a few curses functions to draw text on the screen, query characters from the screen and read from the keyboard. To demonstrate several of these functions, I created a simple adventure game in curses that drew a game map and player character using simple characters. In this follow-up article, I show how to add color to a curses program.
|
||||
|
||||
Loading…
Reference in New Issue
Block a user