创建Session

1
2
3
4

import tensorflow as tf
import matplotlib.pyplot as plt
n = 32
x = tf.linspace(-3.0, 3.0, n)

普通Session

1

sess = tf.Session()

交互式Session

1
2

import tensorflow as tf
sess = tf.InteractiveSession()

在sess内执行op

方法1

sess.run(tf.global_variables_initializer())
sess.run(op)
代码示例

1
2

sess.run(tf.global_variables_initializer())
result  = sess.run(x)

方法2

tf.global_variables_initializer().run()
sess.run(op)
op.eval()
代码示例

1
2
3

tf.global_variables_initializer().run()
x.eval(session=sess)
sess.close()

新op添加到默认图上

1
2
3
4
5
6
7
8
9
10
11
12

import tensorflow as tf
sigma = 1.0
mean = 0.0
# 和x的shape是一样的
z = (tf.exp(tf.negative(tf.pow(x - mean, 2.0) /
                        (2.0 * tf.pow(sigma, 2.0)))) *
     (1.0 / (sigma * tf.sqrt(2.0 * 3.1415))))
print(type(z))
print(z.graph is tf.get_default_graph())

plt.plot(z.eval())
plt.show()

查看shape

1
2
3
4
5

import tensorflow as tf
print(z.shape)
print(z.get_shape())
print(z.get_shape().as_list())
print(tf.shape(z).eval())

常用function

tf.stack

1
2
3
4
5

import tensorflow as tf
print(tf.stack([tf.shape(z),tf.shape(z),[3]]).eval())
# tf.reshape, tf.matmul
z_ = tf.matmul(tf.reshape(z, (n, 1)), tf.reshape(z, (1, n)))
plt.imshow(z_.eval()) plt.show()

tf.ones_like, tf.multiply

tf.ones_like返回与输入tensor具有相同shape的tensor

1
2
3
4
5
6
7
8
9
10

import tensorflow as tf
x = tf.reshape(tf.sin(tf.linspace(- 3.0, 3.0, n)), (n, 1))
print(x.shape)
y = tf.reshape(tf.ones_like(x), (1, n))
print(y.shape)
print(y.eval())
z = tf.multiply(tf.matmul(x,y), z_)
print(z.shape)
plt.imshow(z.eval())
plt.show()

列出graph中所有操作

1
2
3

import tensorflow as tf
ops = tf.get_default_graph().get_operations()
print([op for op in ops])

代码

完整地址

参考文献

tf.boolean_mask

简单解释

用一个mask数组和输入的tensor做与操作，忽略为0的值。

api

定义在tensorflow/python/ops/array_ops.py

1
2
3
4
5
6

tf.boolean_mask(
    tensor, # 要处理的tensor
    mask, # 掩码，也需要是一个tensor
    name='boolean_mask', # 这个op的名字
    axis=None #
)

代码示例

代码地址

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

import tensorflow as tf

sess = tf.Session()
a = tf.Variable([1, 2, 3])
b = tf.Variable([2, 1.0, 4.0])
c = tf.Variable([2, 1.0, 0.0])
d = tf.Variable([2, 0.0, 4.0])
e = tf.Variable([0, 1.0, 4.0])
f = tf.Variable([0, 1.0, 0.0])
g = tf.Variable([0, 0.0, 0.0])

sess.run(tf.global_variables_initializer())
print("a: ", sess.run(a))
print("b: ", sess.run(b))
print("c: ", sess.run(c))
print("d: ", sess.run(d))
print("e: ", sess.run(e))
print("f: ", sess.run(f))
print("g: ", sess.run(g))
# c = tf.maximum(a, b)
a1 = tf.boolean_mask(a, b)
a2 = tf.boolean_mask(a, c)
a3 = tf.boolean_mask(a, d)
a4 = tf.boolean_mask(a, e)
a5 = tf.boolean_mask(a, f)
a6 = tf.boolean_mask(a, g)

print("tf.boolean(a, b):\n  ", sess.run(a1))
print("tf.boolean(a, c):\n  ", sess.run(a2))
print("tf.boolean(a, d):\n  ", sess.run(a3))
print("tf.boolean(a, e):\n  ", sess.run(a4))
print("tf.boolean(a, f):\n  ", sess.run(a5))
print("tf.boolean(a, g):\n  ", sess.run(a6))

输出如下：

a: [1 2 3]
b: [2. 1. 4.]
c: [2. 1. 0.]
d: [2. 0. 4.]
e: [0. 1. 4.]
f: [0. 1. 0.]
g: [0. 0. 0.]
tf.boolean(a, b):
[1 2 3]
tf.boolean(a, c):
[1 2]
tf.boolean(a, d):
[1 3]
tf.boolean(a, e):
[2 3]
tf.boolean(a, f):
[2]
tf.boolean(a, g):
[]

参考文献

1.http://landcareweb.com/questions/27920/zai-tensorflowzhong-ru-he-cong-pythonde-zhang-liang-zhong-huo-qu-fei-ling-zhi-ji-qi-suo-yin
2.https://www.tensorflow.org/api_docs/python/tf/boolean_mask

tf.summary

目的

该模块定义在tensorflow/_api/v1/summary/__init__.py文件中，主要用于可视化。
每次运行完一个op之后，调用writer.add_summary()将其写入事件file。因为summary操作实在数据流的外面进行操作的，并不会操作数据，所以需要每次运行完之后，都调用一次写入函数。

常用API

函数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

# 1.定义一个summary scalar op，同时会将这个op加入到tf.GraphKeys.SUMMARIES collection中。
tf.summary.scalar(
	name, 
	tensor, # 一个实数型的Tensor，包含单个的值。
	collections=None, # 可选项，是graph collections keys的list，新的summary op会被添加到这个list of collection。默认的list是[GraphKeys.SUMMARIES]。
	family=None
)
# 2.定义一个summary histogram op，同时会将这个op加入到tf.GraphKeys.SUMMARIES collection中。
tf.summary.histogram(
    name,
    values, # 一个实数型的Tensor，任意shape，用来生成直方图。
    collections=None, # 可选项，是graph collections keys的list，新的summary op会被添加到这个list of collection。默认的list是[GraphKeys.SUMMARIES].
    family=None
)
# 3.将所有定义的summary op集中到一块，如scalar，text，histogram等。
tf.summary.merge_all(
    key=tf.GraphKeys.SUMMARIES, #指定用哪个GraphKey来collect summaries。默认设置为GraphKeys.SUMMARIES.并不是说将他们加入到哪个GraphKey的意思，tf.summary.scalar()等会将op加入到相应的colleection。
    scope=None, #
    name=None
)

scalar和histogram的区别

scalar记录的是一个标量。
而histogram记录的是一个分布，可以是任何shape。

函数示例

1
2
3
4

summary_loss = tf.summary.scalar('loss', loss)
summary_weights = tf.summary.scalar('weights', weights)
# merged可以代替sumary_loss和summary_weights op。
merged = tf.summary.merge_all()

关于tf.summary.histogram()的示例，可以点击查看。

类

1
2
3
4
5
6
7
8
9
10

# 定义将Summary数据写入event文件的类
tf.summary.FileWriter(
	self, 
	logdir,　
	graph=None, 
	max_queue=10,
	flush_secs=120, 
	graph_def=None, 
	filename_suffix=None
)

类内函数

1
2
3
4
5
6

# 将summary op的输出存到event文件(Adds a Summary protocol buffer to the event file.)
tf.summary.FileWriter.add_summary(
	self,
	summary,  # 一个Summary protocol buffer，一般是sess.run(summary_op)的结果
	global_step=None
)

类示例

1
2
3
4

writer = tf.summary.FileWriter("./summary/")
with tf.Session() as sess:
    summ = sess.run([merged], feed_dict={x: inputs, y: outputs})
    writer.add_summary(summ, global_step=i)

使用流程

1. summary_op = tf.summary_scalar() # 声明summary op，会将该op变量加入tf.GraphKeys.SUMMARIES collection
2. merged = tf.summary.merge_all() # 将所有summary op合并
3. writer = tf.summary.FileWriter() # 声明一个FileWrite文件，用于将Summary数据写入event文件
4. output = sess.run([merged]) # 运行merge后的summary op
5. writer.add_summary(output) # 将op运行后的结果写入事件文件

代码示例

代码地址

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

graph = tf.Graph()

with graph.as_default():
    # model parameters
    w = tf.Variable([0.3], name="w", dtype=tf.float32)
    b = tf.Variable([0.2], name="b", dtype=tf.float32)

    x = tf.placeholder(tf.float32, name="inputs")
    y = tf.placeholder(tf.float32, name="outputs")

    with tf.name_scope('linear_model'):
        linear = w * x + b

    with tf.name_scope('cal_loss'):
        loss = tf.reduce_mean(input_tensor=tf.square(y - linear), name='loss')

    with tf.name_scope('add_summary'):
        summary_loss = tf.summary.scalar('MSE', loss)
        summary_b = tf.summary.scalar('b', b[0])

    with tf.name_scope('train_model'):
        optimizer = tf.train.GradientDescentOptimizer(0.01)
        train = optimizer.minimize(loss)

inputs = [1, 2, 3, 4]
outputs = [2, 3, 4, 5]

with tf.Session(graph=graph) as sess:
    writer = tf.summary.FileWriter("./summary/", graph)
    merged = tf.summary.merge_all()

    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    for i in range(5000):
        _, summ = sess.run([train, merged], feed_dict={x: inputs, y: outputs})
        writer.add_summary(summ, global_step=i)

    w_, b_, l_ = sess.run([w, b, loss], feed_dict={x: inputs, y: outputs})
    print("w: ", w_, "b: ", b_, "loss: ", l_)
    for var in tf.get_collection(tf.GraphKeys.SUMMARIES):
    #for var in tf.get_collection(tf.GraphKeys.MODEL_VARIABLES):
        print(var)

使用tensorboard --logdir ./summary/打开tensorboard
打开之后在每个图中会看到两个曲线，一个深色，一个浅色，浅色的是真实的值，深色的是在真实值的基础上进行了平滑。在左侧可以调整平滑系数，默认是0.6，如果是0表示不进行平滑，如果是1就成了一条直线。
如果多次运行的话，多次的结果都会在图中显示出来，鼠标移动到图中只能看到最新的那次结果。浅色的线是最新运行的结果的真实值，深色的线是平滑后的，设置为0可以看到深色和浅色重合了。横轴STEP表示按步长，RELATIVE表示按相对时间，WALL表示将它们分开显示。
对于histogram来说的话，这个它是把每一步中list的值做成了一个直方图，统计在每个范围内出现的值的个数，然后按照时间步展现出来每一步的直方图。但是这个直方图是做了一定优化的，如果拿几个值来测试，最后的结果跟你想的并不一定一样。
所以histogram就是展现出了每一步list的值主要集中在哪个地方。有两个mode，overlay和offset，overlay是重叠的。
overlay中横轴是bin的取值，纵轴是每个bin的频率，所有的时间步都在一起，每一条线都代表一个时间步的直方图，鼠标悬停上去会显示每一条线的时间步。
offset中横轴是bin的取值，纵轴是时间步，所有的直方图按照时间步进行展开，每一时间步都是一条单独的线，鼠标悬停上去会显示每一条线的频率。
。

官网示例

加了一定注释，可以点击查看

所有API

类

• class Event: A ProtocolMessage
• class FileWriter: Writes Summary protocol buffers to event files.
• class FileWriterCache: Cache for file writers.
• class SessionLog: A ProtocolMessage
• class Summary: A ProtocolMessage
• class SummaryDescription: A ProtocolMessage
• class TaggedRunMetadata: A ProtocolMessage

函数

• scalar(…): Outputs a Summary protocol buffer containing a single scalar value.
• histogram(…): Outputs a Summary protocol buffer with a histogram.
• image(…): Outputs a Summary protocol buffer with images.
• tensor_summary(…): Outputs a Summary protocol buffer with a serialized tensor.proto.
• audio(…): Outputs a Summary protocol buffer with audio.
• text(…): Summarizes textual data.
• merge(…): Merges summaries.
• merge_all(…): Merges all summaries collected in the default graph.
• get_summary_description(…): Given a TensorSummary node_def, retrieve its SummaryDescription.

参考文献

1.https://www.tensorflow.org/api_docs/python/tf/summary
2.https://www.tensorflow.org/api_docs/python/tf/summary/scalar
3.https://www.tensorflow.org/api_docs/python/tf/summary/histogram
4.https://www.tensorflow.org/api_docs/python/tf/summary/merge_all
5.https://www.tensorflow.org/guide/graphs#visualizing_your_graph
6.https://www.tensorflow.org/guide/summaries_and_tensorboard
7.https://www.tensorflow.org/tensorboard/r1/histograms
8.https://ask.csdn.net/questions/760881
9.https://gaussic.github.io/2017/08/16/tensorflow-tensorboard/

tf.math

• tf.add(x, y, name=None) # 求和
• tf.sub(x, y, name=None) # 减法
• tf.mul(x, y, name=None) # 乘法
• tf.div(x, y, name=None) # 除法
• tf.mod(x, y, name=None) # 取模
• tf.maximumd(x, y, name=None) # x > y?x:y
• tf.minimum(x, y, name=None) # x < y?x:y
• tf.abs(x, name=None) # 求绝对值
• tf.neg(x, name=None) # 取负
• tf.sign(x, name=None) # 返回符号
• tf.inv(x, name=None) # 取反
• tf.square(x, name=None) # 平方
• tf.round(x, name=None) # 四舍五入
• tf.sqrt(x, name=None) # 开根号
• tf.pow(x, name=None) #
• tf.exp(x, name=None) #
• tf.log(x, name=None) #
• tf.sin(x, name=None) #
• tf.cos(x, name=None) #
• tf.tan(x, name=None) #
• tf.atan(x, name=None) #

代码示例

tf.maximum

比较两个tensor，返回element-wise两个tensor的最大值。
代码地址示例：

1
2
3
4
5
6
7
8
9
10
11
12

import tensorflow as tf

sess = tf.Session()
a = tf.Variable([1, 2, 3])
b = tf.Variable([2, 1, 4])

sess.run(tf.global_variables_initializer())
print("a: ", sess.run(a))
print("b: ", sess.run(b))
c = tf.maximum(a, b)

print("tf.maximum(a, b):\n  ", sess.run(c))

输出如下：

a: [1 2 3]
b: [2 1 4]
tf.maximum(a, b):
[2 2 4]

参考文献

tf.multinomial[1] (tf.random.categorical[2])

多项分布，采样。

更新

在tensorflow 13.1版本中，提示这个API在未来会被弃用，需要使用tf.random.categorical替代。

API

1
2
3
4
5
6
7

tf.multinomial(
    logits, # 指定样本概率的tf.Tensor
    num_samples, # 样本个数
    seed=None, #, 0-D
    name=None,
    output_dtype=None
)

代码示例

代码地址

1
2
3
4
5
6
7
8

import tensorflow as tf

# tf.multinomial(logits, num_samples, seed=None, name=None)
# logits 是一个二维张量，指定概率，num_samples是采样个数
sess = tf.Session()
sample = tf.multinomial([[5.0, 5.0, 5.0], [5.0, 4, 3]], 10) # 注意logits必须是float
for _ in range(5):
  print(sess.run(sample))

输出结果如下:

[[2 1 2 1 0 2 1 1 1 0]
[1 0 0 1 0 1 0 1 0 0]]
[[2 2 0 2 2 0 2 0 1 2]
[1 0 0 2 0 1 0 1 1 0]]
[[0 0 0 2 0 0 1 2 0 1]
[0 0 0 1 0 1 0 0 0 0]]
[[2 1 0 1 1 1 0 0 2 0]
[1 0 0 2 0 0 0 0 0 1]]
[[1 0 1 0 0 1 2 2 0 0]
[1 0 0 0 0 1 1 1 2 0]]

参考文献

1.https://www.tensorflow.org/api_docs/python/tf/random/multinomial
2.https://www.tensorflow.org/api_docs/python/tf/random/categorical

tf.app.flags

代码示例

代码地址

1
2
3
4
5
6
7
8
9
10
11
12
13
14

flags.py
import tensorflow as tf

flags = tf.app.flags
flags.DEFINE_string('model', 'mxx', 'Type of model')
flags.DEFINE_boolean('gpu','True', 'use gpu?')
FLAGS = flags.FLAGS

def main(_):
    for k,v in FLAGS.flag_values_dict().items():
        print(k, v)

if __name__ == "__main__":
    tf.app.run(main)

传递参数的方法有两种，一种是命令行~$:python flags.py --model hhhh ，一种是pycharm中传递参数。

tf.where

简单解释

tf.where(conditon) 返回条件为True的下标。
tf.where(condition, x=X, y=Y) 条件为True的对应位置值替换为1,为False替换成0。

API

定义在tensorflow/python/ops/array_ops.py中。

1
2
3
4
5
6

tf.where(
    condition, # 条件
    x=None,  # 操作数1
    y=None,  # 操作数2
    name=None
)

tf.where(condition)代码示例

代码地址

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import numpy as np
import tensorflow as tf


X = tf.placeholder(tf.int32, [None, 7])

zeros = tf.zeros_like(X)
index = tf.not_equal(X, zeros)
loc = tf.where(index)

with tf.Session() as sess:
    inputs = np.array([[1, 0, 3, 5, 0, 8, 6], [2, 3, 4, 5, 6, 7, 8]])
    out = sess.run(loc, feed_dict={X: inputs})
    print(np.array(out))
    # 输出12个坐标，表示这个数组中不为0元素的索引。

tf.where(condition, x=X, y=Y)代码示例

代码地址

1
2
3
4
5
6
7
8
9
10
11
12
13

import numpy as np
import tensorflow as tf


inputs = np.array([[1, 0, 3, 5, 0, 8, 6], [2, 3, 4, 5, 6, 7, 8]])
X = tf.placeholder(tf.int32, [None, 7])
zeros = tf.zeros_like(X)
ones = tf.ones_like(X)
loc = tf.where(inputs, x=ones, y=zeros)

with tf.Session() as sess:
    out = sess.run(loc, feed_dict={X: inputs})
    print(np.array(out))

参考文献

1.https://www.tensorflow.org/api_docs/python/tf/where

问题描述

ubuntu 16.04中，可以使用alt+tab快捷键在相同的应用中进行切换，在18.04中alt+tab是在不同的应用中切换。事实上，可以使用alt+`在该应用内切换，但是我还是想用alt+tab。

设置方法

打开setting >> Devices >> Keyboard
找到Switch windows，设置快捷键为alt+tab即可。

参考文献

1.https://superuser.com/questions/394376/how-to-prevent-gnome-shells-alttab-from-grouping-windows-from-similar-apps

创建文件和目录

创建文件

~$:touch file

创建目录mkdir

~$:mkdir -p /dir/my_dir
~$:mkdir -p /dir/{test,test1,test2}

递归创建

~$:sudo mkdir -p /test/test
选项-R 递归的将某目录下所有的文件以及目录全部修改
~$:sudo chown -R root:root test

输出文件

一次性输出

• cat
  -n --打印行号(包含空白行)
  -b --打印行号(不含空白行)
  -a --将一些看不见的字符用特殊符号打出来　空格用"^I" 回车用"$"
• tac(反向列出) cat --> tac
• nl(添加行号打印)

分屏输出

• more
• less
• head [-n number]
• tail
• od
  非纯文本文件(二进制文件)
  -t c ASCII
  a 默认字符
  o octal 八进制
  d decimal 十进制
  f 浮点数
  x 十六进制

输出文件类型

file 命令
查看文件类型,data或者ASCII或者binary
~$:file /usr/bin/passwd

rwx权限

r-读权限查询文件名数据

w-写权限

• 新建文件与目录
• 删除文件或者目录
• 重命名以及转移文件或者目录

x-可执行权限

• 进入某目录
• 切换到该目录（cd命令）
  !!!能不能进入某一目录只与该目录的x权限有关，如果不拥有某目录的x权限，即使拥有r权限，那么也无法执行该目录下的任何命令
  但是即使拥有了x权限，但是没有r权限，能进入该目录但是不能打开该目录，因为没有读取的权限。
  cd - 回到上一次工作的目录

改变文件或者目录的权限

~$:sudo chmod 777 test
~$:sudo chmod +x test
~$:sudo chmod u=rwx,g=r,o=r test
r. u–user g–group o–others a–all

改变文件或者目录的属主

~$:sudo chown root:root test
~$:sudo chown root test

改变属组

~$:sudo chgrp root test

umask

用户创建文件时一般不应有执行的权限，所以创建文件的默认权限为666也即-rw-rw-rw-，但是目录需要有执行的权限，应为777,即-rwxrwxrwx，使用如下命令查看当前的umask：
~$:umask

0002

~$:umask -S

u=rwx,g=rwx,o=rx

第一个与特殊权限有关，后三个与一般权限有关，在创建文件或者目录时，会将umask所对应的权限拿掉，即新建文件时:
(-rw-rw-rw-)-(--------w-) = (-rw-rw-r–)所以创建文件的一般权限为-rw-rw-r –
同理可得创建目录时的权限应该为drwxrwxr-x即775。要修改umask的值，可直接在输入umask后接所要减去的权限
即
~$:umask 002
一般情况下root用户的umask为022，这是为了安全考虑，一般用户的umask是022,即保留了同用户组的写入权利。如果同一个用户组的不同用户无法修改另一个用户的文件，那么就可能是同组成员的创建文件时的默认权限不同，可以用umask修改。

修改文件时间

stat filename

列出该文件的各种时间

touch

-a 仅修改访问时间
-t 后面接欲修改的时间而不用当前时间，格式为[YYMMNNhhmm]
-d 接欲修改的日趋而不用当前日期，也可以用–date=“时间或者日 期”
-c 仅修改文件的时间(文件状态改变的时间)
-m 仅修改mtime(文件内容被更改的时间)
-d和-t修改的是mtime和atime 但是不能修改　ctime
~$:touch -d “2 days ago” testtouch
~$:touch -t 150929 testtouch

ls -l 默认显示的是mtime,是内容修改的时间(modify)
touch --time=ctime　　ctime 显示的是状态被改变的时间,指的是文件属性和权限发生改变。
touch --time=atime atime 访问时间显示的是最近文件被访问的时间(acess),cat and more可以,但是像ls和stat不会改变

ls -lc # chagne state
ls -lu # acess time访问时间
ls -l # modify time

chattr与lsattr 设置文件的隐藏属性。

change attributes
chattr -i 设置文件不可以被删除(包括root用户)
-a 设置文件只能增加数据，而不能删除或者修改文件(如登陆文件)

chattr +i +a 可以增加文件的隐藏属性，其他属性不变
-i -a 可以除去文件的隐藏属性，其他属性不变
=i a 仅有=后面的属性

lsattr 查看文件的隐藏属性

文件特殊权限

在文件或者目录中除了rwx外，还会出现s,t,S,T权限

SUID

当s出现在文件所有者的x权限上时，

如
~$:ls -l /usr/bin/passwd
-rwsr-xr-x 1 root root …
~$:ls -l /etc/shadow
-rw-r----- 1 root shadow

用户密码存在/etc/shadow内，当用户想要修改密码时，可以使用passwd进行修改
用户mxx对于/etc/shadow没有任何权限，但是对于/usr/bin/passwd拥有r-x权限， 所以可以执行passwd命令，由于在passwd命令中有SUID权限，所以mxx在执行pass- wd命令时，会暂时获得passwd拥有者即root的权限，所以接下来可以用passwd修改 /etc/shadow。

！！！此权限仅可用于二进制程序中，且仅在执行该程序的过程中有效，此外只对 于文件有效，对于目录也是无效的

SGID

当s权限出现在用户组的x权限时，如
~$:ls -l /usr/bin/mlocate /var/lib/mlocate/mlocate.db

-rwx–s--x 1 root mlocate

同SUID类似，程序执行者会获得该程序用户组的支持，还可以用在目录上，若该用户在此目录下具有w权限，用户创建的新文件的用户组与此目录组的用户组相同
~$:su root
~$:mkdir test
~$:ls -l test

drwxrwxr-x 2 root root …

~$:chmod 2777 test
~$:ls -l test

drwxrwsrwx 2 root root

~$:su mxx
~$:cd test
~$:touch test

-rw-rw-r-- 1 mxx root …

！！！此权限对于目录以及文件都有效

SBIT

当t出现在others的x权限上时
~$:ls -l /tmp

drwxrwxrwt 13 root root …

用户对于某个目录具有wx的权限，即可以写入的权限，相当于说目录的属主给了用 户属组或者其他人的身份，并拥有w的权限，那么也就是说这个用户具有删除属主
创建的文件或者目录的删除等权限。但是如果该目录拥有了SBIT的权限，那么该用 户就只能删除自己所创建的文件，而不能删除属主所创建的文件。
！！！此权限只针对目录有效

如何设置文件以及目录的特殊权限(SUID 4,SGID 2 ,SBIT 1)

最前面的一位为文件的特殊权限
直接用chmod 4755 filename就可以了
还可以通过加法来实现，如SUID为u+s,SGID为g+s,SBIT为o+t
此外还有大写的S和T，代表空，如
~$:chmod 7666 test
~$:ls -l test

-rwSrwSrwT 1 mxx mxx

因为s和t都是替代x的，而当文件所有者以及其他用户用户组都没有x的时候，所以 就不用说其他的操作了，所以也就为空了

常见配置文件

• /bin:可以被单用户执行的命令。其下的命令可以被root用户和普通用户执行，如cat,cd,cp,date,chown,chmod,等等
• /sbin/:开机过程所需要的，只能被root用户所执行，普通用户只能进行查询，包括与开机，还原系统所需要的命令
• /usr/bin:绝大部分的用户可使用命令都在这里
• /usr/sbin/:服务器所需要的某些软件程序
• /usr/local/sbin:本机自行安装的软件产生的系统执行文件
• / 根目录
• /etc 系统的配置文件
• /lib 执行文件所需要的函数库与内核所需要的模块
• /bin 重要执行文件
• /sbin 重要的系统执行文件
• /dev 所需要的设备文件

这五个目录必须和根目录放在一块。

根目录最好小一些，将一些经常用到的文件目录(/home:/usr:/var:/tmp与根目录分到不同的分区。因为越大的分区，放入的数据也就越多，出错的几率也就越大，而如果根目录出现问题，系统就可能会出现问题。

参考文献

1.《鸟哥的LINUX私房菜》

命令与文件的查询

文件查询

• find
• whereis
• locate

whereis和locate利用数据库查找，find查找硬盘。

命令查询

• which

find

find从硬盘中查找文件，还可以查找具有特殊要求的文件，如查找文件所有者，文件大小,SUID等等

与时间有关的参数

~$:find /tmp mtime n/+n/-n

与用户或者用户组有关的文件

find / -uid n
-gid n
-user name
-group name
-nouser
-nogroup

与文件权限或者名称有关的参数

find / -name filename
-size [±]SIZE
-type TYPE[-fbcdls]
-perm mode 刚好等于mode
-perm -mode 全部包含
-perm /mode 任意一个

find示例

1
2
3
4
5
6

# 查找/home/maddpg目录下所有__pycache__目录和文件
find /home/maddpg -name **__pycache__ 
# 查看根目录下所有权限为7000的文件
find / -perm +7000 -exec ls -l {} \;
# 查找当前目录下size在1k到5k之间的文件，+表示大于，-表示小于
find . -size -5k -a -size +1k # 是会把当前目录也列出来的

whereis

参数介绍

whereis [-bmsu]
-b 二进制文件
-m manualz路径下的文件(说明文件)
-s source源文件
-u 不在上述范围的其他特殊文件

locate

locate 查找/var/lic/mlocate数据库内的数据，该数据库每天更新一次可手动更新，updatedb,因为他是每天更新一次，所以可能会找到已删除的文件或者是找不到新建立的文件。

which

参数介绍

which -a command 列出所有的位置。
which command 列出第一个找到的位置

示例

~$:which -a python

/home/mxxmhh/anaconda3/bin/python
/usr/bin/python

~$:which pip

/home/mxxmhh/anaconda3/bin/pip

参考文献

1.《鸟哥的LINUX私房菜》
2.http://www.cnblogs.com/wanqieddy/archive/2011/06/09/2076785.html