zoukankan      html  css  js  c++  java
  • Makefile 杂记

    ln -nsf <TARGET> <LINK> 重新指定一个已存在的软链接到新的位置 

    ln -s 源文件 目标文件。 
    我们需要在不同的目录,用到相同的文件时,我们不需要在每一个需要的目录下都放一个必须相同的文件,

    我们只要在某个固定的目录,放上该文件,然后在其它的 目录下用ln命令链接(link)它就可以,不必重复的占用磁盘空间

    -s 是代号(symbolic)的意思。 
    里有两点要注意:

    第一,ln命令会保持每一处链接文件的同步性,也就是说,不论你改动了哪一处,其它的文件都会发生相同的变化;

    第二,ln的链接又软链接 和硬链接两种,软链接就是ln -s ** **,它只会在你选定的位置上生成一个文件的镜像,

    不会占用磁盘空间,硬链接ln ** **,没有参数-s, 它会在你选定的位置上生成一个和源文件大小相同的文件,无论是软链接还是硬链接,文件都保持同步变化。 

    必要参数:

    -b 删除,覆盖以前建立的链接
    -d 允许超级用户制作目录的硬链接
    -f 强制执行
    -i 交互模式,文件存在则提示用户是否覆盖
    -n 把符号链接视为一般目录
    -s 软链接(符号链接)
    -v 显示详细的处理过程

     

    readlink是Linux系统中一个常用工具,主要用来找出符号链接所指向的位置。

    语法格式:readlink [参数] [文件]

    取得符号连接所指的文件

    -f    递归跟随给出文件名的所有符号链接以标准化,除最后一个外所有组件必须存在 

    -e   递归跟随给出文件名的所有符号链接以标准化,所有组件都必须存在

    -n   不输出尾随的新行

    -s  缩减大多数的错误消息

    -v  报告所有错误消息

       

    $(filter PATTERN…,TEXT)

    数名称:过滤函数—filter。

    函数功能:过滤掉字串“TEXT”中所有不符合模式“PATTERN”的单词,可以使用多个模式。模式中一般需要包含模式字符“%”。

    存在多个模式时,模式表达式之间使用空格分割。

     

    sources := foo.c bar.c baz.s ugh.h

    foo: $(sources)

    cc $(filter %.c %.s,$(sources)) -o foo

    使用“$(filter %.c %.s,$(sources))”的返回值给 cc 来编译生成目标“foo”,

    函数返回值为“foo.c bar.c baz.s”

     

    $(filter-out PATTERN…,TEXT) 

    函数名称 :反过滤函数—filter-out。

    函数功能 :和“filter”函数实现的功能相反。过滤掉字串“TEXT”中所有符合模式“PATTERN”的单词,保留所有不符合此模式的单词。可以有多个模式。存在多个模式时,模式表达式之间使用空格分割。

    os.path.relpath() 方法用于从当前工作目录或给定目录获取到给定路径的相对文件路径此方法仅计算相对路径。不检查给定路径或目录的存在

    relative_path=os.path.relpath(path, start = os.curdir) 

    Start:开始位置

    Path:某给定路径

    relative_path:从startpath的相对路径

  • 相关阅读:
    关于celery踩坑
    关于git的分批提交pull requests流程
    SymGAN—Exploiting Images for Video Recognition: Heterogeneous Feature Augmentation via Symmetric Adversarial Learning学习笔记
    AFN—Larger Norm More Transferable: An Adaptive Feature Norm Approach for Unsupervised Domain Adaptation学习笔记
    Learning to Transfer Examples for Partial Domain Adaptation学习笔记
    Partial Adversarial Domain Adaptation学习笔记
    Partial Transfer Learning with Selective Adversarial Networks学习笔记
    Importance Weighted Adversarial Nets for Partial Domain Adaptation学习笔记
    Exploiting Images for Video Recognition with Hierarchical Generative Adversarial Networks学习笔记
    improved open set domain adaptation with backpropagation 学习笔记
  • 原文地址:https://www.cnblogs.com/victorywr/p/15737844.html
Copyright © 2011-2022 走看看