volname
volname
显示指定的ISO-9660格式的设备的卷名称
补充说明
volname命令 用于显示指定的“ISO-9660”格式的设备的卷名称，通常这种格式的设备为光驱。
语法
1 | volname(参数) |
参数
设备文件名：指定要显示卷名称的设备。
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2020-09-26
histogram_histtypes
演示直方图函数的不同histtype设置 具有颜色填充的步进曲线的直方图。 具有自定义和不相等的箱宽度的直方图。 选择不同的存储量和大小会显著影响直方图的形状。Astropy文档有很多关于如何选择这些参数的部分: http://docs.astropy.org/en/stable/visualization/histogram.html 123456789101112131415161718192021import numpy as npimport matplotlib.pyplot as pltnp.random.seed(19680801)mu = 200sigma = 25x = np.random.normal(mu, sigma, size=100)fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(8, 4))ax0.hist(x, 20, density=True, histtype='stepfilled', facecolor='g', alpha=0.75)ax0.se...
2020-09-26
lines3d
参数曲线此示例演示了如何在3D中绘制参数曲线。 1234567891011121314151617181920212223# This import registers the 3D projection, but is otherwise unused.from mpl_toolkits.mplot3d import Axes3D # noqa: F401 unused importimport numpy as npimport matplotlib.pyplot as pltplt.rcParams['legend.fontsize'] = 10fig = plt.figure()ax = fig.gca(projection='3d')# Prepare arrays x, y, ztheta = np.linspace(-4 * np.pi, 4 * np.pi, 100)z = np.linspace(-2, 2, 100)r = z**2 + 1x = r * np.sin(theta)y = r * np.cos(the...
2019-10-12
第6节 估计量的评优准则
估计量的评优准则 数学在某些方面具有通用规律。比如导数与指数，本来两个毫不相关的东西，却存在着很默契的联系。 n阶求导可以降低幂函数的n阶指数。 在泰勒展开式中，就通过n阶导数与n阶指数来从不同阶次逼近一个函数。 而在概率统计这一部分，n阶矩与n阶指数n阶导数也有着关系。似乎一个统计量可以展开成n阶矩的表示方法，一阶中心距逼近，二阶中心距逼近，三阶中心距逼近等。 UMVUE 计算必考 1 均方误差准则定义1：均方误差$$MSE_\theta(T(x))=E_\theta[T(X)-q(\theta)]^2 \$$若$MSE<+\infin$$$MSE_\theta(T(x))=Var_\theta(T(x))+E^2_\theta[T(X)- q(\theta)]$$上式成立，因为方差加减一个常数，不影响方差的大小。 定义2：一致占优对于$\forall\theta\in\Theta$$$MSE_\theta(T(x))\leq MSE_\theta(S(x))$$则成T(x)比S(x)好，S(X)是不被容许的。T(X)一致占优 2 无偏估计定...
2021-12-24
usernetctl
usernetctl被允许时操作指定的网络接口 补充说明usernetctl命令 在用于被允许时操作指定的网络接口。 语法1usernetctl(参数) 参数 网络接口：被操纵的网络接口； up：激活网络接口； down：禁用网络接口； report：报告网络接口状态。
2020-10-13
11_Convolutional Neural Network part1
Convolutional Neural network(part 1) CNN常常被用在影像处理上，它的theory base就是三个property，和两个架构convolution 架构：针对property 1和property 2max pooling架构：针对property 3 Why CNN for Image？CNN V.s. DNN我们当然可以用一般的neural network来做影像处理，不一定要用CNN，比如说，你想要做图像的分类，那你就去train一个neural network，它的input是一张图片，你就用里面的pixel来表示这张图片，也就是一个很长很长的vector，而output则是由图像类别组成的vector，假设你有1000个类别，那output就有1000个dimension 但是，我们现在会遇到的问题是这样子：实际上，在train neural network的时候，我们会有一种期待说，在这个network structure里面的每一个neuron，都应该代表了一个最基本的classifier；事实上，在文献上，根据训练的结果，...
2022-12-05
04.详解 ThreadPoolExecutor 的参数含义及源码执行流程？
详解 ThreadPoolExecutor 的参数含义及源码执行流程？线程池是为了避免线程频繁的创建和销毁带来的性能消耗，而建立的一种池化技术，它是把已创建的线程放入“池”中，当有任务来临时就可以重用已有的线程，无需等待创建的过程，这样就可以有效提高程序的响应速度。但如果要说线程池的话一定离不开**ThreadPoolExecutor，在阿里巴巴的《Java开发手册》中是这样规定线程池的：线程池不允许使用Executors去创建，而是通过ThreadPoolExecutor**的方式，这样的处理方式让写的读者更加明确线程池的运行规则，规避资源耗尽的风险。 说明：Executors 返回的线程池对象的弊端如下： 1）FixedThreadPool 和 SingleThreadPool：允许的请求队列长度为 Integer.MAX_VALUE，可能会堆积大量的请求，从而导致 OOM(Out Of Memory) 2）CachedThreadPool 和 ScheduledThreadPool：允许的创建线程数量为 Integer.MAX_VALUE，可能会创建大量的线程，从而导致 ...
