VIM學習曲線 a

2021-09-20 06:20:40 字數 2773 閱讀 7400

這裡記錄下自己在學習vim過程中的一些坎坷和總結吧!後面補充……

今天看到不少同學收藏,看樣子還是有很多人和我一樣的初級學習菜鳥,哈哈,這裡再次申明,文章主要內容是從鏈結的原文作者**拷貝出的,其中自己有小的修改,另外,我會參考其他文章,將常用的一些東西都加入進來,後期會慢慢更新,其中一些說的不清楚的地方,我也會實驗後再詳細修改……

首先解釋下:

1.各種插入模式

2.簡單的移動游標

3.拷貝/貼上(陳皓注:p/p都可以,p是表示在當前位置之後,p表示在當前位置之前)

4.undo/redo

撤銷和恢復,這個應該一定會用的到

5.開啟/儲存/退出/改變檔案(buffer)

更好

下面,讓我們看一下vim是怎麼重複自己的:

下面是乙個示例,找開乙個檔案你可以試試下面的命令:

更強

你要讓你的游標移動更有效率,你一定要了解下面的這些命令,千萬別跳過。

如果你認為單詞是由預設方式,那麼就用小寫的e和w。預設上來說,乙個單詞由字母,數字和下劃線組成(陳皓注:程式變數)

如果你認為單詞是由blank字元分隔符,那麼你需要使用大寫的e和w。(陳皓注:程式語句)

下面,讓我來說說最強的游標移動:

更快

你一定要記住游標的移動,因為很多命令都可以和這些移動游標的命令連動。很多命令都可以如下來幹:

例如 0y$ 命令意味著:

你可可以輸入 ye,從當前位置拷貝到本單詞的最後乙個字元。

你也可以輸入 y2/foo 來拷貝2個 「foo」 之間的字串。

還有很多時候並不一定你就一定要按y才會拷貝,下面的命令也會被拷貝:

等等

(陳皓注:視覺化選擇是乙個很有意思的命令,你可以先按v,然後移動游標,你就會看到文字被選擇,然後,你可能d,也可y,也可以變大寫等)

你只需要掌握前面的命令,你就可以很舒服的使用vim了。但是,現在,我們向你介紹的是vim殺手級的功能。下面這些功能是我只用vim的原因。

在當前行上移動游標: 0 ^ $ f f t t , ;

區域選擇ai

在visual 模式下,這些命令很強大,其命令格式為:

ai

假設你有乙個字串 (map (+) ("foo")).而游標鍵在第乙個 o 的位置。

塊操作:

塊操作,典型的操作:0 i-- [esc]

^ → 到行頭

→ 開始塊操作

→ 向下移動 (你也可以使用hjkl來移動游標,或是使用%,或是別的)

i-- [esc]→ i是插入,插入「--」,按esc鍵來為每一行生效(注意:這裡的i是大寫哦,小寫不行的)。

在windows下的vim,你需要使用 而不是 , 是拷貝剪貼簿。

在 insert 模式下,你可以輸入乙個詞的開頭,然後按 或是,自動補齊功能就出現了……

巨集錄製: qa 操作序列 q, @a, @@

示例在乙個只有一行且這一行只有「1」的文字中,鍵入如下命令:

- qaypq→

- qa 開始錄製

- yp 複製行.

- 增加1.

- q 停止錄製.

- @a → 在1下面寫下 2

- @@ → 在2 正面寫下3

- 現在做 100@@ 會建立新的100行,並把資料增加到 103.

視覺化選擇:v,v,前面,我們看到了的示例 (在windows下應該是),我們可以使用 v 和 v。一但被選好了,你可以做下面的事:

在所有被選擇的行後加上點東西:

分屏: :split 和 vsplit.

下面是主要的命令,你可以使用vim的幫助 :help split. 你可以參考本站以前的一篇文章vim分屏。

學習曲線learning curve

學習曲線是橫座標為訓練樣本數量,橫座標為誤差。畫的有兩條曲線,一條是訓練集誤差,一條是交叉驗證的誤差。學習曲線可以反應兩種情況,一種是高偏差,一種是高方差。高方差 過擬合,擬合效果過好,但是泛化效果差,無法泛化新的資料 高誤差 欠擬合,擬合程度太差,誤差太大。反應在學習曲線上就是 高偏差 訓練集誤差...

Python KNN 學習曲線

學習曲線的目的是選擇更好的模型引數。以最近鄰演算法為例,選取最近的多少個資料點,才能達到最優。可以控制訓練集不動,調整最近的點的個數,繪製學習曲線。import matplotlib.pyplot as plt score krange range 1,21 k值取值範圍 for i in kran...

機器學習 學習曲線

檢視模型的學習效果 通過學習曲線可以清晰的看出模型對資料的過擬合和欠擬合 len x train 個訓練樣本,訓練出 len x train 個模型,第一次使用乙個樣本訓練出第乙個模型,第二次使用兩個樣本訓練出第二個模型,第 len x train 次使用 len x train 個樣本訓練出最後乙...