Unix file System Structure

 今天看了一点Unix 文件系统,归纳了几点。

 1,文件系统是memory 的一个抽象,是virtual memory 的上层。它方便了人和储存器的交互,人看的是文件的名字,而电脑看的是二进制的index。文件(file)本质是一串任意长度的二进制数,byte流。所以文件储存在块内。

首先将disk分成相等大小的块(block),每一个块都可以储存二进制编码,x86一个block的大小为512Byte, 现在有的为4k 。把所有的block排序,然后我们就可以用

block_number来找到相应的块。一般第0 block 是boot block(驱动引导块),第一块为super block (超块),记录free block,block size等文件系统的基本信息,然后的几个block里是inode table。

每一个block会储存好几个inode,每个inode 里又储存好几个6 byte的entry (两个byte存block number,四个存file name),这样通过inode 建立了一个文件名字file name和文件内容的映射,内容放在blcok里。

inode有好多,所以inode要排序,用inode index 来标识不同的inode。 (要查找一个文件),在此inode中按顺序对其中存在的文件名和你要找的文件比对,存在的话,对应的block number就是文件地址。

  

bootsuperinode table....dirctory block

...
data block

这样的文件系统只能提供一级目录,inode-block,实际我们必然用到二级,三级甚至更多级的目录,所以它对这个问题的解决方法是增加一个inode 到inode的映射,dictory file (目录文件)是一种 特殊的 inode

这样文件系统建立一个全局变量表示当前目录(dirctory inode),根目录(root)用“/“表示。查一个文件/a/b/hellloworld.c,首先到找到根目录inode,按顺序查看blockx 里的a,找到a后 ,接着找到a对应的block number等等。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值