关于jmp2013年10月6日

这段程序是王爽的《汇编语言程序设计》第二版上的一个问题,当指令执行到 mov cs:[di],ax这句的时候会将标号s2当中的jmp short s1 这句指令复制到 s当中覆盖两个nop,然后当执行标号s0时候跳转到s执行新的程序,然后会跳转到s1然后程序好像最后应该不会正常的退出


其实不然,当执行新的程序即s标号时候其实内部的指令已经不是跳转到s1了是跳转到 地址为0的地方,即执行mov ax ,4c00h 和int 21退出了,

这个就得跟jmp short 指令有关了,这个指令并没有给出跳转的目的地址,而只是跳转的位移,所以当指令的位置换了以后跳转的地方可能会变,此处就变了,下面是我在debug中测试的


assume cs:codesg
codesg segment 
					mov ax,4c00h
					int 21h
					
			start:		mov ax,0
			s:	        nop
					nop
					
					mov di,offset s
					mov si,offset s2
					mov ax,cs:[si]
					mov cs:[di],ax
					
			s0:		jmp short s
			s1:		mov ax,0
					int 21h
					mov ax,0
			s2:		jmp short s1
					nop
codesg ends 
end start 

刚开始的时候的由编译器翻译后的指令


然后执行完076A:0014后下面的指令是:





跳转到地址为076A:0008处,也就是那个新的指令       jmp   0000


然后再执行就是正常的退出了


jmp short 

jmp near ptr

jcxz

loop 

这些指令都对IP寄存器的修改都是根据位移(转移目的地址和转移起始地址之间的位移)来进行   ,这个应该是在段内转移时候比较好的

这种设计方式有利于程序在内存中的浮动装配(至于为什么会浮动呢,这得了解操作系统的相关的程序的装入的方面的知识还有地址定位的知识了http://blog.csdn.net/kennyrose/article/details/7531718


这里再总结两个指令

1. jmp word ptr  内存单元       :        从内存单元地址开始处存放着一个字,是转移的目的偏移地址

2. jmp dword ptr 内存单元      : 从内存单元地址处开始存放着两个字,高地址处的字是转移的目的段地址,低地址是转移的目的偏移地址






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异,常见的损失函数包括均方误(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、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