EA&UML日拱一卒-多任务编程超入门-(4)发生了什么?

准备工作


要理解前一篇文章中的问题是如何发生的,需要继续改造例子程序。增加程序执行过程中细节的输出。



单任务时执行结果


WT:<<<<WriteData:4<<<<
WT:int DataArray::addData(0)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[0] = 0;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(1)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[1] = 1;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(2)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[2] = 2;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(3)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[3] = 3;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(4)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[4] = 4;
WT:             m_dataSize++;
WT:     }
WT:}
RT:>>>>ReadData:4>>>>
RT:int DataArray::getDataSize()
RT:{
RT:     return 5;
RT:}
RT::----data_size=5
RT:int DataArray::getData(0)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[0];, value =0
RT:     }
RT:}
RT:int DataArray::getData(1)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[1];, value =1
RT:     }
RT:}
RT:int DataArray::getData(2)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[2];, value =2
RT:     }
RT:}
RT:int DataArray::getData(3)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[3];, value =3
RT:     }
RT:}
RT:int DataArray::getData(4)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[4];, value =4
RT:     }
RT:}
RT:----total=10


上面的输出只是写五个数,读五个数的部分,但是可以看出写数据处理(WT)

完全结束以后,读数据处理(RT)才开始执行。这是数据处理正确进行的必要条件,记住这一点。


多任务(线程)条件下的执行结果


RT:>>>>ReadData:WT:<<<<WriteData:0<<<<
WT:int DataArray::addData(0)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[0] = 0;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(1)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[1] = 1;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(2)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[2] = 2;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(3)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[3] = 3;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(4)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[4] = 4;
WT:             m_dataSize++;
WT:     }
WT:}
WT:<<<<WriteData:1<<<<
WT:int DataArray::addData(0)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
0>>>>
RT:int DataArray::getDataSize()
RT:{
RT:     return 5;
RT:}
RT::----data_size=5
RT:int DataArray::getData(0)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[0]RT:   }
RT:}
RT:int DataArray::getData(1)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT:     {
RT:             return m_buffer[1]RT:   }
RT:}
RT:int DataArray::getData(2)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
RT: {
RT:             return m_buffer[2]RT:   }
RT:}
RT:int DataArray::getData(3)
RT:{
RT:     if(index >= 0 && index < m_dataSize)
WT:     {
WT:             m_buffer[5] = 0;
WT:             m_dataSize++;
WT:     }
WT:}
WT:int DataArray::addData(1)
WT:{
WT:     if(m_dataSize < (ARRAY_SIZE - 1))
WT:     {
WT:             m_buffer[6] = 1;
WT:             m_dataSize++;
WT:     }
WT:}


如果程序可以看出写数据处理和读数据处理随机交替进行,执行结果会怎么样没有人能说清楚。另外,如果涉及内存处理,则经常会出现内存破坏而导致死机等各种问题。而且由于任务切换的随机性,问题的发生也是随机的,这可能是多任务编程最大的难点。


需要说明的是,实际上操作系统是在机器语言层次进行线程调度,所以说本例只能说是示意性的说明。但从理解正在发生什么的角度来讲已经足够了。


写在文章的最后


既然已经读到这里了,拜托大家再用一分钟时间,将文章转发到各位的朋友圈,微信群中。


本公共号的成长需要您的支持!
阅读更多更新文章,请扫描下面二维码,关注微信公众号【面向对象思考】

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 1
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