读编程之美(一) 让cpu占用率听你指挥

实现对多核cpu的控制,一个画sin曲线,一个画直线。因为电脑的配置不同,可能结果不是很理想,调整程序中的时间参数就可以了。

#include <Windows.h>
#include <process.h>    //for 多线程
#include <math.h>
#include <iostream>
using namespace std;

void TimeSlice(int BusyTime, int IdleTime)
{
	int iStart = ::GetTickCount();
	while(::GetTickCount() - iStart < BusyTime);

	Sleep( IdleTime );
}

unsigned __stdcall DrawLine( LPVOID param )
{
	unsigned iDelay = reinterpret_cast<int>(param);
	double percentage = iDelay * 0.01;
	const int TotalTime = 30;
	int busyTime = static_cast<int>(TotalTime * percentage);
	int idleTime = TotalTime - busyTime;

	while (true)
	{
		TimeSlice( busyTime, idleTime );
	}

	return 0;
}

unsigned __stdcall DrawSin( LPVOID param )
{
	const double PI = 3.1415926;
	const int INTERVAL  = 200;
	const int COUNT = 100;
	const double SPLIT = 2.0 / COUNT;

	int half = static_cast<int>(INTERVAL * 0.5);
	int busySpan[COUNT];
	int idleSpan[COUNT];
	double radian = 0;
	for ( int i = 0; i < COUNT; i++ )
	{
		busySpan[i] = static_cast<int>(half + half * sin( radian * PI ));
		idleSpan[i] = INTERVAL - busySpan[i];
		radian += SPLIT;
	}

	int cnt = 0;
	while (true)
	{
		TimeSlice( busySpan[cnt], INTERVAL-busySpan[cnt] );
	
		cnt++;
		if (cnt == COUNT)
		{
			cnt = 0;
		}
	}

	return 0;
}

int main()
{
	SYSTEM_INFO info;
	GetSystemInfo(&info);
	cout << info.dwNumberOfProcessors << endl;
	cout << info.dwProcessorType << endl;

	unsigned param = 50;
	unsigned        tid;
	unsigned long thd1, thd2;

	for ( int i = 0; i < info.dwNumberOfProcessors; i++ )
	{
		unsigned long mark = 0x00000001 << i;
		if ( i % 2)
		{
			thd1 = _beginthreadex(NULL,
				0,
				DrawLine,
				(void *)param,
				0,
				&tid);
			SetThreadAffinityMask( (HANDLE)thd1, mark );
		}
		else
		{
			thd2 = _beginthreadex(NULL,
				0,
				DrawSin,
				NULL,
				0,
				&tid);
			SetThreadAffinityMask( (HANDLE)thd2, mark );
		}
	}

	Sleep(100000);

	if(thd1 != NULL)
	{
		CloseHandle((HANDLE)thd1);
	}

	if(thd2 != NULL)
	{
		CloseHandle((HANDLE)thd2);
	}
	
	return 0;
}


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。
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