lesson 5 操作系统

操作系统

任何程序都是在操作系统上运行的, 在平时使用软件的时候,会有运行环境的提示。
 
   电脑都是x86架构。很早之前写应用程序,因为指令不兼容。想将程序给别人需要针对当前的电脑来重新写程序。

    微软发明MS-DOS系统,我们可以把它看成一个软件,相当于一个壳,里面有各种各样电脑,我们只需要写符合壳规则的软件,就能够在这个壳里包含的电脑来运行这个程序。


操作系统帮助我们 :

      克服了硬件之间的差异,只需要关心我们的软件跟壳之间如何进行通信 

      提供了统一的接口: 软件是通过操作硬件来实现功能(在显示器上显示出一张图片,软件和显卡交互,显卡将需要显示的图片画出来之后,通知显示器进行显示)操作系统让我们只需要调用API就可以实现功能。


 运行环境包含操作系统和硬件
操作系统       (为什么软件会规定操作系统,因为使用的是操作系统的API来操作这个软件)
硬件             运行的要求,比如需要多少CPU,希望CPU的时钟是多大。


三大操作系统 (不共通的,各自有自己的API )

windows
Linux
mac

   想让程序在三个操作系统下运行,需要让程序进行三次编译,每次编译都会产生native code。在编写程序的时候就是在一个文本文件写上了一些特定的字符(源代码),这些字符代表了一些真实的含义。但它们还是文本文件,我们要将这个文本文件转换成可执行的软件,必须对源代码通过编译器进行编译后来得出native code ,也就是编译出来的二进制,机器语言。机器语言能被操作系统识别,从而运行。


   软件想在三个系统下运行,要在各自操作系统下面来生成不同的本地文件。源代码不变,所产生的本地文件跟随操作系统的不同而发生改变。

     每一个操作系统下的API是不同的,实现源代码不变的跨平台原理:在源代码里添加判断当前操作系统的逻辑,根据判断来操作系统来实现跨平台。


交叉编译 : 

 在windows环境下通过Linux 下的编译器 编译出适合Linux运行的程序。


java  C# (伪跨平台)

操作系统相当于在硬件上加了一层壳 , 有三种操作系统,在三种操作系统上再加一层壳 ,在外面提供统一的API。


BIOS 引导

     BIOS存储在主板当中,负责键盘,磁盘,显卡等的检测;对磁盘进行引导。操作系统是一个软件,BIOS可以让操作系统运作起来,可以设置从哪个磁盘开始引导,进而加载需要启动的操作系统,从而开机。

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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