《计算机导论 》知识点整理1——计算机是怎么工作的?

 

一、计算机的分类

计算机有很多种类型,为了方便规划用途和管理学习,有以下四种分类方式:

 

1)处理器:8位、16位、32位、64位。

 

处理器是评判计算机处理数据能力的重要标准之一,可以理解为在同一时间内计算机一次性最多可以处理多少个数字,也就是多少“位”。那么处理器的位数越多,可以说计算机处理数据的能力就越强。

 

2)主要元器件:电子管计算机、晶体管计算机、集成电路计算机、超大集成电路计算机。

 

主要元器件就是计算机的一个组成部件,理解为计算机的 “ 主要身体部件 ” 。

 

3)主要用途:军用计算机、商用计算机、家用计算机、通用计算机、专用计算机。

 

生活中计算机的使用在不同场合下要满足的数据保密性需求不同,因此需要的计算机配置也不一样,所以会按照用途来分类。举个例子,同样都是袋子,你出门旅行需要的时旅行袋,而你去超市购物只需要简单的塑料袋。

 

4)体积大小、运算速度、和运行成本(从大到小):超级计算机、大型计算机、小型计算机、微型计算机、嵌入式计算机等等。

 

举个例子,旅行袋的制作成本、大小和它的容纳程度都比普通购物的塑料袋都要多,但是它们都可以叫做袋子,只是类型不一样。

 

二、计算机的工作原理

工作原理:冯.诺伊曼原理

 

解释:就是人通过计算机的输入设备将需要执行的指令序列(程序)以及需要处理的数据输入到计算机中,并保存在计算机的内部存储器里,计算机的控制器按照指令按地址从存储器中取出一条指令并控制计算机的运算器和其他部件去执行指令需要的操作,并将结果按地址返回到存储器中保存。当一条指令执行完之后,再取出下一条指令,以此类推。

 

简单粗暴地说,就是将程序和需要处理的数据输入到计算机中并由存储器进行存储,然后再按照指令的顺序一条一条地取出并执行然后返回结果并保存

 

(计算机做事就是比较踏实,可以想象你做的指令就是教它一步一步地做事,索性把计算机想成一个只会听话的白痴)

 

三、计算机的主要组成部件以及作用

不管什么类别的计算机,基本可以将它们的部件分成以下五种:

 

输入设备:可以采集摄取或者人为手动输入数据的设备。比如像键盘,鼠标,录音器,摄像头等

 

存储器:用来保存计算机的数据(这里的数据包含输入的数据,计算机在数据处理中产生的中间数据)。有很多类别,像寄存器,外存储器,内存储器等等。

 

控制器:相当于计算机的”指挥家“。,按照指令控制计算机其他部件的运行和操作,要注意,控制器它也只按照设定的指令做事,所以,对于人与计算机而言,人是”指挥官“;但是对于计算机内部而言,控制器是”指挥官“。

 

运算器:顾名思义,就是计算机的数据进行运算的部件,运算包括了像常用的加减运算还有逻辑运算等等。

 

输出设备:将数据呈现为人可以接收信息的一种设备。呈现的形式包括:图像、音频、数字、表格等等。比如,屏幕,播放器,打印机等等。


阿白也在学习,如果有什么不足之处还望友友们海涵和指正,阿白会努力改正的!

 

  • 7
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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