【 Linux 】select、poll和epoll的区别

注:详细I/O复用详解及select、poll、epoll请前往:https://blog.csdn.net/Ambition_HAO/article/details/97024189

select:用户通过3个参数(readfds、writefds,exceptfds)分别传入感兴趣的可读、可写及异常等事件,内核通过对这些参数的在线修改来反馈其中的就绪事件。这使得用户每次调用select都要重置这3个参数。采用轮询的方式来检测就绪事件,算法的时间复杂度为O(n)

poll:同一处理所有事件类型,因此只需要一个事件集参数(struct pollfd *fds)。用户通过fd.events传入感兴趣的事件,内核通过修改pollfd.revents反馈其中就绪的事件采用轮询的方式来检测就绪事件,算法的时间复杂度为O(n)

epoll:内核通过一个事件表直接管理用户感兴趣的所有事件。因此每次调用epoll_wait时,无需反复传入用户感兴趣的事件。epoll_wait系统调用的参数events仅用来反馈就绪的事件采用回调的方式来检验就绪事件,算法的事件复杂度为O(1)。

 

epoll比poll和select的好处

①、select/poll返回时,内核会直接修改出传入事件集合,用于标示哪些事件就绪。所以每次调用时都要传递监控的所有socket给select/poll系统调用,也就是说要将用户态的socket列表拷贝到内核态,当监听的文件描述符数量上万的话每次都要拷贝几十几百KB的内存到内核态,效率很低。而调用epoll_wait时不用每次调用都向内核拷贝事件描述信息,它在内核中维护一个事件表,并提供一个独立的系统调用epoll_ctl来控制往其中添加 删除 修改事件。这样每次epoll_wait调用都直接从该内核事件表中取得用户注册的事件,而无须反复从用户空间读取这些事件文件描述符就会被注册到内核事件中,只有当有新的socket需要监听时,才会从用户空间拷贝。

②、select和poll采用的是轮询的机制,每次都需要将扫描一遍所有的文件描述符,并从其中找出就绪的文件描述符返回给用户。这样的话时间复杂度是O(n)。而epoll_wait则不同,它采用的是回调的机制。内核维护了一个双链表,用户存储发生的事件;当内核检测到就绪的文件描述符后,就会触发回调函数,将就绪的文件描述符对应的事件插入到内核就绪链表中。当epoll_wait调用时,仅仅观察这个list链表里有没有数据。有数据就返回,没有数据就sleep,等到超时t时间到后即使链表没数据也返回。它的时间复杂度是O(1)。  

③、select和poll只能工作在低效的LT模式下,epoll支持高效的ET模式,在这种模式下,可以减少epoll_wait的调用。并且epoll还支持EPOLLONESHOT事件,该事件能进一步的减少可读、可写、异常等事件被触发的次数。

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