Python 进程

一:什么是进程
我们想通过网易云音乐听歌,具体的过程就是应该先找到这个程序 然后双击后点击播放音乐。当我们双击的时候,操作系统系统将程序装载到内存中,操作系统为他分配资源,然后才能运行。运行起来的应用程序我们称之为进程,也就是说当程序不运行的时候称之为程序,当程序运行起来他就是一个进程,通俗的理解就是不运行的时候称之为程序,运行的时候称之为进程。进程与程序的关系:程序只有一个 但是进程可以有很多个
二:创建多进程
1.不使用多进程实现控制台打印唱歌然后再打印跳舞
在这里插入图片描述
2.使用进程让唱歌和跳舞同时进行
在这里插入图片描述

进程池
当需要创建的子进程不多时,我们可以通过multiprocessing中的Process动态生成多个进程,但是如果现在有100个任务需要处理,那我们需要创建多少个子进程呢,虽然我们可以创建一百个子进程进行实现,但是比较浪费资源,这样的情况下我们就可以通过multiprocessing模块提供的Pool类也就是进程池,可以达到进程的重复利用。
创建进程池对象的时候可以指定一个最大进程数,当有新的请求提交到进程池中的时候 如果进程池中的进程没有满,那么就能创建一个新的进程用来执行改请求,但是如果进程池中的进程满的话,那么改请求就会进行等到状态,等进程池的进程有结束的了,才会使用这个结束的进程来执行新的任务
close:等待所有进程结束才关闭进程池
join:主进程等待所有子进程执行完毕,必须在close后面

队列
Queue队列 也是在multiprocessing模块中调用
创建队列:
from multiprocessing import Queue
q=Queue(3)
后面这个3表示只能存放三个数据
put()方法:向队列存放数据,如果队列已满,此方法将阻塞至有空间可用位置
get()方法:调出q中的首个数据,如果队列为空,此方法将阻塞至队列中有项目可用为止
full()方法:判断队列中是否需满 如果满了 返回True 否则返回False
empty()方法 :判断队列中是否为空 如果是空则返回True 否则返回False
后面的数据如果想进入的话 必须有数据出去 遵循先进先出原则

进程池与队列的区别
进程池不遵循先进先出原则 进出顺序不确定
队列遵循先进先出原则 先进去的先出去 进出顺序确定

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