ROM、RAM、内存、内存条、外存、内部存储器、外部存储器、FLASH等之间的关系

已于 2022-12-23 15:08:38 修改
阅读量7.7k 收藏 110
点赞数 41
文章标签： 单片机 嵌入式硬件
于 2022-12-23 15:05:56 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SuperNut_Wang/article/details/128418574
版权

​
  各位看到这一系列的名词，是否也曾感受到一头雾水？研究了一上午终于理清了它们之间的关系，直接上图说明，相信你看完也能恍然大悟！若有错误麻烦在评论区指出。

在这里插入图片描述

这里有几点需要明确：

  1. 存BOIS的ROM也属于内存（因为CPU也可以对其直接寻址），但我们生活中常说的内存仅指RAM（也称运行内存）。
  2. PC的内存严格上把rom也包括进去了，但单片机的内存只是RAM，单片机的ROM（FLASH）相当于PC的外存固态硬盘。
  3. ROM最开始提出是内存概念的范畴，但后来外存发展出现了固态硬盘，所用的FLASH技术属于E2PROM，沿用了部分ROM的概念，这就使得我们很容易把ROM和外存混淆，实际上ROM和外存没有关系，ROM是内存。
  4. 内部存储器 = 内存（内存储器）+CPU缓存，外部存储器 = 外存储器，是指除计算机内存及CPU缓存以外的储存器，此类储存器一般断电后仍然能保存数据，如硬盘、软盘、光盘、U盘等。

Q1：有外存，为什么还要内存？

Answer：因为CPU需要内存运行程序，再问为什么是内存？因为快！

  我们知道计算机中存储程序的部件包括外存

最低0.47元/天 解锁文章
深度学习核心技术精讲100篇（十）-机器学习模型融合之Kaggle如何通过Stacking提升模型性能
wenyusuran的专栏
09-11 1710
之前的文章中谈到了机器学习项目中，要想使得使得机器学习模型进一步提升，我们必须使用到模型融合的技巧，今天我们就来谈谈模型融合中比较常见的一种方法——stacking。翻译成中文叫做模型堆叠，接下来我们就来了解下，此法到底如何将模型做堆叠从而提升模型效果的。 stacking具体流程 我们就对着下图（两层的stacking）来详细描述一下如何做模型stacking： 首先将数据分为5份， 在stacking的第一层定义5个基模型[model_1 ,model_2,model_3,model_4,mod
机器学习专栏（40）：堆叠法(Stacking)全解析（附完整代码与系统设计）
最新发布
Conan_0728的博客
04-28 585
多样性优先：选择不同类别的基模型（树模型+神经网络+SVM）分层验证：严格隔离各层数据防止泄漏特征工程：在元特征层添加统计特征动态更新：建立基模型滚动更新机制监控体系：实时跟踪各层预测分布# 生产环境最佳实践模板# 定义特征生成器# 各基模型预测逻辑...# 构建堆叠管道))])# 模型保存与加载掌握堆叠法技术，就拥有了模型协作的"终极武器"。优秀的堆叠系统是算法设计、工程实现和持续优化的完美结合。希望这篇实战指南能助你在复杂预测任务中突破精度极限！f_ih。
【机器学习】集成学习——Stacking模型融合（理论+图解）
热门推荐
CSDN 精品推荐
08-29 4万+
如果需要完整代码可以关注下方公众号，后台回复“代码”即可获取，阿光期待着您的光临~ 文章目录一、引言二、Stacking集成模型1.Stacking原理2.实现代码 2021人工智能领域新星创作者，带你从入门到精通，该博客每天更新，逐渐完善机器学习各个知识体系的文章，帮助大家更高效学习。 一、引言 对于单个模型来说很难拟合复杂的数据，而且对于单模型来说，模型的抗干扰能力较低，所以我们希望可以集成多个模型，结合多个模型的优缺点提高模型的泛化能力。 针对于集成学习一般有两种方式，第一种为Boosti.
【多层堆叠集成模型（Stacking Ensemble）详解】
专注技术的博主
03-11 1100
堆叠集成（Stacking，简称Stacking）是一种通过训练多个不同的基学习器（Base Learners），然后再将这些基学习器的预测结果作为新特征，交给一个新的学习器（称为元学习器，Meta Learner）进行训练的集成方法。堆叠集成可以看作是一个层叠结构，其中每一层包含一个或多个模型。
【scikit-learn】sklearn.ensemble.StackingClassifier 类：堆叠泛化分类器
彬彬侠的博客
03-19 473
StackingClassifier是sklearn.ensemble提供的堆叠泛化（Stacking）分类模型，它组合多个不同的基分类器，并通过一个元分类器进行二次学习，适用于二分类和多分类任务。StackingClassifier适用于分类任务，组合多个基分类器，并通过元分类器进行二次学习，提高分类性能，比VotingClassifier更强大，适用于多个模型的组合优化。
【集成学习】Stacking方法
人工智能(AI)技术，大模型技术，深度学习，机器学习，计算机视觉，AI工具实践应用等分享
02-26 1498
在本节中，我们通过5个不同的实际案例展示了Stacking方法的强大应用，涵盖了回归和分类问题。无论是在医疗数据预测、广告点击率预测，还是股票价格波动预测等领域，Stacking都能有效提升模型的准确性和泛化能力。通过将多个基学习器的输出组合，Stacking方法能够充分利用不同模型的优势，提升整体预测性能。
机器学习之Stacking——模型融合
yonsan_的博客
06-18 2353
“特征提取决定模型上限，模型的选择就是不断接近这个上限。”在特征已经提取好的情况下，也选择好了机器学习模型算法，如何进一步提高模型的表现呢？Stacking方法就是一个可以帮助模型进一步提高的算法。类似于深度学习NNs，Stacking一般有两层机器学习模型，第一层机器学习模型群可以被看成NNs中的神经元，对原始的（处理好的）数据集进行训练，输出新的特征，给下一层的机器学习模型使用；第二层机器学习模型的学习‘材料’就是上一层的输出，第二层的输出是最后的预测结果。多个模型的集合，相当于NNs中的深层次的特征提
机器学习模型融合
wang_rui_j_ie的博客
02-09 3608
模型融合方式： · 均值法Averaging：适用于回归类算法，将每个评估器的输出做平均，类似于Bagging中回归的做法。 · 投票法Voting: 适用于分类算法，将每个评估器的输出进行投票， 类似于Bagging中分类的做法 · 堆叠法Stacking: 使用一个/多个算法在训练集上输出的某种结果作为下一个算法的训练数据。 · 改进堆叠法Blending: 一种特殊的stacking, 使用一个/多个算法在验证集上输出的某种结果作为下一个算法的训练数据。 一 投票法Voting： 1 五大
stacking模型融合
芒果冰麦
04-04 9645
模型融合 模型融合的方法 简单加权融合: 回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）； 分类：投票（Voting) 综合：排序融合(Rank averaging)，log融合 stacking/blending: 构建多层模型，并利用预测结果再拟合预测。 boosting/bagging（在xgboost，Ad...
模型融合之STACKING方法
井底小蛙的博客
03-25 1万+
本文参考了Kaggle机器学习之模型融合（stacking）心得 stacking是用于模型融合的一个大杀器，其基本思想是将多个模型的结果进行融合来提高预测率。，理论介绍有很多，实际的例子比较少，本文将其实例化，并给出详细的代码来说明具体的stacking过程是如何实现的。stacking理论的话可以用下面的两幅图来形象的展示出来。 结合上面的图先做一个初步的情景假设，假设采用5折交叉验证： 训练集（Train）：训练集是100行，4列（3列特征，1列标签）。 测试集（Test）：测试集是30行
机器学习——模型融合：Stacking算法
weixin_39753819的博客
04-11 2539
Stacking算法是一种强大的模型融合技术，通过组合多个基本分类器的预测结果来提高整体的预测性能。它可以灵活地选择不同的初级学习器和次级学习器，并且可以提高模型的泛化能力和鲁棒性。然而，Stacking算法也有一些缺点，例如训练时间较长，对初级学习器的选择和参数调优要求较高等。在实际应用中，需要根据具体的问题和数据集来选择合适的Stacking方法，并进行适当的调优工作。
模型融合 --stacking
风口浪尖上的猪
07-19 541
模型融合方法分为以下几种： 1、平均法：分加权平均、简单平均； 2、投票法：绝对多数、相对多数和加权平均； 3、学习法：当训练数据较多时，通过另一个学习器来进行分类。 bagging: 并行，通过平均能够降低误差（有放回抽取k个训练集，训练模型k个），最后投票，通过数据的不同训练得到不同的分类器效果，如果分类器本身性能稳定，则整合的意义不大。例子：随机森林，树模型。 boosting: 串行，训练一系列弱分类器，利用模型之间的依赖，通过给错分样本更大的权重来提升性能， stacking（结合策略）：通过一个
模型融合之Stacking
Unravel_36的博客
03-29 5356
前言 最近研究模型融合，看到很多关于介绍Stacking的文章，大多数文章都有这张图。如果你能一眼看懂，OK，那你就不用继续读下去了。如果一下子看不懂，我会结合代码具体介绍Stacking是如何工作的。 一、Stacking是什么？ Stacking 是集成学习的一种方法。集成学习可以融合不同模型学习到的特征以提升最终的预测效果。一般来说，集成学习的要求基学习器好而不同。即每个基学习器性能不能太差，同时不同的基学习器学习的特征不同。 二、代码实现 本示例使用Sklearn的威斯康辛州乳腺癌数据集 1.引入
Stacking:机器学习集成模型之堆叠各种模型及工具源码-机器学习
03-24
目前，大型的数据挖掘比赛（如Kaggle），排名靠前的基本上都是集成机器学习模型或深度神经网络。 将训练好的所有基模型对整个训练集进行预测，第$ j $个基模型对第i个训练样本的预测值将作为新的训练集中第$ i $个...
模型整合之模型堆叠——详细理解Stacking model
zzoo2200的博客
08-30 6673
详解Stacking 模型融合的基本原理（内附代码、论文资源网页）
模型融合
Bryan__的专栏
04-23 1万+
参考：台大机器学习技法  http://blog.csdn.net/lho2010/article/details/42927287          stacking&blending  http://heamy.readthedocs.io/en/latest/usage.html1.stacking&blendingblending:比如数据分成train和test，对于mo...
Stacking 模型融合讲解
qq1483661204的博客
05-01 1万+
stacking 模型融合    Stacking是模型融合的一个重要的方法，几乎每个数据科学竞赛的前几名都会使用，接下来我主要是介绍stacking的原理。相信大家看很多stacking的资料都会看到下面的这个图：这个图很形象，他具体是这样做的，首先我们将训练集使用kfold切分为k分，每一分包括一个验证集和测试集，每次取其中k-1分训练，另外的1分用来验证，stacking是这样做的，比如对于...
模型融合Stacking
qq_43550820的博客
04-04 567
模型融合模型融合代码 模型融合 要想使得使得机器学习模型进一步提升，必须使用到模型融合的技巧，常用的模型融合方法有Stacking与Blending。Stacking实际上就是把Blending组合起来，Blending只有一层，而Stacking有多层，它把各个基学习器的预测结果作为下一层新的训练集，来学习一个新的学习器。通过元分类器或元回归聚合多个分类或回归模型。基础层次模型（level mo...
机器学习中的Stacking模型融合
小码仔
06-04 2万+
最近学习了模型融合的方法，遇到了Stacking的方法来解决模型融合的问题，因此做了以下总结。 1.Stacking是什么？ Stacking简单理解就是讲几个简单的模型，一般采用将它们进行K折交叉验证输出预测结果，然后将每个模型输出的预测结果合并为新的特征，并使用新的模型加以训练。 模型融合的图示如下 2.Stacking的好处在哪里？ 做大数据的比赛的一般是是使用单一模...
stacking堆叠法
06-27
Stacking，也称为堆叠（Stacking）或超级学习（Super Learning），是一种机器学习中的集成方法，用于提高预测模型的性能和稳定性。它的基本思想是将数据集划分为训练集、验证集和测试集三部分。Stacking通常包含以下几个步骤： 1. **基学习器（Level 0）训练**：首先，用训练集训练多个基础模型（如线性回归、决策树、随机森林等），这些模型被称为基模型，它们各自生成预测结果。 2. **特征生成**：使用所有基模型的预测结果作为新的特征，这个过程通常称为元数据或水平特征（Level 1）。 3. **二级模型（Level 1）训练**：在验证集上，构建一个新的模型，这个模型使用第一阶段生成的特征（基模型预测值）作为输入，试图找到最能解释这些特征组合的权重。 4. **预测与集成**：最后，使用二级模型对整个测试集进行预测，最终的预测结果是所有基模型预测值加权平均的结果。 Stacking的优势在于它能够利用所有模型的信息，并通过额外的学习层次提高整体性能。此外，这种方法还能帮助处理过拟合问题，因为每个基模型只看到一部分数据，而二级模型则看到它们的整体表现。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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