进程间通信学习笔记二(信号通信)

信号通信


用户按某些键时,产生信号
硬件异常产生信号
进程用kill函数将信号发送给另一个进程
可以用kill函数将信号发送给其他进程


信号的类型
1 sighup 从终端上发出的结束信号
2 sigint 来自键盘的中断信号(ctrl-c)
3 sigquit
4 sigill
5 sigtrap
6 sigiot
7 sigbus
8 sigfpe
9 sigkill 结束接收信号的进程
10 sigusr1
11 sigsegv
12 sigusr2
13 sigpipe
14 sigalrm
15 sigterm kill命令发出的信号
17 sigchld 标识子进程停止或结束的信号
18 sigcont
19 sigstop 来自键盘(crtl-z)或调试程序的停止执行信号
20 sigtstp
21 sigttin
22 sigttou
23 sigurg
24 sigxcpu
25 sigxfsz
26 sigvtalrm
27 sigprof
28 sigwinch
29 sigio
30 sigpwr


信号处理
当信号出现时,将按照下列三种方式中的一种进行处理:
1 忽略此信号
sigkill和sigstop这两种信号除外
2 执行用户希望的动作
3 执行系统默认动作


信号的发送


发送信号的主要函数有:
kill: 可以向自身发送信号,也可以向其他进程发送信号
raise:向进程自身发送信号
函数原型:
#include <sys/types.h>
#include <signal.h>
int kill(pid_t pid,int signo)
int raise(int signo)


alarm
使用alarm函数可以设置一个时间值,当设置时间到时,会产生一个sigalrm信号
如果不捕捉此信号,默认动作是终止该进程
注:每个进程只能有一个闹钟时间,当seconds值是0,表示取消以前的闹钟
函数原型:
#include <unistd.h>
unsigned int alarm(unsigned int seconds)
seconds:经过了指定的seconds秒后会产生信号sigalrm




pause
使调用进程挂起直至捕捉到一个信号
函数原型:
#include <unistd.h>
int pause(void)


信号的处理
1可以忽略该信号或是使用指定的处理函数来处理该信号,或者使用系统默认的方式
2 使用简单的signal函数,或是使用信号集函数组




signal
函数原型
#include <signal.h>
void (*signal(int signo,void(*func)(int)))(int)
func可能的值是:
sig_ing 忽略此信号
sig_dfl 按系统默认方式处理
信号处理函数名 使用该函数处理




示例代码如下:
#include <signal.h>
#include <stdio.h>
#include <stdlib.h>


void my_func(int sign_no){
if(sign_no==SIGINT){
printf("i have get SIGINT\n");
}
else if(sign_no==SIGQUIT){
printf("i have get SIGQUIT\n");
}
}


int main(){
printf("waiting for signal SIGNINT or SIGQUIT \n");
/*注册信号处理函数*/
signal(SIGINT,my_func);
signal(SIGQUIT,my_func);


pause();
exit(0);
}


编译执行:
[root@localhost app]# gcc mysignal.c -o mysignal
[root@localhost app]# ./mysignal
waiting for signal SIGNINT or SIGQUIT


打开另一终端
查看进程id
[root@localhost ~]# ps aux
USER PID %CPU %MEM VSZ RSS TTY STAT START TIME COMMAND
root 9837 0.0 0.0 1624 308 pts/1 S+ 02:38 0:00 ./mysignal


查看返回结果:
i have get SIGINT

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