reactos操作系统实现(59)

 

当用户安装ReactOS系统时,需要选择合适的安装目录,因为同一个类型的操作系统,可以安装多次,可以选择不同的目录来安装,以便在同一台电脑,同一个磁盘分区里安装不同的系统。如下图:

选择系统目录的实现代码如下:

#001  static PAGE_NUMBER

#002  InstallDirectoryPage(PINPUT_RECORD Ir)

#003  {

#004      PDISKENTRY DiskEntry;

#005      PPARTENTRY PartEntry;

#006      WCHAR InstallDir[51];

#007      PWCHAR DefaultPath;

#008      INFCONTEXT Context;

#009      ULONG Length;

#010 

 

判断分区列表是否存在。

#011      if (PartitionList == NULL ||

#012          PartitionList->CurrentDisk == NULL ||

#013          PartitionList->CurrentPartition == NULL)

#014      {

#015          /* FIXME: show an error dialog */

#016          return QUIT_PAGE;

#017      }

#018 

 

获取磁盘分区的入口项。

#019      DiskEntry = PartitionList->CurrentDisk;

#020      PartEntry = PartitionList->CurrentPartition;

#021 

 

查找安装目录里的路径数据。

#022      /* Search for 'DefaultPath' in the 'SetupData' section */

#023      if (!SetupFindFirstLineW (SetupInf, L"SetupData", L"DefaultPath", &Context))

#024      {

#025          MUIDisplayError(ERROR_FIND_SETUPDATA, Ir, POPUP_WAIT_ENTER);

#026          return QUIT_PAGE;

#027      }

#028 

 

读取缺省路径数据。

#029      /* Read the 'DefaultPath' data */

#030      if (INF_GetData (&Context, NULL, &DefaultPath))

#031      {

#032          wcscpy(InstallDir, DefaultPath);

#033      }

#034      else

#035      {

 

如果没有配置,默认安装的目录,就是ReactOS目录。

#036          wcscpy(InstallDir, L"//ReactOS");

#037      }

#038 

#039      Length = wcslen(InstallDir);

#040      CONSOLE_SetInputTextXY(8, 11, 51, InstallDir);

#041      MUIDisplayPage(INSTALL_DIRECTORY_PAGE);

#042 

#043      if (IsUnattendedSetup)

#044      {

#045          return(InstallDirectoryPage1 (InstallDir, DiskEntry, PartEntry));

#046      }

#047 

 

循环地检查输入的目录。

#048      while(TRUE)

#049      {

#050          CONSOLE_ConInKey(Ir);

#051 

#052          if ((Ir->Event.KeyEvent.uChar.AsciiChar == 0x00) &&

#053              (Ir->Event.KeyEvent.wVirtualKeyCode == VK_F3))  /* F3 */

#054          {

#055              if (ConfirmQuit(Ir) == TRUE)

#056                  return(QUIT_PAGE);

#057 

#058              break;

#059          }

#060          else if (Ir->Event.KeyEvent.uChar.AsciiChar == 0x0D) /* ENTER */

#061          {

 

这里调用函数InstallDirectoryPage1来设置安装目录。

#062              return (InstallDirectoryPage1 (InstallDir, DiskEntry, PartEntry));

#063          }

#064          else if (Ir->Event.KeyEvent.uChar.AsciiChar == 0x08) /* BACKSPACE */

#065          {

#066              if (Length > 0)

#067              {

#068                  Length--;

#069                  InstallDir[Length] = 0;

#070                  CONSOLE_SetInputTextXY(8, 11, 51, InstallDir);

#071              }

#072          }

#073          else if (isprint(Ir->Event.KeyEvent.uChar.AsciiChar))

#074          {

#075              if (Length < 50)

#076              {

#077                  InstallDir[Length] = (WCHAR)Ir->Event.KeyEvent.uChar.AsciiChar;

#078                  Length++;

#079                  InstallDir[Length] = 0;

#080                  CONSOLE_SetInputTextXY(8, 11, 51, InstallDir);

#081              }

#082          }

#083      }

#084 

#085      return(INSTALL_DIRECTORY_PAGE);

#086  }

 

通过上面函数处理,如果选择合适目录,就进入下一步的页面,PREPARE_COPY_PAGE

 

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 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

打赏作者

caimouse

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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