《Linux内核的设计与实现》读书笔记(四)---进程调度

进程调度

Linux进程调度原理

多任务

多任务操作系统指能同时并发地交互执行多个进程的操作系统。主要分为两类:

  • 非抢占式多任务
  • 抢占式多任务
    Linux提供了抢占式的多任务模式,有调度程序决定进程的运行和停止。

调度程序

调度程序主要的工作:

  • 决定进程的运行和停止
  • 决定进程的运行时间

Linux内核在2.6.23后采用“完全公平调度算法”简称CFS

Linux调度策略及算法

策略

策略就是决定调度程序在何时让什么进程运行。而进程可以被划分为I/O消耗型处理器消耗型

  • I/O消耗型进程:经常处于可运行状态,因为运行时间短、响应时间快。
  • 处理器消耗型进程:尽量降低调度频率,延长运行时间。

进程优先级

Linux采用两种不同的优先级范围,一种是nice值,一种是实时优先级。

  • nice值:范围-20~+19,值越大优先级越低。
  • 实时优先级:范围0~99,值越大优先级越高。
    -任何实时进程的优先级都高于普通进程,所以抢占一般进程。

ps:一个进程不会同时拥有两种优先级。

时间片与CPU使用比

时间片是一个数值,表明进程在被抢占前所能持续运行的时间。
时间片调度策略实现原理

1.确定每个进程占用多少时间
2.选择占用CPU时间最多的进程执行
3.时间片用完后,再次统计每个进程的占用时间,以此类推

CPU使用比是指分配给每个进程的CUP时间,时间的分配不是绝对的。
Linux的CFS调度算法才用的就是处理器使用比,而不是时间片。

CFS算法的调度策略

1.计算每个进程的vruntime,通过update_curr()函数更新进程的vruntime。
2.选择具有最小vruntime的进程投入运行。
3.进程运行完后,更新进程的vruntime,转入步骤2 

实时调度策略

Linux提供两种实时调度策略:SCHED_FIFO和SCHED_RR。
Linux提供的非实时调度策略:SCHED_NORMAL。

Linux调度的实现

进程调度与系统调用

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