OS-Design之GDT加载的伪代码和源码

【PCode:】
Gdt gdt={0,0,0};
Gdt gdt_code32={0,code32.length-1,DA_C+DA_32};
Gdt gdt_video={0B8000h,0ffffh,DA_DRW};
Gdt gdts[3]={,,};
 
Gdtr *gdtPtr={gdts.size-1,0};
Selector selector_code32=gdt_code32.offset;
...
ds=cs;
gdt_code32.base=code32;
gdtr=*gdtPtr;
...


 
%include "pm.inc"

org 07c00h
jmp main

[SECTION .gdt]
gdt: Descriptor 0,0,0
gdt_code32: Descriptor       0, SegCode32Len - 1, DA_C + DA_32; 非一致代码段
gdt_video:  Descriptor 0B8000h,           0ffffh, DA_DRW	     ; 显存首地址

gdtLen		equ	$ - gdt	; GDT长度
gdtPtr		dw	gdtLen - 1	; GDT界限
		    dd	0		; GDT基地址

; GDT 选择子
selector_code32		equ	gdt_code32 - gdt
selector_video		equ	gdt_video - gdt

[SECTION .s16]
[BITS	16]
main:
	mov	ax, cs
	mov	ds, ax

	xor	eax, eax
	mov	ax, cs
	shl	eax, 4
	add	eax, code32
	mov word [gdt_code32 + 2], ax
	shr	eax, 16
	mov	byte [gdt_code32 + 4], al
	mov	byte [gdt_code32 + 7], ah

	xor	eax, eax
	mov	ax, ds
	shl	eax, 4
	add	eax, gdt		; eax <- gdt 基地址
	mov dword [gdtPtr+2],eax
	lgdt [gdtPtr]
	
	cli
	in	al, 92h
	or	al, 00000010b
	out	92h, al
	mov	eax, cr0
	or	eax, 1
	mov	cr0, eax
	
	jmp	dword selector_code32:0
	
[SECTION .s32]; 32 位代码段. 由实模式跳入.
[BITS	32]
code32:
	mov	ax, selector_video
	mov	gs, ax			; 视频段选择子(目的)

	mov	edi, (80 * 11 + 79) * 2	; 屏幕第 11 行, 第 79 列。
	mov	ah, 0Ch			; 0000: 黑底    1100: 红字
	mov	al, 'P'
	mov	[gs:edi], ax

	; 到此停止
	jmp	$

SegCode32Len	equ	$ - code32


 

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