计组第一二章学习笔记

计算机系统概论

计算机的软硬件

  • 硬件(实体)
    • 结构
      • 主机
        • CPU
          • ALU 运算器
          • CU 控制器
        • 存储器
          • 主存(内存)
          • 辅存
      • IO 设备
        • 输入设备
        • 输出设备
    • 主要技术指标
      • 机器字长
        • CPU 一次能处理的数据位数,与 CPU 中的寄存器位数有关
      • 存储容量
        • 主存容量=存储单元个数 × 存储字长
          • 例如:512k*16位
      • 运算速度
        • 单位时间执行指令的平均条数,MIPS
  • 软件(由程序组成)
    • 系统软件:用来管理整个计算机系统
      • Windows,Linux,macOS 操作系统
    • 应用软件:按任务需要从而编制成的各种程序 - 浏览器,QQ,VScode,word 等等
      在这里插入图片描述

冯诺依曼型计算机特点

  • 1.计算机由运算器,控制器,存储器,输入和输出设备 5 部分组成
  • 2.指令和数据以同等地位(二进制形式)存于存储器,可按地址寻访
  • 3.指令和数据用二进制表示
  • 4.指令由操作码和地址码组成
  • 5.存储程序
  • 6.以运算器为中心

区别以运算器为中心的计算机还是存储器的方法

  • 看输入设备能否直接与存储器相连,是的话就是以存储器为中心

存储器的基本组成

  • 存储体
    • 存储单元:存放一串二进制代码(按地址寻访)
    • 存储字:存储单元中二进制代码的组合
    • 存储字长:存储单元中二进制代码的位数
  • MAR:存储器地址寄存器,反映存储单元的个数.设 MAR=4 位,存储单元个数为 16.
  • MDR:存储器数据寄存器,反映存储字长.设 MDR=8 位,存储字长为 8

运算器的基本组成和操作过程

在这里插入图片描述

控制器的基本组成

在这里插入图片描述

存数与取数过程

在这里插入图片描述
在这里插入图片描述

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

打赏作者

寂寞烟火~

你的鼓励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