进程

程序执行

1、程序的顺序执行

一个程序由若干个程序段组成,而这些程序段的执行必须是顺序的,这种程序执行的方式就称为程序的顺序执行。

程序顺序执行时的特点

1、顺序性
2、封闭性
3、可再现性

2、程序的并发执行

不存在前驱关系的程序之间才可能并发执行

程序并发执行时的特征

1、间断性
2、失去封闭性
3、不可再现行

进程

进程的概念

进程是进程实体的运行过程,是系统进行资源分配和调度的一个独立单位。

进程的特征
1、结构特征

程序段+进程控制块(pcb)+相关数据=进程实体

2、动态性------进程的最基本特征

进程:进程实体的一次执行过程,有生命周期

3、并发性

多个进程实体同存于内存中,在一段时间内同时运行,可以并发执行。

4、独立性

进程实体是一个能独立运行、独立分配资源和独立接受调度的基本单位

5、异步性

进程按各自独立的、不可预知的速度向前推进

进程的基本状态
1、就绪状态
2、运行状态
3、阻塞状态
进程控制块(PCB)
概念

存放进程的管理和控制信息的数据结构称为进程控制块,进程控制块是进程存在的唯一标志。

作用

PCB的作用,是使一个在多道程序环境下不能独立运行的程序,成为一个能独立运行的基本单位,一个能与其他进程并发执行的过程。

作为独立运行的基本单位的标志
能实现间断性运行方式
提供进程管理所需要的信息
提供进程调度所需要的信息
实现与其他进程的同步与通信
进程控制块中的信息
1、进程标示符
内部标示符:唯一的数字标示符,一个进程的序号
外部标示符:由创建者提供,由用户访问该进程时使用
2、处理机状态
3、进程控制信息

程序和数据的地址
进程同步和通信机制
资源清单:进程所需要资源清单
链接指针:本进程所在队列中下一个进程PCB的首地址

进程控制块的组织方式
1、线性方式

将系统中所有的PCB组织在一张线性表中。

2、链接方式

把具有统一状态的PCB用其中的链接字链接成一个队列。

3、索引方式
进程的创建
引起创建进程的事件

用户登录、作业调度、提供服务、应用请求

进程的创建过程

申请空白PCB
为新进程分配资源
初始化进程控制块
将新进程插入就绪队列

进程的阻塞
引起进程阻塞的主要原因

请求共享资源失败;等待某种操作完成;新数据尚未到达;无新工作可做。

进程同步
进程同步的主要任务

使并发执行的诸进程之间能有效地共享资源和相互合作,从而使程序的执行具有可再现性

进程同步的基本概念
1、两种形式的制约关系

1、间接相互制约关系:互斥关系
2、直接相互制约关系:同步关系

2、临界资源------互斥访问
3、临界区

并发进程中于共享变量有关的程序段称为临界区,即每个进程中访问临界资源的那段代码。

同步机制应该遵循的规则
1、空闲让进
2、忙则等待
3、有限等待
4、让权等待
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