- 博客(79)
- 收藏
- 关注
RSS订阅原创 操作系统实验九
本次实验完成了创建文件、注册块设备等操作，并利用老师提供的驱动程序完成了块设备的挂载。语言代码和实际操作的层面了解了驱动程序的实现方式，更深入的体会了。驱动程序的基本构成，体会驱动程序的设计思想。完成所有操作之后应当卸载相关的驱动程序和设备。驱动程序运行正常，文件创建及挂载的操作正确。使用命令拷贝当前位置下的一个文件到对应位置。能够将文件拷贝到对应的挂载点下。系统中“一切皆文件”的设计思想。，主设备号为42，次设备号为0。使用老师提供的驱动程序源文件。使用命令查看已经挂接的磁盘。建立设备块文件，名称为。
2024-01-16 10:48:06
409
原创 操作系统实验八
本次实验仅仅是在模板代码的基础上实现了一些最基本的功能，要完整的理解岁所有的代码，编写出更复杂的系统模块，还需要付出更多的时间来进行。本次实验实现了编写内核模块，并利用它实现增加文件、写入信息的功能。程序代码中的字符串写入了对应文件夹的对应位置，因此能够被读取文件的命令顺利读取出来.可以看到代码中的文字输出在控制台中，这是由于该模块将前文。文件的内核模块，进一步理解系统调用的相关知识。的文件，只读，读出的内容是读它的进程的情况。下的函数和功能实现有一定了解。的文件，读出加入其中的文件。
2024-01-16 10:47:16
428
原创 操作系统实验七
例如，内核必须知道进程的优先级，它是正在CPU上运行还是因某些事件被阻塞，给它分配什么样的地址空间，允许它访问哪个文件等等。为了对给定类型的进程(例如，在可运行状态的所有进程)进行有效的搜索，内核建立了几个进程链表。通过本次实验，实现了一个功能为显示当前进程、进程状态，进程数目的系统调用。因此，在实验中一定要认真阅读模板代码，弄清楚相关参数的含义和功能，多写代码、多次尝试、举一反三，才能顺利完成本次实验。设计模块遍历进程描述符链表，打印出系统的进程数目、当前进程，并尽量多地打印每个进程的信息。
2024-01-16 10:44:45
421
原创 操作系统实验六
的调度策略偏向实时进程（或者如某些资料所说的，偏向于面对用户的交互式进程）。调度策略每次都需要遍历所有进程，在切换进程频繁的场景下，进程的切换消耗了太多资源，进而导致。在进行代码分析时，可能会遇到大量的定义，结构，跳转与分支，应当充分借助相关工具（如。实时调度策略，先到先服务，除非有更高优先级任务或者主动放弃处理机，就一直运行。代码进行分析，并且在读懂代码实现的基础之上，尝试理解设计的思想和目的。对于不需要切换用户空间的进程（减小了进程切换的开销），给予奖励。对于分时进程，给予其最合适的时间片。
2024-01-16 10:44:01
871
原创 操作系统实验五
Linux模块(module)是一些可以作为独立程序来编译（使用适当的标志说明这是内核代码）的函数和数据类型的集合。在装载这些模块时，将它的代码链接到内核中。Linux模块可以单独编译成为目标代码，module是一个目标文件。它可以根据需要在系统启动后动态地加载到系统核心之中。Linux中大多数设备驱动程序或文件系统都作成的module。超级用户可以通过insmod和rmmod命令显示地将module载入核心或从核心中将它卸载。
2024-01-16 10:43:18
822
原创 操作系统实验四
实验本的操作步骤相对较多，设计多个文件，需要厘清每个步骤的操作内容以及作用，才能顺利的完成本次实验。最后要注意的是，在编译使用内和函数的C文件时要通知编译器把这些代码当作内和代码而不是普通的用户代码来编译，这可以通过向编译器传递。中定义的，这样当增加一个新的系统调用是，就必须在这个表中增加一个新的表项。这里涉及到一个问题——当然，如果你采用重新编译内核的方法，并不需要这样做——只要修改内核源码目录的。添加一个新的内核系统调用，具体完成某个你希望实现的功能。编写一个用户态的程序，验证你增加的系统调用。
2024-01-16 10:42:02
694
原创 操作系统实验三
时可能出现挂载后虚拟机软件崩溃的情况，此时可以尝试重启虚拟机相关服务后重新挂载。实验共分为四部分：编译前准备->编译新内核->运行新内核。本次实验的使用的源文件均使用主机下载完成后使用U盘拷贝至。版本的内核，并将其加入启动菜单中、设为新的启动内核。在前述步骤正确完成后重启虚拟机，即可使用新内核启动。，此时需要使用命令查看U盘设备的名称，注意。命令默认状态下不可用，在使用前需要将其加入。将新编译完成的模块放在系统模块安装目录。服务存在问题，将其启动或重新启动即可。本次实验的主要内容是编译一个新版本的。
2024-01-16 10:40:51
346
原创 操作系统实验二
首先定义三个宏保存一天、一小时、一分钟等价秒数（其实按照C的编写要求更应该使用。目录，在终端上键入ls命令，察看该目录下的内容，同时察看每个文件的读写权限。目录下，在用户态下进行编程，使用文件指针读取文件即可查看相关的文件信息。首先编写主函数，建立程序的基本框架，将实现功能的函数放在头文件。编写一个程序，用来获得内核参数（任意的参数均可）。编写一个程序，用来修改内核参数（任意的参数均可）。编写程序以及如何调用编译器对编写的程序进行编译。执行程序，在之后附上命令，查看。所使用的Linux的版本。
2024-01-08 21:00:35
913
原创 操作系统实验一
相较于直接在实体设备上安装其他操作系统的引导程序，使用虚拟机的形式显然更加快捷和方便。不仅安装方便，而且可以同时支持打开多个虚拟机，有效的提升了工作效率。当然，使用虚拟机运行会带来一定的性能损失。虚拟机相关设置：虚拟机磁盘大小（默认为8GB，设定为10GB），虚拟机内存设置为512MB，使用1个CPU核心，如果使用传统的文件进行安装，需要使用3个不同的。文件，因此需要在虚拟机设别中添加三个“CD”，特别注意的是多个CD存在创建顺序，需要和安装系统时的。，虚拟机操作系统大类为Linux，使用的发行版为。
2024-01-08 20:59:55
385
原创 编译原理期末速成二
编译原理期末速成（二）LL(1) 文法：求 First、Follow 集，预测分析表定义依次表示表示自左向右扫描、最左推导、每次（只需）向右读取一个字符文法不含左递归公式形如 $ p \rightarrow p \alpha |\beta $ 消除左递归p→βp′p \rightarrow \beta p^{'}p→βp′p′→αp′∣ϵp^{'} \rightarrow \alpha p^{'} | \epsilonp′→αp′∣ϵ非终结符产生式的候选字符集两两不相交非终
2024-01-08 20:51:34
846
原创 编译原理期末速成一
此时这个 NFA 的状态转移矩阵已经构成了一个新的 DFA。对于各元素，对于各非终结符，选择合适的产生式进行展开。无二义性文法中，产生的每个句子只能对应一颗语法树。：初始状态（即上图中的 1），可以为空。仍然对应上段文法，有同样正确的语法树。以右递归的方式，运用三个裂解规则。将 NFA 中的状态转移矩阵标号。：映射，即跳转时选择分支的规则。写到不再有新的状态集可以加入。紫皮《编译原理》使用的是。：状态的集合（如上图中的。：有穷字符集（如上图中的。最下层，最左侧的直接短语。：最终状态（即上图中的。
2024-01-08 20:50:14
996
原创 数字图像处理实验四
MATLAB 6.5以上版本、WIN XP 或 WIN2000 计算机。对受椒盐噪声干扰的图像滤波，窗口分别采用。对受噪声干扰的图像进行均值滤波.采用 MATLAB 中的函数。采用二维中值滤波函数。
2024-01-08 20:37:30
777
原创 数字图像处理实验三
可见经过高通滤波使图中区域的边界得到明显增强，但同时滤掉了低频分量，使图中原来比较平滑的区域内部的灰度动态范围被压缩，因而整幅图比较昏暗。图像的高通滤波与低通滤波作用相反，可以增强图像的边缘。掌握高通滤波增强图像边缘。基于微分算子的边缘检测。
2024-01-08 20:36:54
364
原创 数字图像处理实验一
x′y′110x001y0001⋅xy1x′y′1100010x0y01⋅xy1或者表示为x′xx0y′yy0x′xx0y′yy0。
2024-01-08 20:35:17
898
原创 J2EE实验二
目的：学习Action中的动态方法调用和Action对的三种访问方法，学习OGNL表达式和Struts2标签的使用任务：实现基于Struts2的登录和注册系统，系统中练习使用Action、OGNL表达式和Struts2标签。
2024-01-08 20:32:53
888
原创 J2EE 实验一
目的：熟悉在集成开发平台上配置Struts2框架，学习Struts2编程任务：在集成开发平台上创建Struts2项目，实现登录系统。
2024-01-08 20:31:56
869
原创 模式识别实验四
阅读机器学习库 scikit-learn 文档中相关函数部分（https://scikit-learn.org/stable/modules/classes.html）。使用不同的决策树算法，并使用 graphviz 生成决策树图像，观察不同算法的区别。使用 KNN 函数（KNeighborsClassifier）实现K近邻分类器的训练，并测试分类结果。使用随机森林算法（RandomForestClassifier）训练分类器，并测试分类器的准确度。，随机森林模型在多样本分类中有者广泛的应用。
2024-01-08 20:29:24
381
原创 模式识别实验三
第一次训练，将第一类训练样本保持不变，第二第三类取负值，分类判断出第一类样本。第二次训练，将剩余样本的第二类保持不变，第三类取负值，试训练第二类样本。对于较为简单的数据，不需要使用更加复杂的深度神经网络结构，使用传统的机器学习算法即可。不仅能够同样取得非常好的效果，并且在可解释性和算力要求上有优势。调整上述步骤中的步长、训练样本分类方式和迭代次数参数，重复实验，观察结果。试推测感知器训练不收敛的可能原因。载入数据文件（ iris.csv 文件）中的数据，并将其分成样本向量矩阵X和样本分类结果向量。
2024-01-08 20:28:52
794
原创 模式识别实验二
使用贝叶斯学习的方法，通过多次迭代，估计并调整贝叶斯估计值——样本均值，并通过matplotlib 库绘制该估计值的演变过程。调整参数后，实验效果的变化不明显，可能是没能充分掌握各函数的数学意义。对于多个参数的调参，全靠猜测和经验是行不通的。给定参数初始分布估计值（均值3.6，标准差0.4）的情况下，计算样本的均值的贝叶斯估计量（教材公式。）随机分布样本，作为研究样本，验证之后的方法是否能找到该样本正确的分布参数（调整上述步骤中指定的参数，重复实验，观察结果。数据于开始段急速上升而后趋于稳定。
2024-01-08 20:28:03
914
原创 模式识别实验一
安装使用一种python语言开发平台（Anaconda、Spyder、PyCharm、VSCode等），并完成数据导入的操作（ iris.csv 文件，可用pandas 的。本实验的协方差矩阵计算存在一定问题，可能需要对数据进行一定的”清洗“或者归一化操作。用自定义函数方法求各列数据的均值，及每一分类中各列数据的前。求上一步中的每种分类下某一列数据的前40的协方差矩阵（的条件下，将每种分类下各列数据中后。）、协方差矩阵的逆矩阵（）和协方差矩阵的行列式（取出数据中的某一列（正态分布的贝叶斯决策。
2024-01-08 20:26:46
879
原创 正交基概念
考虑n个任意两个向量之间相互正交的n维向量a，则其构成一个n维的欧几里得空间Rn，为其中的每一个向量赋予一个常数系数c，则空间中的任意向量v可以表示为这组基的线性组合vc1a1c2a2⋯cnan由于a1...an两两正交，则∀ij∈1...n，有ai⋅ajT1ijai⋅ajT0ij如果此时我们想求任意一个系数ci, 则可以直接把向量v。
2023-12-13 14:53:18
94
原创 使用 nnUNetv2 的一些踩坑记录（或许还会有继续更新
nnUNet 依然是最鲁棒的分割网络。今年初原作者更新了 nnUNet 的第二版即 nnUNetv2，题主近期试用的时候有一些踩坑的地方进行记录。
2023-12-07 18:58:41
332
原创 为什么发布实验报告
首先如果这是一套好的所谓实验课，应当是有足够的自动查重，足够的助教答疑，足够的渐进性，足够的与时俱进（毕竟如 CSAPP，MIT 6.828，Stanford CS229 之类的公开课早已在网络上多年）。但是我希望复制黏贴给各位省下来的时间和经历，各位能去做一些别的事情，不一定是学习，可以是运动、交友（恋爱）、旅行等等，而不是投入深不见底的峡谷或者卡池，毕业之后连一点水花也没留下。各位为什么能够看到这篇博文，90%的缘故是因为搜索到了完全雷同的实验报告，如果不是这个原因来的，后面部分可以不看了。
2023-12-06 20:01:55
51
原创 磁共振图像处理中 fft1c 和 ifft1c 函数的 Python 实现
fft1c和ifft1c是 MRI 图像处理的常用函数。通常使用如下的 Matlab 实现 （Michael Lustig，2005），笔者在移植到 Python 中时发现，无论是现有库还是其他现有开源代码很少有 Python 版实现。因此笔者进行了尝试，并与 Matlab 版最大程度的保持了一致。
2023-07-27 16:02:44
1425
原创 Matlab 堆叠张量
直接写明要拓展的维度进行赋值即可，无需额外的扩维操作。的用户来说，这个流程分为两步，首先将每个图像使用。拓展出一个大小为 $1 $ 的维度，然后使用。的磁共振图像，我们希望打包成。中并没有拓展一维的相关功能。在改维上进行堆叠即可。有时候我们需要堆叠多个。用于深度学习相关任务。
2023-05-12 21:29:44
627
原创 Matlab 中的 find() 函数
对于 类型，使用 是显而易见的：查找对应条件的值将会得到输出即对应非0数在一维数组中的下标但对于矩阵（或者多维数组，抑或称之为 ），情况有所不同我们可以直观的看到此时 d 的情况但如果我们使用依然得到输出与一维相同也就是说对于高维数组的 ，本质上还是降到一维后输出对应坐标，而不是分别输出各个维度的坐标，我们对于 后 d 的操作，等价于先将其 回到一维，再查找 index。
2023-02-06 15:22:02
935
原创 2022.11 Windows系统下配置深度学习环境的一些记录（Pytorch，tensorflow1，tensorflow2)
配置深度学习环境的简单教程和常用链接
2022-11-07 17:45:18
521
原创 torch 中的 dim 参数，以及 torch.repeat_interleave() 函数
torch 中的 dim 参数，以及torch.repeat_interleave()张量的维度：用 dim 描述在线性代数课程中，接触的最多的是以行和列对矩阵进行描述，但是在拥有更多维度的张量中则有所不同我们使用 torch 生成一个张量y = torch.tensor([[1, 2], [3, 4]]) 利用数学形式的表示，我们可以写作y=[1324]y = \begin{bmatrix}1 & 3 \\ 2 & 4\end{bmatrix}y=[1234]或者以
2022-05-07 12:16:37
460
原创 C++拾遗（一）vector
vector 容器的相关补充关于 .end()定义.end() 指向容器最后一个元素的后一位置空容器的 .begin() 和 .end()对于空容器而言，.begin() 和 .end() 指向同一个位置vector<int> vec; // 一个空容器if (vec.begin() == vec.end()) { // 此判断为真}访问 .end() 所指的元素（很多时候）是合法的虽然 .end() 并不对应容器中的任何值，对它的引用也通常没有意义但是若容器不
2022-02-18 09:11:40
844
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人