多进程

这里写图片描述

一、fork调用
#include

SRCS=$(wildcard *.c)
OBJS=$(SRCS:.c=.o)
CC=gcc
CFLAGS=-g -Wall
my_app:$(OBJS)
        $(CC) $^ -o $@ 
%.o:%.c
        $(CC) -c $< $(CFLAGS)
clean:
        rm *.o

makefile编写的另外一个实例,源文件是my_app.c文件,生成my_app.o文件。

.PHONY:clean all
CC=gcc
CFLAGS=-g -Wall
BIN=my_app
all:$(BIN)
%.o:%.c
    $(CC) $(CFLAGS) -c $< -o $@
clean:
    rm *.o

最简单的一个fork程序

#include<stdio.h>
#include <unistd.h>
#include<errno.h>
int main()
{
        pid_t fd = fork();
        if(fd == -1 )
        {
                perror("fun fork() err\n");
                return -1;
        }
        if(fd > 0)
        {
                printf("this is parrnt !\n");
                printf("parent PID=%d\n", getpid());
                return 0;
        }
        if(fd == 0)
        {
                printf("this is child process!\n");
                printf("parent PID=%d , child PID=%d\n",getpid() ,getppid());
                return 0;
        }
}

在此基础上做一个多进程的压力测试框架

#include<stdio.h>
#include <unistd.h>
#include<errno.h>

int main()
{
        int i = 0;
        int procNum = 100;
        pid_t fd;
        for(i = 0 ; i < procNum ; i++)
        {
                 fd = fork();
                if(fd == 0)
                {
                        printf("%d:",i);
                        printf("this is child process!");
                        printf("parent PID=%d , child PID=%d\n",getppid() ,getpid());
                        exit(0);
                }
        }
       // for(i = 0 ; i < procNum ; i++)
        //{
          //      wait(NULL);
        //}
        printf("fork end!\n");
        return 0;
}

父进程一直在创建子进程,子进程做测试的一个多进程测试框架,其中注释的部分放开,那么最后父进程没有替子进程收尸,那么就出现了孤儿进程,还有可能产生僵死进程。
还有一个测试框架就是父进程产生子进程,子进程在产生子进程,迭代产生子进程。

这里写代码片

写时复制
创建子进程的时候,内核的各段copy到子进程,这时就出现了写时复制原则。当父或子进程修改内存中的数据时,那么写时复制就出现了。那时,只是拷贝需要的那一页,其中就出现了缺页中断,这也出现了内存的页式管理。

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