计算机系统组成_计算机系统的组成外部设备

       上一节课我们介绍了计算机的内存储器。内存储器直接被CPU进行读取,效率非常高,但内存储器的容量相对来说太小了。我们可以从下图看出各个存储器的容量与速度,内存又需要带电工作,那如果我们需要长时间存放的文件或者程序怎么办呢?存放在哪里呢?

c8540e75b661b17a0c14bc8d4303dede.png

这节课我们来介绍外存储器。

外存储器

功能:用于存放CPU暂时不用的程序和数据。

特点:存储容量大,信息能永久保存,存储速度慢。不能由CPU直接访问,可直接与内存成批交换信息。

常用的外存储器:硬盘、光盘、软盘和可移动存储器。 

ffa48f81899f85fca6a83ead36d3743b.png

       硬磁盘:在以铝合金为盘基的支持体上,涂以一层磁性物质所构成的圆形刚性颗粒磁记录介质。具有存贮容量大,随机存取快、数据传输率高、可靠性高四大特点。

       磁盘在格式化时被划分成许多同心圆,这些同心圆称为磁道。所有盘面上的同一磁道构成一个圆柱,称为柱面。将每个磁道分成若干个弧段,每个弧段称为一个扇区,每个扇区的容量均为512B

硬盘容量=磁头数×柱面数×扇区数×每扇区字节数。

       格式化是在硬盘上划分磁道、扇区,并建立存储文件的根目录,并删除盘上的所有文件。硬盘参数:容量、平道时间、转速、接口。

1fbcc1c82dbeb9314f3198cc2900a1f1.png

       光盘(Compact Disk,CD):光盘是以光信息为存储的载体并用来存储数据的一种物品。分为不可擦写光盘和可擦写光盘。

       不可擦写光盘(也就是只能刻录一次,不能修改或者再次刻录),如CD-ROM、DVD-ROM等;

       可擦写光盘(可以多次刻录,重复使用),如CD-RW、DVD-RAM等。

       光盘原理:运用光盘盘面的凸凹不平,表示“0” 和“1”的信息,光驱利用激光头产生激光扫描光盘盘面,读取“0”和“1”的信息。

       特点:记录密度高,存储容量大,数据保存时间长。

8bba69eb700d5323d26a17923771a25d.png

       移动存储器:移动存储指便携式的数据存储装置,指带有存储介质且自身具有读写介质的功能,不需要或很少需要其他装置的协助。移动存储主要有移动硬盘、USB盘和各种记忆卡。移动存储设备具有快速存取、方便灵活、性价优良、容易保存等性能。

总结:外存是一种长期保留数据的装置,属外部设备。既是输入设备,又是输出设备,主要用于和内存储器交换信息。有硬盘、软盘、光盘、U盘、移动硬盘。

cpu 外存 内存之间的关系:

b4b39f488b072ed5811af9ba0b0afaab.png

外存和内存的比较:速度较内存慢、容量一般较内存大,且价格比内存便宜。

下一篇我们会介绍计算机硬件系统中的输入和输出设备,欢迎大家继续关注并阅读。

e1038a9432a23c743972cf19445e95a2.png

本公众号介绍计算机基础知识及办公软件的使用方法,欢迎关注!

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