概述计算机应用,2011统计师计算机应用基础:计算机概述

2011年统计师考试辅导计算机应用基础:计算机的硬件系统

计算机的硬件系统

(1) 中央处理器:也称CPU,由控制器和运算器组成。

运算器是计算机进行算术和逻辑运算的部件,由算术逻辑单元、累加器、状态寄存器、通用寄存器等组成;

控制器是计算机中统一指挥和控制计算机各部件进行工作的控制中心,其作用是控制整个计算机的工作,具体说它是计算机指令的执行部件,其工作是取指令、解释指令和完成指令的执行。

计算机的性能主要取决于中央处理器的能力,衡量这个能力的指标是CPU的主频,目前P$的主频可以达到3GHZ左右。

(2) 存贮器

存贮器的作用是储存计算机工作时需要的程序和数据。从不同角度看,存储器有不同的分类方法。

按存储介质的材料分类有:半导体存储器、磁表面存储器、光学存储器。主存储器一般采用半导体存储器,软盘、硬盘、磁带等存储器属于磁表面存储器,CD-ROM属于光存储器。

按存储器的工作方式分,可分为随机读写存储器、顺序读写存储器、只读存储器等。

按多层次存储系统的概念,计算机的存储系统由调整缓冲存储器(Cache),随机存储器(RAM)、只读存储器(ROM),软盘、硬盘、磁带存储器等组成。Cache、RAM、ROM组成主存储器,主存储器的作用是在计算机工作中存储正在运行的程序和数据。软盘、硬盘、光盘、磁带在座器组成外存储器,其作用是存储当前计算机运行中暂时不用的程序和数据。

下面介绍几个主要概念:

① 内在:计算机进行工作时,临时存放程序和数据的存储器。机器关闭,内在里存储的信息全部消失;

② 硬盘:计算机永久存放程序和数据的存储器;

③ 软盘和光盘:软盘是较为常用的数据介质交换设备,用于保存文件在不同机器间复制、加载数据文件。微机**软盘驱动器,保存和读取软盘上的数据。

由于软盘容量较小(1.44M),又容易损坏,所以一种称为USB盘(闪存)的设备开始流行并有替代软盘的趋势,它具有容量大、使用寿命长、无限次写入读取能力等优点。

光盘是一种成本较低、容量很大、使用寿命长的存储介质,普通光盘只具有一次性数据写入的能力,主要用于大批量的数据存储,不宜用作数据的多次交换。目前光盘主要有CD和DVD两种,DVD具有更高的存储容量。

(3) 输入输出设备

① 键盘:目前常用的键盘有101个键,分为功能键区、字符数字键区和数字小键盘区。功能键区按键的作用由软件定义;字符数字键区各键与标准打字机的各键基本相同;数字小键盘区的作用有两个,一是用于输入数字,另一个是用于控制光标移动,两个作用的选择由Numlock键确定。

② 鼠标:有两种,一种是机械式的,另一种是光电式的。当鼠标移动时,屏幕上的光标也随之移动,光标移动的方向与鼠标移动的方向一致,移动距离与鼠标移动的距离成正比。

③ 显示器:计算机的显示系统由显示器、显示卡及响应的软件构成,显示器和显示卡构成计算机显示系统的硬件部分。目前常用显示器按使用的器件分为两种,一种是阴极射线管显示器(CRT),多用于普通台式计算机,另一种液晶显示器,这种显示器多用于笔记本计算机,现在也逐渐在台式机上广泛使用,随着成本的降低,将有取代CRT的趋势。

④ 打印机:按数据传输方式分为串行打印机和并行打印机;按打印方式又可分为击打式和非击打式。击打式打印机,指用机械冲击方式,**色带在纸上印刷字符和图形的打印机,一般称为针式打印机;非击打式打印机,指用电、磁、光、热、喷墨等物理、化学方法印刷字符和图形,如激光打印机、喷墨打印机等。在统计系统中,打印宽行报表一般使用针式打印机,用于日常办公等其它用途时,多使用激光打印机或喷墨打印机。

⑤ 软驱和光驱:微机**软驱和光驱读写软盘和光盘上的数据。普通光驱只能读写光盘上的数据,可读写光驱才能向可读写光盘上写入数据。DVD光驱可以读DVD和CD的数据,而普通的CD光驱只能读CD的数据。

除上述介绍的主要计算机硬件设备外,还有很多其他设备:如进行网络连接的网卡、调制解调器;完成图像处理的扫描仪;用于音频、视频多媒体文件欣赏的音箱;用于将显示器内容投放到大屏幕上的投影仪;用于游戏的游戏操纵杆等。摄像头也是近年来十分常见的外设。

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