秋招C++开发学习之路day5

day5(进程、线程、并行、并发、包、IP协议)

  1. for的新用法,for(定义一个变量:对象){ 语句};变量类型要与对象一致,可以直接用auto自动匹配。
  2. 进程,一个进程就是对一个正在运行的程序的抽象。在一个系统上可以运行多个进程,而且每个进程就像在独立的使用硬件。
    并发进程就是说一个进程的指令和另一个进程的指令交错执行的。一般的系统需要运行的进程数都大于CPU的个数。
    一个进程到另一个进程的转换数由操作系统内核管理的。内核是操作系统代码常驻的主存部分。
  3. 线程,现代系统中,一个进程实际上是由多个称为线程的执行单元组成。多线程之间比多进程之间更容易共享数据。
  4. 并行,就是用并发来使一个系统运行的更快。
  5. 超线程,也称为同时多线程。
  6. 并发,多个流并发的执行称作并发(主要是执行的时间上有重叠)。一个进程和其他进程轮流执行叫做多任务。
  7. 包,一个包由包头和有效载荷组成,用来消除不同的网联技术的不兼容。包头包括包的大小,源主机和目的主机的地址,有效载荷包括从源主机发出的数据位。
  8. 因特网的客户端和服务器混合使用 套接字接口函数和Unix I/O函数来进行通信。
  9. IP协议提供基本的命名方法和递送机制。这种机制能向其他主机发送包,也叫做数据报。
    UDP,不可靠数据包协议。是稍微扩展了IP协议,这样包就可以在进程间而不是 主机间传送。IPv4,32位的IP地址。 IPv6,128位地址。都是用点分十进制表示的。
    day6(IP、IO复用、并发逻辑流、创建终止分离线程)
  10. 因特网主机的进程能通过连接和其他任何的因特网主机上的进程通信。
  11. IP地址和端口号总是以网络字节顺序(大端法)存放的。
  12. 进程有独立的地址空间,这样就不会覆盖别的进程的虚拟内存了,但这样也使得进程共享状态信息变得非常困难了。
  13. I/O多路复用,要求内核挂起进程,只有在一个或多个I/P事件发生后才将控制返回给应用程序。
  14. 并发逻辑流,目前两种:1,每个流有单独的进程,内核自动调度,独立的地址空间,共享数据很困难;2,创建自己的逻辑流,利用I/O多路复用显式的调度流,一个进程,可以共享整个地址空间。
  15. 第三种就是,基于线程的方法。一个主线程,其他对等线程,通过线程上下文切换,并发的执行。
  16. 主线程创建一个对等线程,然后当主线程检测到对等线程终止后,调用exit终止该线程。
  17. 创建线程,#include<pthread.h> 用pthread_create()函数来创建线程。
  18. 终止线程,pthread_exit();显式的终止,若是主线程调用这个函数,他会等待其它所有对等线程终止,再终止主线程和整个进程;pthread_cancle()用来终止当前线程。pthread_join();只能等待一个指定线程的终止。pthread_wait();是等待任意一个线程的终止。
  19. 分离线程,一个可结合的线程可以被其它线程回收和杀死,回收之前它的内存资源是不会释放的。
    相反,一个分离的线程是不能被其它线程回收和杀死的,它的内存资源在它终止的时候由系统自动释放。默认创建的是可结合的线程,函数pthread_detach(pthread_t tid);分离可结合线程tid。
  20. 初始化线程,pthread_once();
  21. 多个线程很容易共享相同的程序变量。寄存器是从不共享的,虚拟内存总是共享的。
  22. 每个线程有自己 独立的线程上下文包括线程ID,栈,栈指针,程序计数器,条形码,通用目的寄存器值。共享进程上下文的其余部分,包括整个虚拟地址空间,由只读文本(代码)、读/写数据、堆以及所有的共享区代码和数据域组成的。也共享相同的的打开文件的集合。
  23. 当一个进程被终止时,内核将关闭所有打开的描述符。所以子进程退出时,它的已连接文件描述的副本也会将自动关闭。
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