小吴学汇编之第一章基础知识 (2)

         小吴学汇编写的比较基础,针对没入门又想学习的小白比较适合。有什么问题大家留言一起探讨。写这个博客,主要还是记录自己在看书过程中,觉得比较重要的东西记录下来,然后看书遇到的问题,也会一一记录下来,大家一起探讨。

         下面进入正难题,接着昨天的。

1.6存储单元

         存储器被划分为若干个存储单元,每个存储单元从0开始顺序编号,例如一个存储器有128个存储单元,编号从0~127,如图所示。


         其实学过计算机组成原理的人都知道,计算机中最小信息的单位是bit(比特),也就是一个二进制数。8bit组成一个字节Byte,即8个二进制数。微型机存储的存储单元可以存储一个字节。一个存储器有128个存储单元也就是说可以存储128个字节的是数据。

         其实对于微机存储器的容量是以字节最小的单位来计算,对于拥有128个存储单元的存储器来说,它的容量是128个字节。

         对于大容量的存储器一般还用以下的单位来计算容量(B用来代替Byte)。

         1KB = 1024B  1MB = 1024KB 1GB = 1024MB

         1TB = 1024GB

 

1.7CPU对存储器的读写

         刚才讲到。存储器被划为多个存储单元,存储单元从0开始编号。这些编号可以看做是存储单元在存储器中的地址。就像一条街,每个房子都有独特的门牌号。

         CPU要从内存中读取数据,首先就要制定存储单元的地址。也就是说,要读取数据,要明确读那一个存储单元中的数据。就像在一条街上找人,要明确他在哪里。

         另外,在一台微机中,不只有存储器这一种器件。CPU在读写数据时还要指明,它要对哪一个器件进行操作,进行哪种操作,是从器件里面读取数据还是向器件里面写入新的内容。

         由此,我们可以得出一个结论,CPU要想进行数据的读写,必须和外部器件(标准的说法是芯片)进行下面3类信息的交互:

l  存储单元的地址(地址信息)

l  器件的选择,读或者写的命令(控制信息)

l  读或写的数据(数据信息)

在这里,相信大家都有一个疑问,CPU是通过什么将地址、数据和控制信息传导存储芯片中的呢?电子计算机能处理、传输的信息都是电信号,电信号当然是通过导线传送。在计算机中有专门连接CPU和其他芯片的导线,我们通常称之为总线。总线从物理上讲就是一根根线的集合。根据传送信息的不同,总线从逻辑上又分为3类,地址总线、控制总线和数据总线。

CPU从3号单元中读取数据的过程如下图所示


(1)    CPU通过地址线将地址信息3发出

(2)    CPU通过控制线发出内存读写命令,选中存储器芯片,并通知它,将要从中读取数据

(3)    存储器将3号单元中的数据8通过数据线送入CPU

写操作与读操作步骤相似,如向3号单元写入数据26

(1)    CPU通过地址线将地址信息3发出

(2)    CPU通过控制线发出内存写命令,选中存储器芯片,并通知它,将要从中写入数据

(3)    CPU通过数据线将数据26送入内存3号单元

1.8地址总线

         经过上一章,我们知道,CPU是通过地址总线来指定存储器单元的,可见地址总线上能传送多少个不同的信息,CPU就可以对多少个存储器单元进行寻址。

         现在假设一下,一个CPU有10根渎职总线,让我们来看一下它的寻址情况。我们知道,在电子计算机中,一根导线可以传送的稳定状态只有两种,即高电平或者低电平。用二进制表示就是1和0,10根导线可以传送10位二进制数据。而10位二进制数据可以表示2的10次方个数据,即210个数据,最小为0,最大为1023。

         下图展示了一个具有10根地址线的CPU向内存发出地址信息11时,10根地址线上传送的二进制信息。考虑一下,假设传送的不是11,是6、15等数据时,地址线上传送的数据时怎样的。

从上图我们可以看出,11的二进制是1101,因为有10根地址线,不足的补0。所以,如果传送其他二进制信息,不足10位的补0。只要不超过10根地址线的最大传输数据1023即可。还值得注意的是,数据先从低位开始发送。

1.9数据总线

         CPU与内存或其他器件之间的数据传送是通过数据总线来进行的。数据总线的宽度决定了CPU和外界的数据传送速度。8根数据总线一次可传送一个8位二进制数据(即一个字节)。16根数据总线一次可传送两个字节。

         假设一个CPU1的数据总线宽度为8,一个CPU2的数据总线宽度为16。我们分别来看看它们向内存中写入89D8H时,时如何通过数据总线传送数据的。下图展示了CPU1和CPU2数据总线上的数据传送情况。

         89D8=1000 1001 1101 1000

 

CPU2有16根数据线,可一次性传送16位数据,所以可一次性将数据89D8H;而CPU1只有8根数据线,一次只能传送8位数据,所以要分两次传送。

1.10控制总线

         CPU对外部器件的控制是通过控制总线来进行的。在这里控制总线是个总称,控制总线是一些不同控制线的集合。有多少根控制总线,就意味着CPU提供了对外部器件的多少种控制。所以,控制总线的宽度决定可CPU对外部器件的控制能力。

         之前说过,内存读取或者写入是由几条控制线综合发出的,其中有一根称为“读信号输出”的控制线负责由CPU向外部传送信号,CPU向该控制线上输出低电平表示将要读取数据;有一根称为“写信号输出”的控制线则负责传送信号。

 

到这里,我们第一章算是完成了,还有一些零散的东西就不写出来。稍后还有有一个总结,总结一下第一章的内容。喜欢的点击右上角,关注走一波~

 

 

 

 

                                                           


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小,或重叠度很大,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP),需要同满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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