《Linux内核分析》之图解汇编代码以分析计算机是如何工作的

  原创作品转载请注明出处 
 《Linux内核分析》MOOC课程http://mooc.study.163.com/course/USTC-1000029000 

 

使用如下的C程序

 

  1. int g(int x)
  2. {
  3.   return x + 3;
  4. }
  5.  
  6. int f(int x)
  7. {
  8.   return g(x);
  9. }
  10.  
  11. int main(void)
  12. {
  13.   return f(8) + 1;
  14. }

 

 

使用

  1. gcc –S –o main.s main.c -m32

 

命令编译成汇编代码

实验截图如下:

代码精简后如下所示:

 

g:
	pushl	%ebp
	movl	%esp, %ebp
	movl	8(%ebp), %eax
	addl	$5, %eax
	popl	%ebp
	ret
f:
	pushl	%ebp
	movl	%esp, %ebp
	subl	$4, %esp
	movl	8(%ebp), %eax
	movl	%eax, (%esp)
	call	g
	leave
	ret
main:
	pushl	%ebp
	movl	%esp, %ebp
	subl	$4, %esp
	movl	$170, (%esp)
	call	f
	addl	$6, %eax
	leave
	ret

 


       内存堆栈是向下增长的,这里为了方便描述,假定堆栈底的地址编号是0,堆栈向下每增加一个位置,编号加1(实际在32位机器中是增加4)。eax 寄存器用于存储函数的返回值,eip是指令寄存器,ebp、esp分别指向当前堆栈的底部和顶部。

 

 

 

 

       内存堆栈图(下面的图片是用AutoCAD画的,画得较烂,大家将就着看下吧~~)如下所示:

       (不好意思,下面的内容会比较长,主要是图片占的面积太大了;本想每行多放几张图片,但在编辑时,图片和文字会显示排版的错位,无语,不知该如何使用这个博客的编辑器才不会错位,所以,我就采用每行只放一张图片的方法来避免排版错位问题了,敬请谅解~~)

首先从main函数开始执行:

初始状态为:

                          

 pushl  %ebp: 

  

movl %esp, %ebp:

      

subl $4, %esp:

movl $170, (%esp):

    

 call f(此时eip指向f函数):

pushl  %ebp :

        

movl %esp, %ebp:

subl $4, %esp:

     

movl 8(%ebp), %eax:

movl %eax, (%esp):

     

call g(此时eip指向g函数):

pushl  %ebp:

   

movl  %esp, %ebp:

movl 8(%ebp), %eax:

    

addl $5, %eax:

popl %ebp:

     

ret(此时eip指向第15行指令):

 leave:

        

 ret(此时eip指向第23行指令):

addl $6, %eax(181是我的学号,也算是在实验中体现出个人ID以证明原创了,呵呵~~):

   

 leave:

 

总结:在计算机中,CPU依次读取内存中的指令,通过eip,ebp,esp这些寄存器和内存之间的相互作用,来实现各种函数功能,完成计算机的各种工作。

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(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来解决这些问题。
评论 2
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