汇编器指示符

指示符
描述
.text
后续内容存放在代码节(机器代码)。
.data
后续内容存放在数据节(全局变量)。
.bss
后续内容存放在 bss 节(初始化为 0 的全局变量)。
.section .foo
后续内容存放在名为 .foo 的节。
.align n
后续数据按 2 n 字节对齐。如.align 2 指示后续数据按字对齐
.balign n后续数据按 n 字节对齐。如.balign 4 指示后续数据按字对齐
.globl sym声明 sym 为全局符号,可从其他文件引用。
.string "str"将字符串 str 存放在内存,以空字符结尾。
.byte b1,…, bn
在内存中连续存放 n 8 位数据。
.half w1,…,wn
在内存中连续存放 n 16 位数据。
.word w1,…,wn在内存中连续存放 n 32 位数据。
.dword w1,…,wn
在内存中连续存放 n 64 位数据。
.float f1,…, fn
在内存中连续存放 n 个单精度浮点数。
.double d1,…, dn在内存中连续存放 n 个双精度浮点数。
.option rvc
压缩后续指令(见第 7 章)。
.option norvc
不压缩后续指令。
.option relax
允许链接器松弛后续指令。
.option norelax
禁止链接器松弛后续指令。
.option pic后续指令为位置无关代码。
.option nopic后续指令为位置相关代码。
.option push将当前所有.option 选项压栈,后续.option pop 可恢复。
.option pop将选项弹栈,将所有.option 恢复为上次.option push 的配置。
.weak

.weak表示如果一个符号没有被定义,‌编译器会对使用该符号的语句执行一个特殊操作,‌即替换为NOP(‌无操作指令)‌,‌从而避免编译错误。‌

.weak的作用还体现在它允许程序员在汇编语言中定义一种“弱函数”,‌这种函数可以被其他文件中的同名函数覆盖。‌如果程序员没有重新定义这个函数,‌那么编译器就会执行.weak声明的函数,‌并且不会报错。‌

补充说明:链接器松弛( linker relaxation
跳转并链接 指令的 PC 相对地址字段有 20 位,因此一条指令能跳得很远。尽管编
译器为每个外部函数的引用都生成两条指令,但很多时候只有一条是必须的。这种优
化能同时节省时间和空间,因此链接器会扫描数趟代码,尽可能将两条指令替换为一
条。由于每趟可能会缩短调用点和函数之间的距离,使该距离可在一条指令中容纳,
所以链接器会不断优化代码,直到代码不再变化。该过程称为 链接器松弛 ,其名源于
求解方程组的松弛技术。除了过程调用,对于 gp ± 2 KiB 范围内的数据寻址, RISC-V
链接器也会使用全局指针进行松弛,从而消除一条 lui auipc 。类似地,链接器
也会对位于 tp ± 2 KiB 范围内的线程本地存储寻址进行松弛。

  • 9
    点赞
  • 2
    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,加上成像时光照、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,并根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时,或重叠度很大时,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)时,需要同时满足下面三个条件: 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时,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