CUDA架构介绍与设计模式解析

文章目录

  • **CUDA**架构介绍与设计模式解析
    • **1** CUDA 介绍
      • CUDA发展历程
      • CUDA主要特性
      • CUDA系统架构
      • CUDA应用场景
      • 编程语言支持
      • CUDA计算过程
        • 线程层次
        • 存储层次
    • **2** CUDA 系统架构
      • 分层架构
      • 并行计算模式
      • 生产-消费者模式
      • 工作池模式
      • 异步编程模式
    • **3** CUDA 中的设计模式
      • 工厂模式
      • 策略模式
      • 观察者模式
      • 适配者模式
      • 迭代器模式

CUDA架构介绍与设计模式解析

1 CUDA 介绍

CUDA发展历程

CUDA 是 NVIDIA 于 2006 年推出的通用并行计算架构，经过多年发展，已成为 GPU 计算的重要标准。

CUDA主要特性

CUDA 提供强大的并行计算能力，具备以下特性：

  • 线程层次结构
  • 扩展了 C/C++ 语言，引入了 GPU 扩展如 kernel 函数
  • 显式的内存层次结构，允许根据计算需求访问内存数据
  • 跨平台支持

CUDA系统架构

CUDA 系统架构由以下三部分构成，为开发者提供丰富的资源和接口：

  • 开发库
  • 驱动
  • 运行期环境

CUDA应用场景

CUDA 最初用于图形渲染，现已广泛应用于：

  • 高性能计算
  • 游戏开发
  • 深度学习等领域

编程语言支持

CUDA 支持多种编程语言，包括：

  • C
  • C++
  • Fortran
  • Java
  • Python等

但本次源码阅读和分析以 C/C++ 为主。

CUDA计算过程

  1. 分配 host 内存并进行数据初始化。
  2. 分配 device 内存，并将数据从 host 拷贝到 device 上。
  3. 调用 CUDA 核函数在 device 上完成指定的运算。
  4. 将 device 上的运算结果拷贝到 host 上。
  5. 释放 device 和 host 上分配的内存。
    在这里插入图片描述
线程层次
  1. Grid：最高级的并行计算单位，由多个线程块（blocks）组成，可同时在 GPU 上执行。
  2. Block：线程块是网格的组成部分，包含多个线程，可协作和共享资源。
  3. Thread：最基本的并行执行单元，存在于线程块内部，每个线程可以独立执行计算任务，根据自身的线程索引执行。
    在这里插入图片描述

优势：

  • 有效管理并行计算资源。
  • 优化数据访问和内存使用。
  • 提高任务并行度和负载均衡。
  • 适应不同的并行计算需求。
存储层次
  1. 全局内存（Global Memory）：GPU 中所有线程都可访问的主要存储区域，用于存储大量数据和程序状态，是主机与设备之间数据传输的主要桥梁。
  2. 常量内存（Constant Memory）：用于存储只读数据，如常数和预计算的表格，具有较高的缓存性能。
  3. 纹理内存（Texture Memory）：存储图像和多维数据，提供高效、灵活的访问方式。
  4. 共享内存（Shared Memory）：位于线程块内部的低延迟、高带宽的存储区域，用于线程块内部的数据共享和通信。
    在这里插入图片描述

2 CUDA 系统架构

分层架构

从体系结构的组成来说，CUDA 包含了三个部分：

  1. 开发库 (Libraries)：它是基于 CUDA 技术所提供的应用开发库。CUDA 包含两个重要的标准数学运算库——CUFFT（离散快速傅立叶变换）和 CUBLAS（基本线性代数子程序库）。这两个数学运算库解决的是典型的大规模的并行计算问题，也是在密集数据计算中非常常见的计算类型。
  2. 运行期环境 (Runtime)：提供了应用开发接口和运行期组件，包括基本数据类型的定义和各类计算、类型转换、内存管理、设备访问和执行调度等函数。例如：
    • 运行时 API：提供了一系列函数，用于执行设备内存分配、内核启动、事件管理、流控制等操作。
    • 核函数：这是在 GPU 上并行执行的函数，由开发者编写，用于执行具体的并行计算任务。
  3. 驱动 (Driver)：驱动程序层位于硬件层之上，是 CUDA 架构中的中间件，负责硬件抽象、资源管理、错误处理、CPU 和 GPU 通信。驱动程序层通过 CUDA 运行时 API 与主机代码交互。
    在这里插入图片描述

并行计算模式

在这里插入图片描述

  1. SIMT (Single Instruction Multiple Threads)：单指令多线程是 CUDA 架构中的重要执行模型，它允许一组线程（称为线程束或 warp）同时执行相同的指令，但处理不同的数据。

    • 每个 warp 包含一定数量的 core 用于执行，warp 是硬件调度的并行的最小单位。
    • 与 CPU 不同的是，GPU 的执行调度单位为 warp，而 CPU 调度可以精细化为单个线程。因为 CPU 同时执行的线程数目比较少，而 GPU 要同时管理成千上万个线程，因此 GPU 一次性调度的是多个线程。
      在这里插入图片描述

  2. Grids, Blocks, Threads：具体到编程层面，程序员可以通过 Grids、Blocks 和 Threads 的编程模型来组织执行的线程：

    • Threads (线程)：是 CUDA 中最小的执行单位。每个线程执行核函数中的指令，并且可以独立处理数据。
    • Blocks (块)：一个 Block 是一组线程的集合，这些线程可以共享一个内存空间。Block 内的线程通过 threadIdx 进行索引。
    • Grids (网格)：Grid 是多个 Block 的集合，构成了核函数调用的全部执行范围。Grid 内的 Block 通过 blockIdx 进行索引。
    • 当启动一个核函数时，CUDA 运行时环境会创建一个 Grid，该 Grid 由多个 Blocks 组成，每个 Block 又包含多个 Threads。

示例代码：

__global__ void vectorAdd(int *A, int *B, int *C, int N) {int idx = blockIdx.x * blockDim.x + threadIdx.x;if (idx < N) {C[idx] = A[idx] + B[idx];}
}
int main() {int N = 1000;int *A, *B, *C;int block_size = 256;int grid_size = (N + block_size - 1) / block_size;// 分配和初始化设备内存cudaMalloc(&A, N * sizeof(int));cudaMalloc(&B, N * sizeof(int));cudaMalloc(&C, N * sizeof(int));// 将数据从主机复制到设备cudaMemcpy(A, host_A, N * sizeof(int), cudaMemcpyHostToDevice);cudaMemcpy(B, host_B, N * sizeof(int), cudaMemcpyHostToDevice);// 启动核函数vectorAdd<<<grid_size, block_size>>>(A, B, C, N);// 等待核函数执行完成cudaDeviceSynchronize();// 将结果从设备复制回主机cudaMemcpy(host_C, C, N * sizeof(int),  cudaMemcpyDeviceToHost);// 释放设备内存cudaFree(A);cudaFree(B);cudaFree(C);return 0;}

源码分析：

  • 核函数 vectorAdd() 定义了向量加法的操作；
  • int idx = blockIdx.x * blockDim.x + threadIdx.x;：计算出了当前线程的全局索引。blockIdx.x 表示当前线程所在的块的索引，blockDim.x 表示当前块中线程的数量，threadIdx.x 表示当前线程在块内的索引。
  • 在 main 函数中，定义了 Blocks 的数量（grid_size）和每个 Block 的线程数量（block_size），并启动核函数 vectorAdd<<<grid_size, block_size>>>。
  • 核函数中的每个线程都将执行相同的加法操作，但操作不同的数据元素，也就是向量中不同维度的数据。

生产-消费者模式

CUDA 中的生产者-消费者模式用于解决主机（CPU）和设备（GPU）之间的数据传输和计算任务之间的协作。主机（CPU）充当生产者，负责生成指令和数据并将其传输到设备上，而设备（GPU）充当消费者，负责获取数据并执行计算任务。

生产者-消费者模式的主要特点包括：

  • 数据传输：生产者负责生成数据，并将数据传输到设备的内存中。这可以通过 CUDA 的内存复制函数（如 cudaMemcpy）来完成。
  • 计算任务：消费者负责从设备的内存中获取数据，并执行相应的计算任务，通常是通过启动核函数来实现的。
  • 数据同步：CUDA 使用流（Stream）来管理并行执行的操作序列，进行数据同步操作，以确保数据传输和计算任务的正确执行顺序。

示例代码：

#include <iostream>
__global__ void kernel(int *data, int N) {int idx = blockIdx.x * blockDim.x + threadIdx.x;if (idx < N) {data[idx] *= 2;}
}
int main() {const int N = 1000;int *hostData, *deviceData;// 分配主机内存并初始化数据hostData = new int[N];for (int i = 0; i < N; ++i) {hostData[i] = i;}// 分配设备内存cudaMalloc(&deviceData, N * sizeof(int));// 将数据从主机复制到设备cudaMemcpy(deviceData, hostData, N * sizeof(int), cudaMemcpyHostToDevice);// 启动核函数，在设备上执行计算任务const int blockSize = 256;const int gridSize = (N + blockSize - 1) / blockSize;kernel<<<gridSize, blockSize>>>(deviceData, N);// 将结果从设备复制回主机cudaMemcpy(hostData, deviceData, N * sizeof(int), cudaMemcpyDeviceToHost);// 打印结果for (int i = 0; i < N; ++i) {std::cout << hostData[i] << " ";}std::cout << std::endl;// 释放内存delete[] hostData;cudaFree(deviceData);return 0;
}

源码分析：

  • 主机（生产者）生成了一个包含 1000 个整数的数据，并将数据传输到设备上。
  • 设备（消费者）执行了核函数，进行具体的处理。
  • 最后，设备将处理后的数据传输回主机，主机打印出结果。
  • 通过这种方式，实现了主机和设备之间的生产者-消费者模式，充分利用了 GPU 的并行计算能力。

工作池模式

CUDA 中的工作池模式用于管理和调度大量的任务，以实现高效的并行计算。在工作池模式中，任务被组织成一个池子（工作池），并由多个工作线程并行执行。这种模式使得可以在 GPU 上同时处理多个任务，从而充分利用 GPU 的并行计算资源。

工作池模式的关键组件：

  • 任务队列（Task Queue）：用于存储待执行的任务。任务可以是任何需要在 GPU 上执行的操作，例如核函数调用、数据传输等。
  • 工作线程（Worker Threads）：负责从任务队列中获取任务，并执行这些任务。通常，工作线程会持续地从任务队列中获取任务，并在 GPU 上执行这些任务，直到任务队列为空或者达到某个终止条件。
  • 任务调度器（Task Scheduler）：负责调度工作线程的执行。任务调度器通常会根据任务队列的状态和工作线程的负载情况，动态地分配任务给工作线程，以实现任务的均衡分配和高效执行。

示例代码：

// 任务类型
typedef void (*Task)(int *, int);
// 任务队列
std::queue<Task> taskQueue;
std::mutex queueMutex;
std::condition_variable queueCondition;
// 工作线程函数
void workerThread(int *array, int N) {while (true) {Task task;{std::unique_lock<std::mutex> lock(queueMutex);// 等待任务队列非空queueCondition.wait(lock, [](){ return !taskQueue.empty(); });// 从任务队列中获取任务task = taskQueue.front();taskQueue.pop();}// 执行任务task(array, N);}
}
// 核函数，将数组中的每个元素乘以2
__global__ void kernel(int *array, int N) {int idx = blockIdx.x * blockDim.x + threadIdx.x;if (idx < N) {array[idx] *= 2;}
}
// 添加任务到任务队列
void addTask(int *array, int N) {taskQueue.push(kernel);queueCondition.notify_one(); // 唤醒一个工作线程
}
int main() {const int N = 1000;int *d_array;cudaMalloc(&d_array, N * sizeof(int));// 定义并行执行的任务数量const int numTasks = 10;// 创建并启动工作线程std::thread threads[numTasks];for (int i = 0; i < numTasks; ++i) {threads[i] = std::thread(workerThread, d_array, N);}// 添加多个任务到任务队列for (int i = 0; i < numTasks; ++i) {addTask(d_array, N);}// 等待所有工作线程执行完成for (int i = 0; i < numTasks; ++i) {threads[i].join();}// 处理执行结果...cudaFree(d_array);return 0;
}

源码分析：

  • 在 main 中创建一组任务和工作线程。
  • 每个工作线程不断地从任务队列中获取任务，并在 GPU 上执行这些任务，直到任务队列为空。

异步编程模式

CUDA 中的异步编程模式是指，在主机和设备之间并行执行多个任务，从而提高了整体的计算和数据传输效率。

CUDA 中异步编程模式的特点：

  • 并行执行：允许主机和设备之间同时执行多个任务，从而避免了在等待一个任务完成时的空闲时间，提高了整体的计算和数据传输效率。
  • 任务调度：CUDA 运行时会自动管理和调度异步任务的执行顺序，以最大程度地利用 GPU 的并行计算资源，减少任务之间的等待时间。
  • 流控制：开发者可以通过 CUDA 中的流（Stream）对异步任务进行组织和管理。通过流控制，开发者可以控制任务的执行顺序，以及任务之间的依赖关系，从而实现更复杂的并行计算和数据传输操作。

示例代码：

#include <iostream>
__global__ void kernel(int *array, int N) {int idx = blockIdx.x * blockDim.x + threadIdx.x;if (idx < N) {array[idx] *= 2;}
}
int main() {const int N = 1000;int *d_array;cudaMalloc(&d_array, N * sizeof(int));// 创建一个流cudaStream_t stream;cudaStreamCreate(&stream);// 异步启动核函数kernel<<<(N + 255) / 256, 256, 0, stream>>>(d_array, N);// 主机代码继续执行其他任务...// 等待流中的核函数执行完成cudaStreamSynchronize(stream);// 处理核函数执行结果...// 释放流cudaStreamDestroy(stream);cudaFree(d_array);return 0;
}

源码分析：

  • 主机创建一个流，并把核函数绑定到这个流实现异步启动，这样主机可以继续执行其他任务。
  • 然后，主机通过 cudaStreamSynchronize 函数等待流中的核函数执行完成，以确保可以安全地处理核函数的执行结果。
  • 通过异步编程模式，主机和设备之间实现了并行执行，提高了整体的计算和数据传输效率。

3 CUDA 中的设计模式

工厂模式

工厂模式（Factory Pattern）是一种常用的软件设计模式，属于创建型模式。其核心思想是通过工厂类中的一个共用方法来处理对象的创建，将对象的创建和对象的使用分离开来，以便于达到扩展性高、耦合度低的目的。

工厂模式的基本组成：

  1. 产品 (Product)：定义了产品的接口。
  2. 具体产品 (Concrete Product)：实现了产品接口的具体类。
  3. 工厂 (Factory)：提供了一个创建产品的方法，可以返回不同类型的产品对象。

内存分配函数 cudaMalloc

示例代码：

#include <stdio.h>
#include <cuda_runtime.h>
int main() {int size = 1024 * sizeof(int);int *d_array;// 使用工厂模式的 cudaMalloc 在设备上分配内存cudaMalloc((void**)&d_array, size);// 内存分配成功后，可以在设备上使用 d_array// ...cudaFree(d_array); // 释放设备内存return 0;
}

源码分析：

  • cudaMalloc 函数是 CUDA Runtime API 提供的内存分配函数，其定义如下：
cudaError_t cudaMalloc(void** devPtr, size_t size);
  • devPtr 是一个指向设备内存指针的指针，在函数调用后将指向分配的设备内存。
  • size 是要分配的内存大小（字节数）。
  • 函数返回 cudaError_t 类型的错误码，表示函数执行的状态。

策略模式

策略模式（Strategy Pattern）是一种定义一系列算法的软件设计模式，它属于行为型模式。策略模式允许客户端在运行时根据需要选择不同的算法，而不需要修改客户端代码。其目的是将算法的使用从算法的实现中分离出来，让两者之间不相互依赖，从而提高程序的灵活性和可扩展性。

策略模式的基本组成：

  1. 策略 (Strategy)：定义所有支持的算法的公共接口。
  2. 具体策略 (Concrete Strategy)：实现了策略接口的具体算法类。
  3. 环境 (Context)：持有一个策略类的引用，用该策略的接口来与之交互。

示例代码：

#include <iostream>
#include <cuda_runtime.h>
class ParallelizationStrategy {
public:virtual void execute(int* data, int size) const = 0;virtual ~ParallelizationStrategy() {}
};
class ThreadPerElementStrategy : public ParallelizationStrategy {//基于线程的并行化
public:virtual void execute(int* data, int size) const override {// Execute algorithm with one thread per elementint idx = threadIdx.x + blockIdx.x * blockDim.x;if (idx < size) {// Do computation}}
};
class ThreadBlockStrategy : public ParallelizationStrategy {//基于线程块的并行化
public:virtual void execute(int* data, int size) const override {// Execute algorithm with one thread per blockint idx = blockIdx.x;if (idx < size) {// Do computation}}
};
class Kernel {
private:ParallelizationStrategy* strategy;public:Kernel(ParallelizationStrategy* strat) : strategy(strat) {}void run(int* data, int size) const {strategy->execute(data, size);}
};
int main() {const int dataSize = 1000;int* data;cudaMalloc(&data, dataSize * sizeof(int));ThreadPerElementStrategy perElementStrategy;Kernel kernel1(&perElementStrategy);kernel1.run(data, dataSize);ThreadBlockStrategy blockStrategy;Kernel kernel2(&blockStrategy);kernel2.run(data, dataSize);cudaFree(data);return 0;
}

源码分析：

在主函数中创建了两个不同的Kernel对象，分别使用不同的策略来执行内核函数。这样就实现了在运行时选择不同的算法行为，而不需要改变客户端代码的逻辑。

观察者模式

观察者模式（Observer Pattern）是一种行为型设计模式，它定义了对象之间的一对多依赖关系。当一个对象（被观察者）的状态发生变化时，所有依赖它的对象（观察者）都会收到通知并自动更新。这种模式常用于事件驱动的系统，以实现松耦合。

观察者模式的基本组成：

  1. 主题 (Subject)：维护了一个观察者列表，并能够触发观察者列表中的所有观察者。
  2. 观察者 (Observer)：定义了一个更新接口，用以更新状态。
  3. 具体主题 (Concrete Subject)：实现了主题，具体通知观察者。
  4. 具体观察者 (Concrete Observer)：实现了观察者的更新接口，以反映主题的状态。

CUDA 事件可以用来监视核函数执行的状态，并在完成时通知主机。

示例代码：

cudaEvent_t event;
cudaEventCreate(&event); // 创建事件
myKernel<<<numBlocks, threadsPerBlock>>>();//核函数执行
cudaEventRecord(event); // 记录事件，核函数执行完成后触发事件
cudaEventSynchronize(event); // 等待事件完成
// 处理事件完成后的逻辑
…

适配者模式

迭代器模式（Iterator Pattern）是软件设计中的一种常用行为型模式，它允许客户端在不暴露其底层数据结构的情况下，顺序访问聚合对象中的元素。迭代器模式定义了一个数据访问接口，用于在元素之间进行导航，而不依赖于聚合对象的具体类。

迭代器模式的基本组成：

  1. 迭代器 (Iterator)：定义了访问和遍历元素的接口。
  2. 具体迭代器 (Concrete Iterator)：实现了迭代器接口，跟踪当前访问的位置。
  3. 聚合 (Aggregate)：定义了一个创建迭代器的方法。
  4. 具体聚合 (Concrete Aggregate)：实现了创建具体迭代器的方法。

有两个版本的核函数，它们执行相同的操作，但是实现方式不同。在主机代码中使用一个统一的接口来调用这些核函数，而不需要关心它们的具体实现细节。

示例代码：

// 核函数版本1__global__ void kernelVersion1(int *data, int value) {int tid = threadIdx.x + blockIdx.x * blockDim.x;if (tid < size) {data[tid] += value;}
}
// 核函数版本2
__global__ void kernelVersion2(int *data, int value) {int tid = threadIdx.x + blockIdx.x * blockDim.x;atomicAdd(&data[tid], value); // 使用原子操作来更新数据
}
// 核函数版本1的适配器
class KernelLauncherV1 : public IKernelLauncher {
public:void launch(int *data, int value, int size) override {kernelVersion1<<<...>>>(data, value);}
};
// 核函数版本2的适配器
class KernelLauncherV2 : public IKernelLauncher {
public:void launch(int *data, int value, int size) override {kernelVersion2<<<...>>>(data, value);}
};
int main() {int *data; // 假设已经分配和初始化了设备内存int value = 10;int size = 1024;// 根据需要选择使用哪个版本的核函数std::unique_ptr<IKernelLauncher> launcher;if (useVersion1) {launcher = std::make_unique<KernelLauncherV1>();} else {launcher = std::make_unique<KernelLauncherV2>();}// 使用适配器接口调用核函数launcher->launch(data, value, size);cudaDeviceSynchronize(); // 等待GPU完成工作// ... 后续处理 ...return 0;
}

源码分析：

在上述CUDA适配器模式的示例中，其创建了一个抽象的IKernelLauncher接口，该接口定义了启动核函数的通用方法launch。这个接口允许我们通过统一的调用方式来执行不同的核函数实现，而不必在主机代码中硬编码每个核函数的具体调用。

迭代器模式

迭代器模式（Iterator Pattern）是软件设计中的一种常用行为型模式，它允许客户端在不暴露其底层数据结构的情况下，顺序访问聚合对象中的元素。迭代器模式定义了一个数据访问接口，用于在元素之间进行导航，而不依赖于聚合对象的具体类。

迭代器模式的基本组成：

  1. 迭代器 (Iterator)：定义了访问和遍历元素的接口，通常包含 next(), prev(), first(), last(), isDone() 和 currentItem() 等方法。
  2. 具体迭代器 (Concrete Iterator)：实现了迭代器接口，跟踪当前访问的位置，并在内部维护一个指向聚合对象中某个位置的引用。
  3. 聚合 (Aggregate)：定义了一个创建迭代器的方法，通常是一个 createIterator() 方法，用于返回一个迭代器的实例。
  4. 具体聚合 (Concrete Aggregate)：实现了创建具体迭代器的方法，返回一个具体迭代器的实例，该实例能够遍历具体聚合中的所有元素。

Ps:迭代器模式在CUDA中不是直接应用的，因为CUDA的编程模型主要关注于如何高效地映射并行计算到GPU上。迭代器模式在CUDA中的一种可能应用场景：遍历设备内存中的数组。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://xiahunao.cn/news/2998371.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

ubuntu搭建node私库Verdaccio

ubuntu搭建node私库Verdaccio

ubuntu搭建node私库Verdaccio Verdaccio 是一个轻量级的私有 npm 代理注册服务器&#xff0c;它是开源的&#xff0c;可以帮助你设置和维护企业内部的 npm 包的存储库。使用 Verdaccio 可以让你完全控制包的发布流程、依赖关系以及访问策略。这篇文章将指导你如何在 Ubuntu 系…
阅读更多...
为什么大家都说品深茶可以抗癌

为什么大家都说品深茶可以抗癌

据说&#xff0c;品深茶的创始人之前是一个程序员&#xff0c;他在软件行业工作十多年&#xff0c;由于常年熬夜加班再加上抽烟喝酒等不良习惯&#xff0c;导致在一次体检中被查出患上了肾癌&#xff0c;对他来说&#xff0c;期待的财务自由还没实现&#xff0c;身体就已经完蛋…
阅读更多...
品深茶的抗癌效果怎么样？

品深茶的抗癌效果怎么样？

茶叶中的一些成分&#xff0c;如茶多酚、儿茶素等&#xff0c;具有抗氧化和抗炎作用&#xff0c;这些作用在一定程度上可以抑制癌细胞的生长和扩散。 然而&#xff0c;这些成分在茶叶中的含量和生物利用率会受到多种因素的影响&#xff0c;如茶叶的品种、制作工艺、饮茶方式等…
阅读更多...
小程序SSL证书更新指南

小程序SSL证书更新指南

随着网络技术的不断发展&#xff0c;小程序已经成为许多企业和个人进行业务推广和服务提供的重要平台。在享受小程序带来的便利和高效的同时&#xff0c;我们也必须重视其安全性问题。SSL证书作为保障小程序数据传输安全的重要手段&#xff0c;其更新工作不容忽视。本文将为大家…
阅读更多...
Linux基础IO（下）

Linux基础IO（下）

目录 1. 缓冲区 1.1 定义 1.2 理解缓冲区 1.2.1 为什么要有缓冲区 1.2.2 缓冲区的工作原理 缓冲区什么时候写入&#xff0c;什么时候刷新&#xff1f; 2. 文件系统 2.1 什么是文件系统&#xff1f; 2.2 为什么要有文件系统&#xff1f; 2.3 认识文件的管理结构 2.…
阅读更多...
简要说说软分叉和硬分叉。

简要说说软分叉和硬分叉。

前言 一、软分叉 二、硬分叉 三、用途 总结 前言 软分叉和硬分叉是区块链技术中的两个重要概念&#xff0c;它们通常与加密货币的网络升级有关。下面我将分别解释这两个概念&#xff0c;并提供一些例子来帮助理解。下面是方便理解软分叉和硬分叉的图 一、软分叉 软分叉是一…
阅读更多...
飞滴出行网约车项目-进阶版 架构知识

飞滴出行网约车项目-进阶版 架构知识

validation框架 作用代替if&#xff0c;else判断 <!--validation依赖--><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-validation</artifactId></dependency>具体笔记 https://blog.…
阅读更多...
【QT学习】UDP协议，广播，组播

【QT学习】UDP协议，广播，组播

一。Udp详细解释 UDP&#xff08;User Datagram Protocol&#xff09;是一种无连接的传输层协议&#xff0c;它提供了一种简单的、不可靠的数据传输服务。与TCP相比&#xff0c;UDP不提供可靠性、流量控制、拥塞控制和错误恢复等功能&#xff0c;但由于其简单性和低开销&#x…
阅读更多...
msf练习

msf练习

一、什么是msfvenom&#xff1f; msfvenom是msf中的一个独立的负载生成器&#xff0c;它可以利用msf中的payloads和encoders来生成各种格式的木马文件&#xff0c;并在目标机上执行&#xff0c;配合meterpreter在本地监听上线。msfvenom是msfpayload和msfencode的结合体&#…
阅读更多...
Outlook大附件插件 有效解决附件大小限制问题

Outlook大附件插件 有效解决附件大小限制问题

很多企业都是使用Outlook来进行邮件的收发&#xff0c;可是由于附件大小有限&#xff0c;导致很多大文件发不出去&#xff0c;就会产生Outlook大附件插件这种业务需求。 邮件系统在发送大文件时面临的限制问题主要如下&#xff1a; 1、附件大小限制&#xff1a;大多数邮件服务…
阅读更多...
人工智能_大模型044_模型微调004_随机梯度下降优化_常见损失计算算法_手写简单神经网络_实现手写体识别---人工智能工作笔记0179

人工智能_大模型044_模型微调004_随机梯度下降优化_常见损失计算算法_手写简单神经网络_实现手写体识别---人工智能工作笔记0179

然后对于,梯度下降,为了让训练的速度更好,更快的下降,又做了很多算法,可以看到 这里要知道Transformer中最常用的Adam 和 AdamW这两种算法. 当然，这些算法都是用于优化神经网络中的参数，以最小化损失函数。下面我会尽量以通俗易懂的方式解释它们的原理和适用场景。 1. **L-…
阅读更多...
Qt下使用7Z源码进行压缩和解压缩

Qt下使用7Z源码进行压缩和解压缩

7Z压缩是一款常用的压缩算法和工具&#xff0c;本文主要介绍一款在qt环境下进行编译的压缩方法。 本人测试是可以正常跑通的&#xff0c;具体代码部分请下载&#xff1a;下载链接&#xff0c;提取码&#xff1a;ev9t 7z源码网址&#xff1a;7-Zip 7z简介&#xff1a; 7z 是…
阅读更多...
vue+element-ui实现横向长箭头，横向线上下可自定义文字(使用after伪元素实现箭头)

vue+element-ui实现横向长箭头，横向线上下可自定义文字(使用after伪元素实现箭头)

项目场景&#xff1a; 需要实现一个长箭头&#xff0c;横向线上下可自定义文字 代码描述 <div><span class"data-model">{{ //上方文字}}</span><el-divider class"q"> </el-divider>//分隔线<span class"data-mod…
阅读更多...
【人工智能基础】聚类实验分析

【人工智能基础】聚类实验分析

实验环境&#xff1a;anaconda、jupyter notebook、spyder 实现用到的类库&#xff1a;numpy、matplotlib、scikit-learn k均值聚类&#xff08;K-MEANS&#xff09; k均值聚类的原理&#xff1a; 选定k个聚类中心把数据集中距离聚类中心i最近的点都归属到一个簇根据每个簇中…
阅读更多...
京东web京东，m端滑块，h5st4.2,4.3,4.7

京东web京东，m端滑块，h5st4.2,4.3,4.7

声明 本文章中所有内容仅供学习交流使用&#xff0c;不用于其他任何目的&#xff0c;抓包内容、敏感网址、数据接口等均已做脱敏处理&#xff0c;严禁用于商业用途和非法用途&#xff0c;否则由此产生的一切后果均与作者无关&#xff01;wx a15018601872 本文章未…
阅读更多...
（39）4.29数据结构（栈，队列和数组）栈

（39）4.29数据结构（栈，队列和数组）栈

#include<stdlib.h> #include<stdio.h> #define MaxSize 10 #define Elemtype int 1.栈的基本概念 2.栈的基本操作 typedef struct { Elemtype data[MaxSize]; int top; }Sqstack;//初始化栈 void InitStack(Sqstack& S) { S.top -1; //初始化…
阅读更多...
【C++】：日期类的实现 -- 日期计算器

【C++】：日期类的实现 -- 日期计算器

前言 1.日期类是一种十分经典的类型。对于C的初学者&#xff0c;它能够帮助我们融会贯通许多C的基础知识&#xff0c;它涉及许多的基础语法&#xff0c;比如引用&#xff0c;函数重载&#xff0c;传值/传参返回&#xff0c;构造函数&#xff0c;运算符重载&#xff0c;const成…
阅读更多...
final原理

final原理

文章目录 1. 设置 final 变量的原理2. 获取 final 变量的原理 1. 设置 final 变量的原理 理解了 volatile 原理&#xff0c;再对比 final 的实现就比较简单了 public class TestFinal {final int a 20; }字节码 0: aload_0 1: invokespecial #1 // Method java/lang/Object…
阅读更多...
PaddlePaddle与OpenMMLab

PaddlePaddle与OpenMMLab

产品全景_飞桨产品-飞桨PaddlePaddle OpenMMLab算法应用平台
阅读更多...
设计模式动态代理

设计模式动态代理

什么是设计模式? 一个问题通常有n种解法&#xff0c;其中肯定有一种解法是最优的&#xff0c;这个最优的解法被人总结出来了&#xff0c;称之为设计模式。 设计模式有20多种&#xff0c;对应20多种软件开发中会遇到的问题。 关于设计模式的学习&#xff0c;主要学什么&#…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发