运算速度

1.1计算机视觉（Computer Vision） 问题分类： 图片分类（Image Classification）； 目标检测（Object detection）； 神经风格转换（Neural Style Transfer）。 挑战： 数据的输入可能会非常大 。例如一张 1000x1000x3 的图片，神经网络输入层的维度将高达三百万，使得网络权重 W 非常庞大。 后果： 1.经网络结构复杂，数据量相对较少，容易出现 过拟合 ； 2.所需内存和计算量巨大。 措施： 因此，一般的神经网络很难处理蕴含着大量数据的图像。解决这一问题的方法就是使用 卷积神经网络（Convolutional Neural Network, CNN） 。 1.2卷积运算（Convolutional Operation） 以以边缘检测为例，来解释卷积是怎样运算的。 边缘检测 垂直边缘（Vertical Edges）检测 水平边缘（Horizontal Edges）检测 图片的边缘检测可以通过与相应滤波器进行卷积来实现。 举例： 以垂直边缘检测为例，原始图片尺寸为 6x6，中间的矩阵被称作 滤波器（filter） ，尺寸为 3x3，卷积后得到的图片尺寸为 4x4，得到结果如下（数值表示灰度，以左上角和右下角的值为例）： 可以看到，卷积运算的求解过程是从左到右，由上到下

文章目录 前言 1、卷积层 1.1、卷积运算 1.2、填充 1.3、步幅 2、池化层 2.1 池化层的特征 2.1 池化层的功能 前言   在卷积神经网络（CNN）中，卷积层的输入输出数据称为特征图。对应的，卷积层的输入数据称为输入特征图，输出数据称为输出特征图。   相较于全连接神经网络，卷积神经网络有两个比较大的特点：   （1）卷积网络有至少一个卷积层，用来提取特征。   （2）卷积网络的卷积层通过权值共享的方式进行工作，大大减少权值 的数量，使得在训练中在达到同样识别率的情况下收敛速度明显快于全连接网络。 1、卷积层 1.1、卷积运算   参考文章链接： 如何通俗易懂地解释卷积   一维卷积的数学定义如下： h ( x ) = ∫ − ∞ + ∞ f ( α ) g ( x − α ) d α = f ( x ) ∗ g ( x ) (1-1) h(x)=\int_{-\infty}^{+\infty} f(\alpha)g(x-\alpha)d\alpha=f(x)*g(x) \tag{1-1} h ( x ) = ∫ − ∞ + ∞ ​ f ( α ) g ( x − α ) d α = f ( x ) ∗ g ( x ) ( 1 - 1 )   可以从信号处理角度理解(需要有信号处理基础)：f(x)为系统输入信号，g(x)为单位脉冲响应，h(x)为系统输出响应

1.模的概念(我只讲个例子，具体的可以查数学中的 "同余模") 在日常生活中,有许多化减为加的例子。例如,时钟是逢12进位,12点也可看作0点。 当将时针从10点调整到5点时有以下两种方法: 1.将时针逆时针方向拨5格,相当于做减法: 10－5＝5 2.将时针顺时针方向拨7格,相当于做加法:10＋(12-5)＝12＋5＝5 (模为 12) 2.模的运用(采用模得到 补码 ) 1. 补码 的得来：是为了让负数变成能够加的正数，so，负数的 补码 =模-负数的绝对值 比如：-1 补码 ：1111 1111(10000 0000 -1得来) 当一个数要减1的时候，可以直接加 1111 1111 2.原码的得来：(负数的原码，直接把对应正数的最高位改为1) 原码能够直观的表示一个负数(能直观的把真值显示出来，如 -1为1000 0001 其中最高位表示符号位，不进行算术计算) 3.总结： 补码 相加，到第9位才舍弃（模10000 0000） 原码相加，到第8位舍弃（模1000 0000） 反码相加，到第8位舍弃（模1000 0000） 3.原码和 补码 之间转换： 1. 补码 =原码减1，再取反（便于理解） 或 补码 = 反码+1（便于描述和推理） 2.演示： 补码 =原码减1，再取反 如-1的原码1000 0001-->1000 0000(减1后)-->1111 1111(取反后) 补码

第一章 什么是python 使用python的公司 Google ,dropbox（美国版百度网盘，py的创始人Guido van Rossum目前就在dropbox）,YouTuBe（全球最大的视频网站），UBER，Quora（美国版的知乎），instagran（美国版的朋友圈，被facebook收购9亿美金，整个公司才13个人）；yelp（世界杯大众点评），豆瓣，知乎； 初创公司比较喜欢使用python。 就业前景 Pythone未来十年发展预测 未来十年，python在中国的发展会怎样？使用python的企业会不会越来越多？python主要被运用的领域有哪些？使用Python的程序员会越来越多还是越来越少? Life is short,you need python! 计算机语言 计算机只能识别的语言为二进制，0和1， 编程语言种类 汇编语言 汇编语言的实质和机器语言是相同的，都是直接对硬件操作，只不过指令采用了英文缩写的标识符，更容易识别和记忆。它同样需要编程者将每一步具体的操作用命令的形式写出来。汇编程序通常由三部分组成：指令、伪指令和宏指令。汇编程序的每一句指令只能对应实际操作过程中的一个很细微的动作。例如移动、自增，因此汇编源程序一般比较冗长、复杂、容易出错，而且使用汇编语言编程需要有更多的计算机专业知识，但汇编语言的优点也是显而易见的

集合运算：是用来把两个或多个查询的结果集做并、交、差的集合运算，包含集合运算的查询称为复合查询。 注意： 1.多个集合运算符，没有括号，那么从左到右的顺序计算 2.注：INTERSECT (相交) 和 MINUS (相减) 运算不是 ANSI SQL-99 兼容的，他们是 Oracle 特定的。 =============== 联合查询的特点： 1.返回由任一查询结果集包含的行，并且去除重复行,并且按照查询结果集的第一列升序排序。 2.默认安照第一列升序排序 3.两个集合列数和数据类型对应，列的名字可以不一样 例子： select empno,ename from emp union select deptno,dname from dept; 为演示案例，复制如下语句，并执行： 1.创建员工历史岗位表 emp_jobhistory： CREATE TABLE emp_jobhistory( id NUMBER,–流水号 empno NUMBER,–员工编号 job VARCHAR2(9),–岗位 begindate DATE,–开始日期 sal Number(7,2)–在该岗位时工资 ) 2.插入如下数据： INSERT INTO emp_jobhistory VALUES(1,7839,‘TRAINEE’,‘17-11月-81’,500); INSERT INTO emp

处理器CPU运算位数 CPU的位宽对CPU性能的影响绝不亚于主频。位宽是指微处理器一次执行指令的数据带宽。处理器的寻址位宽增长很快，业界已使用过4、8、16位寻址再到目前主流的32位，而64位寻址浮点运算已经逐步成为CPU的主流产品。 受虚拟和实际内存尺寸的限制，目前主流的32位CPU在性能执行模式方面存在一个严重的缺陷：当面临大量的数据流时，32位的寄存器（注：为了处理数据，暂时储存结果，或者做间接寻址等等动作，每个处理器都具备一些内建的内存，这些能够在不延迟的状态下存取的内存就称为“寄存器”，每个寄存器的大小都相同）和指令集不能及时进行相应的处理运算。 32位CPU一次只能处理32位，也就是4个字节的数据；而64位CPU一次就能处理64位即8个字节的数据。如果我们将总长128位的指令分别按照16位、32位、64位为单位进行编辑的话：旧的16位CPU（如Intel 80286 CPU）需要8个指令，32位的CPU需要4个指令，而64位CPU则只要两个指令。显然，在工作频率相同的情况下，64位CPU的处理速度比16位、32位的更快。 位宽原理示意图 可以比较一下图中的32位与64位CPU，64位的代码流的数量没有改变，其宽度随着指令代码的宽度而变化；而数据流的宽度则增加了一倍。虽然理论上在一个时钟周期内64位系统处理的数据量是32位系统的两倍，但理论和现实通常都是有差距的。

1.模的概念(我只讲个例子，具体的可以查数学中的 "同余模") 在日常生活中,有许多化减为加的例子。例如,时钟是逢12进位,12点也可看作0点。 当将时针从10点调整到5点时有以下两种方法: 1.将时针逆时针方向拨5格,相当于做减法: 10－5＝5 2.将时针顺时针方向拨7格,相当于做加法:10＋(12-5)＝12＋5＝5 (模为 12) 2.模的运用(采用模得到 补码 ) 1. 补码 的得来：是为了让负数变成能够加的正数，so，负数的 补码 =模-负数的绝对值 比如：-1 补码 ：1111 1111(10000 0000 -1得来) 当一个数要减1的时候，可以直接加 1111 1111 2.原码的得来：(负数的原码，直接把对应正数的最高位改为1) 原码能够直观的表示一个负数(能直观的把真值显示出来，如 -1为1000 0001 其中最高位表示符号位，不进行算术计算) 3.总结： 补码 相加，到第9位才舍弃（模10000 0000） 原码相加，到第8位舍弃（模1000 0000） 反码相加，到第8位舍弃（模1000 0000） 3.原码和 补码 之间转换： 1. 补码 =原码减1，再取反（便于理解） 或 补码 = 反码+1（便于描述和推理） 2.演示： 补码 =原码减1，再取反 如-1的原码1000 0001-->1000 0000(减1后)-->1111 1111(取反后) 补码

1. I/O设备的编址方式通常有___ 统一编址 __和_ 独立编址 __两种方式。 P145 2．Cache是一种高速缓冲存储器，是为了解决____CPU____和___主存____之间速度不匹配而采用的一项重要技术 。 P124 3．在计算机系统中， I/O 设备与主机传递消息的控制方 式除了 程序查询方式、程序中断方式 ( 硬件方式 ) 外，还有_ _DMA__ 方式、 __ 通道 _ 方式、 __I/O 处理机 _ _方式（ 软件方式 ）。 P148 1． I/O设备的编址方式通常有___ 统一编址 __和_ 独立编址 __两种方式。 P145 4．动态随机存储器常见的刷新方式有___集中式__刷新、__分散式__刷新、_异步式___刷新三种。 P109 5．直接寻址方式中，指令的地址码部分直接给出操作数在内存中的 真实地址 EA （有效地址） ，在执行阶段只需要__ __1 ____次访存即可得到操作数。 P178 6．RISC称为 ___精简指令系统计算机 ，与其对应的是___ CISC ，即复杂指令系统计算机 。 P189 7．用二进制代码0、1表示的计算机语言称为___ _ 机器语言 ______，用助记符编写并增加了指示性指令的计算机语言称为____ 汇编语言 ____。 8．CPU从主存取出一条指令并执行该指令所需的全部时间叫做__ _ 指令周期 _。 P203

先简单理解一下卷积这个东西。 （以下转自https://blog.csdn.net/bitcarmanlee/article/details/54729807 知乎是个好东西） 1.知乎上排名最高的解释 首先选取知乎上对卷积物理意义解答排名最靠前的回答。 不推荐用“反转/翻转/反褶/对称”等解释卷积。好好的信号为什么要翻转？导致学生难以理解卷积的物理意义。 这个其实非常简单的概念，国内的大多数教材却没有讲透。 直接看图，不信看不懂。以离散信号为例，连续信号同理。 已知x[0] = a, x[1] = b, x[2]=c 已知y[0] = i, y[1] = j, y[2]=k 下面通过演示求x[n] * y[n]的过程，揭示卷积的物理意义。 第一步，x[n]乘以y[0]并平移到位置0： 第二步，x[n]乘以y[1]并平移到位置1 第三步，x[n]乘以y[2]并平移到位置2： 最后，把上面三个图叠加，就得到了x[n] * y[n]： 简单吧？无非是平移（没有反褶！）、叠加。 从这里，可以看到卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。 重复一遍，这就是卷积的意义：加权叠加。 对于线性时不变系统，如果知道该系统的单位响应，那么将单位响应和输入信号求卷积，就相当于把输入信号的各个时间点的单位响应 加权叠加，就直接得到了输出信号。 通俗的说：

64 位势不可挡 从某种意义上讲，处理器的发展直接影响着整个ＩＴ行业的发展水平，电脑核心从１６位到３２的转变对ＩＴ行业产生的巨大影响就是一个强有力证明。从３８６、４８６直到奔腾系列的ＣＰＵ都是３２位，大多数情况３２位计算已经能满足现阶段人们的需要。然而随着互联网等技术的发展，对内存的需求越来越大，比如大型服务器，每秒钟处理的数据量就超过２ＧＢ，３２位就难以满足需求了。 ３２位的风云十年 在信息技术领域，“位数”是衡量计算机性能的重要标准之一。位数在很大程度上决定着计算机的内存最大容量、文件的最大长度、数据在计算机内部的传输速度、处理速度和精度等性能指标。在近十年的时间里，X86-32位平台由于其性价比高，获得广泛应用。 按照以前的习惯，我们把基于80X86的CPU架构称作X86结构，这是Intel公司在1978年发布其第一块16位的CPU（5MHz 8086）时开发的，1981年IBM推出的第一台PC中使用的也是X86指令，同时电脑中为提高浮点数据处理能力而加的X87芯片系列数学协处理器则使用X87指令，后来将X86指令集和X87指令集统称为X86指令集。为了保证计算机能够继续运行以往开发的各类应用程序以保护和继续软件资源，后续的CPU（包括大多数第三方处理器厂商）继续使用X86指令集，采用这种指令集的CPU系统被称作X86架构。 ６４位异军突起