继续开始Lab3，用户环境。     Continue Reading

继续开始Lab2，这部分内容可以回忆以前的CSAPP的malloc lab.     Continue Reading

MIT 6.828 算是操作系统的经典课程，其中要求完成一个JOS的操作系统。在这之前，需要完成一些环境的安装。     Continue Reading

MathJax.Hub.Config({ tex2jax: {inlineMath: [['$','$'], ['\\(','\\)']]} }); 动态规划方法通常是用来求解最优化问题(optimization problem)。比起分治方法，动态规划对于子问题只求解一次，算是用空间换时间。 书中提到了设计动态规划算法的4个步骤： 刻画一个最优解的结构特此 递归地定义最优解的值 计算最优解的值，通常采用自底向上的方法 利用计算出的信息构造一个最优解     Continue Reading

Malloc Lab，据说是最难的一个lab。在看完第九章之后，因为要旅游，没有直接做lab，而是继续看书，结果回来了，书还剩1章，又顺势看完了剩余的部分。在整本书都读完了以后，才回过头来做Malloc Lab。 介绍需要完成mm.c里的内容，材料中需要完成的是 int mm_init(void) void *mm_malloc(size_t size) void mm_free(void *ptr) 其他的mm_realloc源码中已经填写好了。 这里，我是用书中的隐式空闲链表方法，先完成实验。     Continue Reading

这个实验是要实现一个简易的shell程序，主要考虑的是异常和信号的处理。 前期工作解压缩shlab-handout.tar，执行make clean | make,就可以得到编译好的文件。 文件夹中的tshref是正确的结果，可以用来验证。与其用 ./sdriver.pl -t trace01.txt -s ./tsh -a "-p" 来测试，我觉得实验手册里提到的另一种方法更好用， make test01 这是对自己写的tsh进行测试，要想对tshref进行测试，只需要在后面的test前面添加一个r即可，也就是make rtest01。     Continue Reading

MathJax.Hub.Config({ tex2jax: {inlineMath: [['$','$'], ['\\(','\\)']]} }); Lab4 的Cache Lab 的说明资料太少了，csim.c 里面空空的，惊了。身为弱渣的我只好先拿别人的代码来参考参考。这里选取的代码csim.c。 Part A: Writing a Cache Simulator需要些一个Cache模拟器，将 valgrind 内存访问记录作为参数，模拟是否命中缓存。输出命中，不命中，移除。 lab里提供了一个写好的程序 csim-ref ，使用LRU(least-recently used)替换原则，模拟缓存命中情况。 实验指导上给出了命令行参数 Usage: ./csim-ref [-hv] -s <s> -E <E> -b <b> -t <tracefile> -h: Optional help flag that prints usage info -v: Optional verbose flag that displays trace info -s <s>: Number of set index bits ($ S = 2^{s} $ is the number of sets) -E <E>: Associativity (number of lines per set) -b <b>: Number of block bits ($ B = 2^{b} $ is the block size) -t <tracefile>: Name of the valgrind trace to replay 所以在 csim.c 里也可以写个打印帮助的函数 void printUsage(){ printf("Usage: ./csim [-h] [-v] -s <s> -E <E> -b <b> -t <tracefile>\n"); printf("-s: number of set index(2^s sets)\n"); printf("-E: number of lines per set\n"); printf("-b: number of block offset bits\n"); printf("-t: trace file name\n"); }     Continue Reading

MathJax.Hub.Config({ tex2jax: {inlineMath: [['$','$'], ['\\(','\\)']]} }); Coursera 上的Machine Learning 算得上是经典的机器学习入门课程，是由Andrew Ng大牛上的课。出于对机器学习的好奇，打算用Python来完成这门课的学习。 Supervised learning 监督学习这里存在两种问题 regression 和 classification。前者是预测相关的问题，后者是分类相关的问题。 首先介绍的是监督学习，notes1中用房屋价格预测来介绍Linear Regression线性回归。这里因为没有数据集，所以我选择用ex1中的ex1data1.txt来做演示。 import matplotlib.pyplot as plt import numpy as np data = np.loadtxt('ex1data1.txt', delimiter=',') m = data.shape[0] X = data[:,0] y = data[:, 1] plt.scatter(X, y, c='r', marker='x', linewidths=1) plt.xlim([3, max(X)+3]) plt.ylabel('Profit in $10,000s') plt.xlabel('Population of City in 10,000s') plt.show() 可以画出数据分布散点图。     Continue Reading

Python2.7中有两个常用的多线程库Multiprocessing，Threading。在Python中，线程和进程的区别在于线程模块使用线程，进程模块使用进程233，不开玩笑，这是StackOverFlow上的解释。说重点，线程使用相同的内存空间，而进程使用不同的。这也就让进程之间传对象稍有点困难。当然，由于线程共享内存空间，那么必须要考虑线程安全。 threadthread算是轻量级的线程模块，它提供较为底层的多线程实现方案。使用start_new_thread(function, args[, kwargs])实现线程。使用allocate_lock()可以得到一个锁对象，用acquire()和release()来加锁和释放锁，用locked()来判断释放有锁。一把锁只能被一个线程得到，所以利用锁可以避免多个线程对同一资源的同时操作。     Continue Reading

从小到大，之前都没去过北京。一是对故宫长城并没有什么兴趣(毕竟只对吃感兴趣括弧笑)，二是总觉得北京那算是大都市，自己还是太Low了。机缘巧合，得到了张WOT 2016的票，再三犹豫之后还是毅然决定踏上旅程。唉，还是准备不重复，当初还以为北京的火车票应该不是那么难买，结果就先买了去的车票，几天以后才买回程的票，结果因为买迟了，足足少在北京玩2个小时。     Continue Reading