线程相关基础知识

一、思维导图

二、创建一个分支线程,在主线程中拷贝文件的前一部分,主线程拷贝文件的后一部分

#include <my_head.h>
void * callback(void * arg)
{
	//打印分支线程id
	printf("分支线程id=%ld\n",pthread_self());
	//打开文件函数(标准IO)
	FILE* src=fopen("./src.c","r");
	FILE* dst=fopen("./dest.c","a+");
	if(NULL==src||dst==NULL)
	{
		printf("无法拷贝文件下半部分\n");
		return NULL;
	}
	printf("fopen success\n");

	//计算主线程拷贝内容上限
	fseek(src,0,SEEK_END);
	long size=ftell(src);

	//偏移光标
	fseek(src,size/2,SEEK_SET);

	//逐字节拷贝数据
	char buf;
	long flag=size/2;
	while(1)
	{
		buf=fgetc(src);
		fputc(buf,dst);
		if(flag>=size-1)
		{
			printf("文件下半部分拷贝完成\n");
			break;
		}
		flag++;
	}
	pthread_exit(NULL);  //return NULL;
}
int main(int argc, const char *argv[])
{
	//创建线程
	pthread_t threadid;
	if(0!=pthread_create(&threadid,NULL,callback,NULL))
	{
		ERRORLOG("pthread_create failure");
	}
	printf("pthread_create success\n");
	//打印主线程id
	printf("主线程id=%ld\n",pthread_self());

	//阻塞主线程
	pthread_join(threadid,NULL);

	//打开文件函数(标准IO)
	FILE* src=fopen("./src.c","r");
	FILE* dst=fopen("./dest.c","a+");
	if(NULL==src||dst==NULL)
	{
		ERRORLOG("fopen failure");
		printf("无法拷贝文件上半部分\n");
		return -1;
	}
	printf("fopen success\n");

	//计算主线程拷贝内容上限
	fseek(src,0,SEEK_END);
	long size=ftell(src);

	//偏移光标
	fseek(src,0,SEEK_SET);

	//逐字节拷贝数据
	char buf;
	long flag=0;
	while(1)
	{
		buf=fgetc(src);
		fputc(buf,dst);
		if(flag>=size/2-1)
		{
			printf("文件上半部分拷贝完成\n");
			break;
		}
		flag++;
	}
	return 0;
}

运行结果

三、解读代码

代码运行结果:
                       info1 from child process_1
                       info1 from parent process

四、解读代码, - 打印多少次

for(int i=0;i<3;i++)
{
    fork()
    printf("-")
}

 预期线程数和打印次数

最终进程数82*2*2
输出 - 次数142+4+8

实际结果为最多打印24次

最终进程数82*2*2
输出 - 次数24线程数2  缓冲区 - 个数:1*2=2
线程数4  缓冲区 - 个数:2*4=8
线程数4  缓冲区 - 个数:3*8=24
程序结束自动调用exit函数,打印缓冲区所有 - 

原因:printf 函数后未刷新缓冲区,故fork 函数会复制之前的缓冲区,最终会打印28次
打印理论次数的修改方式:

  • 使用 fflush(stdout)

  • 改用 printf("-\n")

  • 关闭缓冲 setbuf(stdout,NULL)

五、牛客刷题

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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