MIT6.828 HW11: crash

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1.1k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄14年

关注

VIP免费原创最新推荐文章于 2026-05-27 10:38:12 发布 1k 阅读 AI 写同款· GEO 优化 ›

MIT6.828 Lab 5: File system, Spawn and Shell 文件系统阅读详情

　　在这次作业中，我们将探索xv6的log功能。主要就是创建1个crash，然后观察recover的过程。
　　xv6的log重点是将文件系统所有的磁盘更新操作原子化，比如在创建1个文件时涉及到在目录中添加新入口，并标记新文件的inode为使用中。如果没有log的话，在两次操作之间发送1个crash会导致重启后文件系统处于不正确状态。
　　第1步修改log.c如下：

#include "mmu.h"
#include "proc.h"
void
commit(void)
{
  if (log.lh.n > 0) {
    write_log()
    write_head();
    if(proc->pid > 1)       // AAA
      log.lh.block[0] = 0; // BBB
    install_trans();
    if(proc->pid >

最低0.47元/天解锁文章

收录于

当前文章被以下社区和专栏收录：

MIT6.828 HW3: xv6 system calls hw3 syscall 阅读详情

相关推荐

MIT6.828 HW4: lazy page allocation

lazy page allocation

bysui的博客 4316

Mit6.828 HW2 Shell

mit 6.828 hw2 shell.c

bysui的博客 4279

MIT6.828 LAB6: Network Driver

抽了点空把LAB6重新整理一下，作为结束符~~。 Introduction 　　我们已经实现了1个文件系统，当然OS还需要1个网络栈，在本次实验中我们将实现1个网卡驱动，这个网卡基于Intel 82540EM芯片，也就是熟知的E1000网卡。　　网卡驱动不足以使你的OS能连接上Internet。在LAB6新增加的代码中，我们提供了1个网络栈(network stack)和网络服务器(netw

bysui的博客 3654

MIT6.828 Lab2: 第2部分 Virtual Memory

Virtual Memory

bysui的博客 2957

MIT6.828 HW5 CPU alarm

CPU alarm

bysui的博客 2296

MIT6.828 Lab2: Challenge

lab2 challenge

bysui的博客 1907

triton-inference-server-ge-backend

新版本特性 v2.3.0 支持对全局、session、graph 的options进行添加，从而进一步调优模型，相关案例请参考性能调优方法论。支持采用分档模式将符合条件模型转化为静态图，提高吞吐性能。补充如何采用分档模式+锁核+调整精度，进一步提高性能。在AscendHub下载镜像时需确认好版本，若使用旧版本镜像，需要手工下载源码编译生成新的backend后才能支持新特性。版本特性 v2.2.0 支持从onnx文件读取模型输入输出信息, config中若无指定input，output，将会自动从文件中读取；调整动态图在多实例下使用多Session方式，提高并发吞吐(显存占用会增高)；支持动态batch场景小batch动态合并特性，配合多Session，提高吞吐；补充调优方法论以及cnclip模型的最佳实践；支持多模型特性，可支持同时拉起多个模型，提高显存利用率；支持非0轴动态shape场景；支持TensorFlow的pb文件。

2007-2025年36家商业银行绿色信贷余额数据（2025年无缺失）

1、指标覆盖区间为2007年至2025年 2、数据取自各银行年度报告及社会责任报告 3、核心指标为绿色信贷余额 4、涉及银行包括：苏农银行、中国银行、紫金银行、杭州银行、华夏银行、邮储银行、青岛银行、兴业银行、苏州银行、农业银行、宁波银行、上海银行、江阴银行、招商银行、长沙银行、北京银行、无锡银行、民生银行、浙商银行、常熟银行、成都银行、工商银行、郑州银行、光大银行、南京银行、建设银行、浦发银行、贵阳银行、渝农商行、西安银行、交通银行、江苏银行、中信银行、张家港行、平安银行、青农商行

2019-2026年中国分行业进出口数据 xlsx

数据整理中国各细分行业海关进出口数据，包括中国对各个国家进口、出口数据，中国各个行业进出口数据，各国贸易数据是了解每个国家市场的最基础和重要信息。数据非面板数据，时间、行业分类有缺失。标日期采购商国家/地区供应商国家/地区采购商供应商采购商地址供应商地址通知人通知人地址制造商原产国目的国起运港目的港 HS编码产品描述唛头数量数量单位重量金额($) 单号集装箱号品牌

后端开发 Docker4.99.0 AppleSilicon 苹果芯片 Mac 安装包

本资源为 Docker Desktop 4.99.0 苹果芯片（Apple Silicon）专用安装包，原生适配 M 系列 Mac，可快速搭建本地容器开发环境，支持镜像拉取、容器编排、项目打包部署。适合后端开发、运维、全栈开发者，用于本地微服务、测试环境、项目容器化开发。

milvus-v2.6.25镜像文件

BPMN2.0规范及流程引擎选型方案

本文主要简明扼要的介绍了BPMN2.0规范的内容，可让读者快速度的了解BPMN2.0所涵盖的主要内容和图形样式。也较为详细的阐述了如何绘制标准的流程图，以及在软件层面中如何实现业务流程功能，和技术选型。

比特桃 1万+

K210开发板学习笔记（三）——STM32+K210+SD卡实现人脸识别（完整K210代码）

更新日记：2022年4月26日更新了串口通信部分的内容，本文写的略为粗糙，恐有不当之处，希望大家不吝赐教。人脸识别一、MaixPy IDE开发参考博主晨少hc的博文（https://blog.csdn.net/HuangChen666/article/details/113995079）来实现人脸识别功能，我用的硬件是亚博智能的K210开发板，在配置工程中有几步和这个博主的不一样，需要注意。所需要的文件有：模型文件），脚本文件，ide需要的bin文件...

Embedded learner的博客 4万+

macOS安装Cplex+yalmip

DS 4248

iPhone存储空间耗尽自救指南：从“白苹果”死锁到成功保数据刷机

本文详细介绍了iPhone存储空间耗尽导致'白苹果'死锁的解决方案，通过保留数据刷机方法成功恢复设备运行。文章分享了从失败尝试到最终成功的完整流程，包括关键操作步骤和预防措施，帮助用户在紧急情况下保住重要数据。

weixin_32578161的博客 290

半监督的医学分割数据集(LA, Pancreas, ACDC和PROMISE12)分享

这篇文章提供了四个常用的半监督医学分割数据集，所有数据集都已经被处理成了.h5文件。下载之后就可以直接使用

qq_45691955的博客 4179

2026 年第十六届MathorCup数学应用挑战赛题目C题中老年人群高血脂症的风险预警及干预方案优化 2026妈妈杯详细思路、代码、模型

2026 年第十六届MathorCup数学应用挑战赛题目 C题中老年人群高血脂症的风险预警及干预方案优化人口老龄化进程的持续加快，使得40岁及以上中老年人群成为慢性病防控的核心群体，其中高血脂症的发病率呈逐年攀升态势，已成为诱发冠心病、脑梗死等心脑血管疾病的重要危险因素，严重威胁中老年群体的心血管健康与生活质量，也加重了基层医疗的慢病管理负担。从中医体质学视角来看，体质禀赋与偏颇是疾病发生发展的内在根基，其中痰湿体质为中老年高血脂症的高发体质类型，该体质人群存在痰湿内蕴、脾胃运化失常、水湿代谢

YOLO 755

Hermes 教程 05：多 Agent 编排

本文介绍了Hermes v0.13.0中的四种多Agent协作模式：1）delegate_task快速子任务模式，适合2-3个独立并行任务；2）spawn子Agent模式，实现零成本并行多步流水线；3）tmux交互子Agent模式，支持长期自主任务；4）全新Kanban看板系统，提供持久化AI团队协作框架。各模式在隔离级别、时长、工具访问和适用场景上存在差异，其中spawn模式通过独立上下文窗口实现零上下文成本。文章详细说明了每种模式的使用方法、限制条件和典型应用场景，并提供了具体代码示例和可视化流程图。K

程序猿_三产 537

YOLO26涨点改进 | Conv篇/小目标改进 | AAAI 2025 FBRT-YOLO 两个轻量级FCM和MKP模块, 助力无人机航拍任务VisDrone、UAVDT和AI-TOD高效涨点

本文提出FBRT-YOLO26模型，通过引入两个轻量级模块FCM和MKP优化航拍图像检测性能。FCM模块通过特征互补映射解决小目标信息丢失问题，MKP模块利用多尺度卷积核增强目标感知能力。在VisDrone等数据集上的实验表明，该方法在精度和速度上均优于现有实时检测器。文章详细介绍了模块结构、核心代码实现及YAML配置文件修改方法，为航拍图像中的小目标检测提供了高效解决方案。该模型实现了检测精度与效率的良好平衡，具有实际应用价值。

Ai缝合怪、助力小伙伴高效发论文 369

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")