m0_71267679的博客

原创 计算机网络笔记

（一台电脑可以拥有一个 MAC 地址，但它可能绑定了多个 IPv6 地址，如：链路本地地址、全局单播地址、临时隐私地址、本地唯一本地址）这里采样频率24kHz大于2*8kHz，表明此时采样频率无意义，因为当采样频率为16kHz就已经将所有的模拟信号的信息转为数字信号的信息，所以本题用最大带宽计算。一个主机可以有多个IP地址，但是一个网络中只能有一个IP地址，所以这两个IP地址必须是不同的网络中，为C类网络号，让前24位网络号不同选C。中，带宽是最大传输数据的能力，即最大传输速率，单位b/s。

原创 微程序处理器

工作流程：1。自动将微程序的入口地址送入uPC中，去控制存储器根据uPC 的地址去寻找找到对应的微指令，取出后传给uIR，让uIR执行驱动硬件操作可产生控制信号, 取指微程序执行结束后，此时主存中取出来机器指令已经传送到IR中。2根据机器指令的操作码字段通过产生该机器指令对应的微程序入口地址，并送入uPC中。3从uPC对应的控制存储器中读取对应的微指令并执行。4执行完一条机器指令的一个微程序后，又重新回到微程序入口地址。重复1-4步字段间接编码方式。

原创 湖科大中央处理器

程序计数器指的是一条指令，它的位数只要看能存储多少条指令就行IR的位数=指令字长过程，从PC中获取交给MAR，从内存中找到指令，取出这条指令，交给MDR，然后MDR交给IR，PC=PC+1指令译码器对IR进行译码 发现是间接寻址，IR再将这个指令中的地址码字段(操作数有效地址的地址A)交给MAR，MAR根据该形式地址（操作数有效地址的地址A）找到操作数的有效地址EA，把这个有效地址EA取出交给MDR。

原创 操作系统概念笔记（个人理解）

指的是可以通过 CPU 的中断屏蔽标志或中断控制器来控制是否响应的中断。当系统处于 “屏蔽” 状态时，这类中断请求会被暂时忽略，直到屏蔽状态解除。例子当用户按下键盘时，键盘控制器会向 CPU 发送中断请求（如 IRQ1）。若 CPU 当前正在处理高优先级任务（如内核关键代码），可通过屏蔽中断暂时不响应，避免任务被打断；待任务完成后解除屏蔽，再处理键盘输入。访管指令只能在用户态执行命令解释程序是交互式的 在用户态软中断是通过软件指令（如汇编指令或系统调用）触发的中断事件，用于实现程序主动。

原创 湖科大机组指令大题

题目未明确给出操作码采用扩展操作码字段，所以不需要考虑扩展操作。这里Rs Rd是对同一组寄存器的编号，从同一组的寄存器中选择汇编语句add(R4),(R5)+ 意思是将 (R4) 指向的内容即( (R4) )(R5) 指向的内容即( (R5) )，然后把结果，再让 (R5) 自增，即将(R5)+1放入R5中。自增+1：因为以指令字长为16位，但同时以字为单位编址，计算机字长为16位，所以自增+1，如果以字节为单位就是自增+2.

原创 湖科大机组（指令系统）

操作系统处理程序时，先划分物理区域将整个程序包含数组a载入，然后生成重定向地址，交给基址寄存器，用户可在通过虚拟地址（形式地址D）进行操作，然后虚拟地址+上基址寄存器的重定向地址就是真正的物理地址，用户操作时，数组a[0]的虚拟首地址为形式地址D，然后通过变址寻址，将要读取数据的索引i，将i乘上每个数据所占字节+a[0]的虚拟首地址=得到数组a[i]+的虚拟地址，这样做是为了。认为自己独占一个从 0 开始的连续地址空间（虚拟地址 D），可以自由地使用和修改 D 来寻址。，也能取到数组a[i]的值。

原创 湖科大机组（存储系统）

当CPU数据总线位宽 大于 存储芯片的数据总线位宽时,采用位扩展的方式进行扩展。

原创 湖科大机组（定点数运算）

答案 1001 0 0011 1111。

原创 湖科大计算机组成原理（浮点数运算）

原创 湖科大计算机组成原理（浮点数）

阶符 表示 次方前的符号。数符 表示 数字的符号。

原创 pytorch下载

如果遇到cuda中的nsightvisualstudioedition（NsightVSE）安装失败

原创 决策树对wine数据集进行分类

决策树针对wine数据集进行分类

原创 java练习

练习题

原创 交叉验证评估wine的分类。

一共有14列，其中，第一个属性是类标识符，分别是1/2/3来表示，代表葡萄酒的三个分类。后面的13列为每个样本的对应属性的样本值。剩余的13个属性是，酒精、苹果酸、灰、灰分的碱度、镁、总酚、黄酮类化合物、非黄烷类酚类、原花色素、颜色强度、色调、稀释葡萄酒的OD280/OD315、脯氨酸。其中第1类有59个样本，第2类有71个样本，第3类有48个样本。葡萄酒数据集是来自UCI上面的公开数据集，这些数据是对意大利同一地区种植的葡萄酒进行化学分析的结果，这些葡萄酒来自三个不同的品种。对样本特征和样本标签的划分。

原创 JAVA基础练习

基础练习

原创 波士顿房价的预测（使用knn算法）

list_1=[i for i in range(0,y_test1.shape[0])]#x轴样本标号。accuracy1=knn_r.score(x_test1_std,y_test1)#模型精确度。y_pre=knn_r.predict(x_test1_std)#根据测试集预测房价。knn_r.fit(x_train1_std,y_train1)#训练模型。y_data = data.iloc[:,-1] # 导入目标值（房价）AGE: 1940 年以前建成的自住单位的比例（%）

原创 酒的knn分类精确度判断

文件中，每行代表一种酒的样本，共有178个样本；一共有14列，其中，第一个属性是类标识符，分别是1/2/3来表示，代表葡萄酒的三个分类。后面的13列为每个样本的对应属性的样本值。剩余的13个属性是，酒精、苹果酸、灰、灰分的碱度、镁、总酚、黄酮类化合物、非黄烷类酚类、原花色素、颜色强度、色调、稀释葡萄酒的OD280/OD315、脯氨酸。其中第1类有59个样本，第2类有71个样本，第3类有48个样本。

原创 knn算法鸢尾花，测试准确值

x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.2)#将数据分类。print(f"k值从1-30对应的准确度：{a}")# 将类型转化为三个数字。