qq_43444151的博客

原创 Epoll的两种工作模式

Epoll的两种工作模式LT模式（水平触发）假设委托内核检测读事件-检测fd的读缓冲区都缓冲区有数据-epoll检测到了会给用户通知用户不读数据，数据一直在缓冲区，epoll会一直通知用户只读了一部分数据，epoll会通知缓冲区的数据读完了，不通知LT模式是默认的工作模式，同时支持阻塞和非阻塞套接字两种模式。内核告诉你一个文件描述符是否就绪，然后你可以对这个就虚的fd进行IO操作，如果你不做任何操作的话，内核还是会继续通知你。（只要是缓冲区内有数据，内核就通知）。ET模式（边沿触发）

原创 服务器编程基本框架和两种高效的事件处理方式

服务器编程基本框架和两种高效的事件处理方式服务器基本模块I/O处理单元：处理客户连接，读写网络数据。服务器管理客户连接的模块。接受客户端连接，接受客户端数据，返回服务器端数据。逻辑单元：业务进程或者线程。分析处理数据并传递结果。网络存储单元：数据库、文件或缓存。请求队列：各个单元之间的通信方式。通常被实现为池的一部分（进程池，线程池）。两种高效的事件处理模式处理三类事件：IO事件、信号以及定时事件。Reactor模式一般是同步IO模型要求主线程只负责监听文件描述符上是否有事件发生，有的

原创 EPOLL相关函数笔记

EPOLL相关函数笔记简而言之：对SELECT的改进两者比较1.调用SELECT每次都需要吧fd集合从用户态拷贝到用户态，当fd很多时开销会很大。而EPOLL结构体本身就在内核态，一定程度上减少了开销。2.SELECT每次都需要遍历，而EPOLL返回的是一个包含所有相应的文件描述符的数据3.SELECT上限为1024，且每次fd都需要重置。函数1.创建int epfd = epoll_create(int size);创建一个存在于内核区的EPOLL实例，返回EPOLL所在的文件描述符。

原创 关于CCnet空间信息传播的一点理解

原创 np.array使用小心得

关于二维array嵌套二维array，在括号内的array内元素是true/false和是1/0所得到的结果是不同的！例如：此时mask内元素是true false，我们得到的结果是：而如果是0/1…所得到的结果是：

原创 CCNet: Criss-Cross Attention for Semantic Segmentation阅读笔记

0摘要：Criss_Cross用于捕捉上下文信息，上下文信息可以用于远程依赖。使用新颖的criss_cross attention module，每个像素都可以取得它周围像素的信息。CCNet有如下几个好处：1）GPU内存友好。与非本地块相比，循环纵横交叉注意模块所需的GPU内存使用量减少了11倍。2）高计算效率。在计算远程依存关系时，反复出现的纵横交错注意力将FLOP减少了非本地块的大约85％。3）最先进的性能。我们对流行的语义分段基准（包括Cityscapes，ADE20K和实例分段基准COCO

原创 SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation阅读笔记

0摘要：Encoder - Decoder结构。Encoder是VGG16的前13层，Decoder的作用是把Encoder的低分辨率特征图变成和输入相当分辨率的特征图。Specifically, the decoder uses pooling indices computed in the max-pooling step of the corresponding encoder toperform non-linear upsampling.具体地，解码器使用在相应Encoder中的最大池化(

原创 Filter Grafting for Deep Neural Networks阅读笔记

0.摘要：1.本文提出一种新颖的学习范例，称为过滤器嫁接（filter grafting）,旨在提高深度神经网络（DNN）的表示能力。对于一些看起来没什么用的filters,过滤器裁剪（filter pruning）会因为效率考虑而去掉他们。过滤器嫁接会重新激活他们。通过将外部信息（权重）嫁接到无效的过滤器中来处理激活。2.为了更好的执行嫁接过程，我们开发了一种基于熵的标准来测量过滤器的信息，并提出了一种自适应加权策略来平衡网络之间的嫁接信息。嫁接操作后，与原始状态相比，网络具有很少的无效过滤器，从而为

原创 Deeplizard part1

torch:包含其它torch.nn:包含类的模块、权重、和损失函数torch.autograd:优化我们的神经网络权重所需的导数计算torch.nn.functional:各种函数，损失、激活、卷积torch.optim:各种优化SGD.ADAMtorch.utils：数据预处理torchvision:访问最新的数据集、计算机视觉的模型架构以及图像转换CUDA：为开发者提供API的软件层。GPU：适合并行计算，运算速度超过CPU，但是从CPU向GPU中导入数据需要一定的代价。...