- 博客(6)
- 收藏
- 关注
RSS订阅原创 线性回归和二分类中函数的区别
1.假设函数（Hypothesis Function）：0到1之间的值，所以可以表示概率。1,.假设函数（Hypothesis Function）：正负无穷之间的值。3.优化算法：导数，但是二者的具体写出来不一样。3.优化算法：导数，但是二者的具体写出来不一样。2.损失函数与代价函数。2.损失函数与代价函数。
2025-02-19 20:12:17
211
原创 机器学习ML/machine learning（一）
分为监督学习Supervised learning和无监督学习Unsupervised learning，
2024-11-18 19:28:16
702
原创 论文阅读笔记：Machine learning-powered traffic processing in commodity hardware with eBPF
网络软件化正在为下一代网络(NGNS)的设计和开发铺平道路，这需要深刻改进现有的通信基础设施。NGNs的两个基本支柱是灵活性和智能，以创建弹性网络功能，能够以高效和具有成本效益的方式管理复杂的通信系统。从这个意义上说，扩展的伯克利数据包过滤器eBPF)是一种先进的解决方案，可以在通用硬件的Linux内核中实现低延迟流量处理。
2024-09-27 21:55:58
1308
1
原创 论文阅读笔记：AutoOS: Make Your OS More Powerful by Exploiting Large Language Models
随着人工智能物联网（AIoT）的快速发展，针对各种 AIoT 应用场景定制和优化操作系统（OS）内核配置对于最大化系统性能至关重要。然而，由于问题过于复杂（例如，Linux 内核中有超过 15000 个配置选项）、评估成本巨大以及选项容易出错导致操作系统启动失败等原因，自动优化 Linux 内核成为一个悬而未决的问题。在本文中，我们介绍了AutoOS，这是一个利用大语言模型的新型框架，可针对各种人工智能物联网应用场景自动定制和优化操作系统内核配置。
2024-09-16 20:08:34
1290
1
原创 论文阅读笔记Towards a Machine Learning-Assisted Kernel with LAKE
我们猜想，ML 可以更好地管理内存管理、进程和 I/O 调度等子系统的权衡空间，而这些子系统目前依赖手工调整的启发式方法来提供合理的平均性能。我们探讨了在五个内核子系统中用 ML 驱动的决策取代启发式方法的问题，并考虑了对内核设计、共享操作系统级组件和访问硬件加速的影响。我们找出了障碍，解决了挑战，并描述了 ML 在内核空间所能提供的优势的权衡。
2024-09-14 16:39:36
1311
1
原创 论文阅读笔记Enoki:High Velocity Linux Kernel Scheduler Development
标题中文释义：Enoki：高速 Linux 内核调度程序开发作者：Samantha Miller, Anirudh Kumar, Tanay Vakharia, Ang Chen, Danyang Zhuo, Thomas Anderson会议：EuroSys '24论文链接：https://dl.acm.org/doi/abs/10.1145/3627703.3629569本文介绍了用于。Enoki 使安全、高性能的内核调度程序具有无缝实时升级、双向用户通信通道以及记录和重放调试功能。
2024-09-14 16:31:01
994
1
Machine learning-powered traffic processing in commodity hardwar
2024-09-27
PEROS Personalized Self-Adapting Operating Systems in the Cloud
2024-09-16
AutoOS: Make Your OS More Powerful by Exploiting Large Language
2024-09-16
Towards a Machine Learning-Assisted Kernel with LAKE内容介绍
2024-09-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人