pthread线程相关

LWP :轻量级 进程,本质仍是进程

进程 :独立地址空间,拥有PCB

线程:有独立的TCB,但没有独立的地址空间(共享)

区别 :在与是否共享地址文件

进程 (独居),线程(合居)

一个进程内,创建多个线程

进程是最小资源分配单位

线程是最小执行单位(cpu调度的单位)

进程变为线程

一个进程创建了一个线程以后,本身也沦落为线程

查看线程LWP

内存架构三级映射

线程共享的资源

1.文件描述符表

2.每种信号的处理方式

3.当前工作目录

4.用户id 和组id

5.内存地址空间(data、bss,heap、共享库)

线程不共享的资源

1.线程id

2.寄存器器和栈指针(内核栈)(pthread函数创建就是栈空间)

3.独立的栈空间(用户空间栈)

4.errno 变量

5.信号屏蔽字

6.调度优先级

优点

缺点一个线程崩溃,整个进程就崩溃

线程控制原语

获取线程id :

#include<pthread.h>

pthread_t pthread_self(void); //获取线程id 在进程内部标识线程身份

返回 线程id

编译时要 + -lpthread ‘

`8 #include <iostream>
9 #include <stdio.h>
10 #include <cstdlib>
11 #include <arpa/inet.h>
12 #include <unistd.h>
13 #include <algorithm>
14 #include <cstring>
15 #include<pthread.h>
16 using namespace std;
17 int main(){
18     cout<<"pid :"<<getpid()<<endl;
19     cout<<"pthread id:"<<pthread_self()<<endl;
22     return 0;
25 }`

没有错误

创建线程:

int pthread_create(pthread_t *thread, const pthread attr_t attr,void*(***start_routine)(void**),void *arg);

参数

thread :传出参数 :新子线程的id

attr :线程属性 默认传null

子线程的回调函数。pthread_create 调用成功,该数会被自动调, 子线程自动启动

参三的参数

返回值:

成功 返回0;

失败 直接返回错误号;perrno不能用了

错误处理:

创建子线程:

进程id 一样 线程id 不一样

循环创建子线程

每个线程打印自己是第几个

主子线程共享全局变量,堆空间

子线程修改全局变量堆空间,主线程也会影响

执行结果:

线程退出

void pthread_exit(void *retval);

参数:代表线程的退出值,无退出值:NULL;

exit(0):退出当前进程,结束程序;

return :

在当前函数内结束

pthread_exit():

退出当前线程;放在函数内部也一样

回收线程退出值

int pthread_join (pthread_t tid ,void**retval)

线程回收:nm给我id 我就直接收了你

参数1:待回收的线程的id

参数2:传出参数 ,回溯的那个线程的退出值。

返回值:

成功 0;

失败为:错误号;

线程分离

int pthreaddetach(pthreadt tid) //返回错误号

参数:带设置分离的线程的ID

设置为分离态的线程,在终止时,会自动清理pcb内核残留,不用回收了

对于已经分离的线程,使用pthread_join(),不能正常回收

杀死线程

int pthread_cancel(pthread_t thread);

参数:待杀死的线程ID

执行结果

总结(终止线程的方法的种类)

exit(0);

return ;

pthread_exit();

pthread_cancel();

被杀死的线程,然后回收之后,退出值是-1;

pthread cancel0)杀死线程必须要到达“取消点”(保存点),才能生效否则无法杀死线程。

应该在被cancel的线程中,调用 pthread testcancel() 函数 来 添加“取消点”(保存点)。。

线程进程控制原语比对

内容概要:本文介绍了一种利用遗传算法优化BP神经网络进行回归预测的方法,并提供了完整的MATLAB程序代码。主要内容包括数据预处理、遗传算法与BP神经网络的结合、适应度函数的设计以及最终的预测结果展示。文中详细解释了如何将Excel格式的数据导入MATLAB并进行归一化处理,如何定义适应度函数来优化BP神经网络的参数(如激活函数和学习率),并通过遗传算法找到最优解。实验结果显示,在某工业数据集上,经过遗传算法优化后的BP神经网络预测精度显著提高,从原来的0.82提升到了0.91。此外,还提到了一些实用技巧,比如调整遗传代数、修改激活函数等方法进一步改进模型性能。 适合人群:对机器学习有一定了解的研究人员和技术爱好者,特别是那些希望深入了解遗传算法与BP神经网络结合应用的人士。 使用场景及目标:适用于需要快速构建高效回归预测模型的场景,尤其是当传统BP神经网络无法达到预期效果时。通过本篇文章的学习,读者能够掌握一种有效的优化手段,从而提高模型的泛化能力和预测准确性。 其他说明:代码可以直接应用于新的数据集,只需确保数据格式符合要求(Excel格式)。对于想要深入探索或改进现有模型的人来说,还可以尝试更换不同的激活函数或其他调节方式来获得更好的表现。
评论
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