narutozxp

本文的主要参考文献为python的官方文档,针对的python版本为3.14.2 首先一个语言的导入系统是很重要的，因为它决定了代码的模块化以及可复用性，一个好的模块系统可以让开发者更方便地组织和管理代码，提高代码的可维护性和可读性。而我之所以写这么一篇文章，就是因为一直被python的导入系统折磨，因此才下定决定来搞清楚python的模块系统与导入机制。 对于python来说，我们最常用的导入方式是使用import语句，但是其实除了import语句之外，还有很多其他的导入方式，比如importlib.import_module()以及内置的__import__()函数等。 而import语句主要做了两件事情： 搜索指定名称的模块（就是调用__import__()）。 将搜索的结果绑定到一个local的名称上面。 Example import spam会产生如下的字节码： 1spam = import('spam', globals(), locals(), [], 0) import spam.ham会产生如下的字节码： 1spam = import('spam.ham', g ...

图片相关 这部分主要介绍在论文写作过程中，如何绘图、图片中使用的字体与字号、以及如何对图片进行后处理。 绘图 图片处理 使用PPT或者使用Visio绘图之后，可以将绘制的内容导出为pdf，而且可以导出指定页面, 但是还是存在一个问题，就是导出的pdf可能会存在大量的空白，这时候可以Tex Live自带的pdfcrop命令进行裁剪： 1pdfcrop input.pdf output.pdf 建议导出格式 虽然PPT可以将选中的内容直接导出为图片，但是当导出为svg格式时，其文字排版会出现问题，因此建议导出为pdf格式。而且latex原生就支持pdf格式的内容插入，如果是svg的话，还需要引入额外的宏包进行支持。 至于png格式，只建议在使用word的时候使用，这时候可以使用ghostscript或者convert将pdf转换为png格式。 pdf转png命令 使用Tex Live自带的ghostscript命令如下： 1gs -dNOPAUSE -dBATCH -dSAFER -sDEVICE=pngalpha -r600 -sOutputFile=output-%03d.pn ...

内存一致性模型与缓存一致性的关系 刚开始接触缓存一致性以及内存一致性模型的时候，时常会对其产生误解，对两者的概念比较模糊，在这里借用《A Primer on Memory Consistency and Cache Coherence》中的介绍来对其进行区分。 该书中使用SWMR(Single Writer Multiple Reader)不变量以及数据值（Data Value）不变量来定义缓存一致性，前者指的是对于同一时刻，同一个内存地址，要么只有一个核心对其拥有读写权限，要么有零个或者多个对于该地址只有只读权限。而后者则指的是，任何对于内存的修改都会被传播给其他副本，以至于副本保存的总是其最新的值。 而内存一致性（模型）则是定义在缓存一致性之上的，程序员需要依据内存一致性模型来编写出正确的多线程程序，而缓存一致性主要是为处理器流水线提供一个存储系统的抽象层，对于程序员来说时透明的，如下图所示： Summary Cache coherence于Memory consistency并不等效 Memory consistency的具体实现可以将Cache coherence作为一个 ...

SCALA语法介绍

声明空间 在verilog中，reg 、wire、task、function等的定义都必须在module之内，这些声明都是局部的，因此只能在模块内部使用，无法跨模块使用。如果希望在多个模块中使用某个function，则需要在每一个模块内都重新定义。特别是使用user-defined type，需要在每一个模块内都重复进行typedef，非常的冗余，且容易出错。 为此system verilog拓展了声明空间。 package package的定义 package是一个独立的声明空间，因此不能嵌入在module内部。 package是通过两个关键字进行定义的——package与endpackage。可综合的package可以包含如下的内容： parameter和localparam定义的常数（在package中，两个是一样的，都不能在外部被修改）。 const定义的变量。 typedef定义的自定义类型。 automatic task和automatic function。 import导入其他package。 操作符重载。 package还可以包含全局变量声明、静态任务定义和静态函 ...

强化学习基础 强化学习概述 强化学习（reinforcement learning，RL） 讨论的问题是智能体（agent）怎么在复杂、不确定的环境（environment）中最大化它能获得的奖励。如图 1.1 所示，强化学习由两部分组成：智能体和环境。在强化学习过程中，智能体与环境一直在交互。智能体在环境中获取某个状态后，它会利用该状态输出一个动作 （action），这个动作也称为决策（decision）。然后这个动作会在环境中被执行，环境会根据智能体采取的动作，输出下一个状态以及当前这个动作带来的奖励。智能体的目的就是尽可能多地从环境中获取奖励。 强化学习与监督学习 我们可以把强化学习与监督学习做一个对比。以图片分类为例，如图 1.2 所示，监督学习（supervised learning）假设我们有大量被标注的数据，比如汽车、飞机、椅子这些被标注的图片，这些图片都要满足独立同分布，即它们之间是没有关联关系的。假设我们训练一个分类器，比如神经网络。为了分辨输入的图片中是汽车还是飞机，在训练过程中，需要把正确的标签信息传递给神经网络。当神经网络做出错误的预测时，比如输入汽车的图片， ...

TLS握手过程 HTTP 由于是明文传输，所谓的明文，就是说客户端与服务端通信的信息都是肉眼可见的，随意使用一个抓包工具都可以截获通信的内容。 所以安全上存在以下三个风险： 窃听风险，比如通信链路上可以获取通信内容，用户号容易没。 篡改风险，比如强制植入垃圾广告，视觉污染，用户眼容易瞎。 冒充风险，比如冒充淘宝网站，用户钱容易没。 HTTPS 在 HTTP 与 TCP 层之间加入了 TLS 协议，来解决上述的风险。 TLS 协议是如何解决 HTTP 的风险的呢？ 信息加密：HTTP 交互信息是被加密的，第三方就无法被窃取。 校验机制：校验信息传输过程中是否有被第三方篡改过，如果被篡改过，则会有警告提示。 身份证书：证明淘宝是真的淘宝网。 上图简要概述来 TLS 的握手过程，其中每一个「框」都是一个记录（record），记录是 TLS 收发数据的基本单位，类似于 TCP 里的 segment。多个记录可以组合成一个 TCP 包发送，所以通常经过「四个消息」就可以完成 TLS 握手，也就是需要 2个 RTT 的时延，然后就可以在安全的通信环境里发送 HTTP 报文，实现 HTT ...

摘要 本文首先阐述了错误检测的目的以及纠错复杂度，然后以此引出了CRC背后的基础思想。为了能够充分理解CRC运算所基于的运算系统，本文还介绍了抽象代数中的相关概念（多项式环、素域、扩域）。然后描述了如何选取CRC的多项式。有了这些基本概念之后，本文介绍了三种CRC的实现，对于同一个CRC算法，其中SIMPLE于TABLE ALGORITHM所使用的寄存器初值是一样的，只是后者更高效一点，而DIRECT TABLE ALGORITHM则更高效，而且寄存器初值也与前两种不一样（通常CRC算法所说的初值就是指的这个算法的寄存器初值），因此需要进行初值转换。在此之后还介绍了一些决定CRC算法的其他参数，并且以此定义一个名为Rocksoft™的参数化模型，用以精确描述CRC算法。最后本文还包含了CRC算法的C实现。 本文很大程度上参考了A PAINLESS GUIDE TO CRC ERROR DETECTION ALGORITHMS，在其中加入了一些自己的理解。因此非常感谢Ross N. Williams.大佬 错误检测的目的 发射机产生的数据，在经过带有噪声的信道之后，会被噪声所污染，从而导 ...

WaveDrom 可以根据特定指令生成时序 / 波形图（SVG/PNG），并且也可以在浏览器中运行。同时也提供了在线编辑器和教程、教程 2。 信号（signal) 名称（name）和波形（wave） 绘制信号时，需要向 WaveDrom 传递键为 signal，值为 WaveLanes 的数组，WaveLane 一般至少需要包含两个属性：名称（name）和波形（wave），例如（在官方在线编辑器中打开）： 1{ "signal" : [{ "name": "clk", "wave": "P..........." }] } { "signal" : [{ "name": "clk", "wave": "P..........." }] } 波形的名称将显示在波形左侧，波形由一个字符串指定，每个字符都代表了一个周期的波形，每个字符代表的意义如下： 符号 含义 样例 渲染结果 . 与上一周期状态相同 { signal ...

计算机数值表示 符号定义 Symbol Type Meaning Defineition \(B2T_w\) 函数 Binary to two's complement \(\vec{x} = [x_{w-1},x_{w-2},\cdots,x_0];\;B2T_w(\vec{x})=-x_{w-1}2^{w-1}+\sum\limits_{i=0}^{w-2}x_i2^i\) \(B2U_w\) 函数 Binary to unsigned \(\vec{x} = [x_{w-1},x_{w-2},\cdots,x_0];\;B2U_w(\vec{x})=\sum\limits_{i=0}^{w-1}x_i2^i\) \(U2B_w\) 函数 Unsigned to binary \(B2U_w\)的反函数 \(U2T_w\) 函数 Unsigned to two's complement \[0\leq u\leq UMax_w;U2T_w(u)=B2T_w(U2B_w(u))=\begin{cases}u, u\leq TMax_w \\ u- ...