本文系统阐述操作系统四大核心概念：**线程（Thread）**作为独立执行上下文，通过TCB实现状态保存与时间复用；**地址空间（Address Space）**提供内存隔离，借助基址/界限或分页机制实现虚拟地址映射；**进程（Process）**是资源封装单位，包含地址空间与线程集合，实现进程间隔离；**双模式操作（Dual Mode Operation）**通过用户态与内核态区分权限，保障系统

操作系统作为硬件与应用之间的抽象层，提供统一的软件接口，隐藏底层差异。它扮演三大角色：管理者（协调资源、保障隔离）、幻象制造者（通过虚拟化实现简化抽象）、粘合剂（集成存储、网络等公共服务）。核心抽象包括进程（受限执行环境）、地址空间（私有内存视图）、文件系统（持久化存储抽象）和套接字（网络通信接口），使应用程序在简单、安全、一致的环境中运行。

一次IO分为“等数据就绪”和“拷贝数据”两个阶段。五种IO模型的区别正源于对这两个阶段的处理方式：阻塞IO全程阻塞；非阻塞IO轮询，浪费CPU；多路复用（如epoll）让内核批量通知就绪事件，高效支持高并发；信号驱动IO通过信号通知，但复杂且受限；异步IO则将两阶段全交由内核，进程无需等待，真正实现异步。关键在于：只有异步IO在拷贝阶段不阻塞进程，其余均为同步IO。

Redis 的 Hash 编码在字段少时使用 listpack 节省内存，字段多或值长则转为 dict 哈希表。dict 采用渐进式 Rehash 机制，通过双哈希表（ht[0] 和 ht[1]）分批迁移数据，避免扩容卡顿。插入、删除、查找操作中顺带搬迁，结合 serverCron 定期主动推进，确保 rehash 不停滞。负载因子 ≥1 触发扩容（取最近 2 的幂），<0.1 触发缩容。哈希冲突

本文介绍了Particle Filtering这种近似推理方法，用于解决HMM中状态空间过大时精确推理计算复杂的问题。Particle Filtering通过维护一组粒子来近似表示信念分布，基本过程包括：1）根据转移模型更新粒子状态（Time Elapse Update）；2）结合观测证据计算粒子权重并重采样（Observation Update）。与精确推理的Forward Algorithm相

本文围绕 CS188 机器学习入门内容展开，介绍监督学习、数据集划分、朴素贝叶斯分类思想及其条件独立假设，并进一步说明如何通过最大似然估计学习模型参数。文章最后讨论了 MLE 的零概率问题，并引入 Laplace Smoothing 来提升模型的泛化能力。

本文围绕机器学习中的线性模型展开，系统梳理线性分类器、二分类与多分类感知机、线性回归、逻辑回归以及 Softmax 多分类方法。文章重点解释特征向量、权重、决策边界、Bias、损失函数、梯度下降和最大似然等核心概念，帮助读者建立从感知机到逻辑回归的整体理解。

本文围绕 CS188 Project 5 的机器学习部分展开，以 PyTorch 基础为起点，依次梳理 Tensor、Shape、Batch、DataLoader 等核心概念，并完成从感知机、非线性回归、MNIST 数字分类、语言识别 RNN、手写卷积函数到 Attention 机制的完整实现。文章不仅记录代码解法，也重点解释输入输出维度、训练流程、损失函数、激活函数选择和模型结构设计，适合 Py

本文围绕 CS188 机器学习入门内容展开，介绍监督学习、数据集划分、朴素贝叶斯分类思想及其条件独立假设，并进一步说明如何通过最大似然估计学习模型参数。文章最后讨论了 MLE 的零概率问题，并引入 Laplace Smoothing 来提升模型的泛化能力。

本文围绕机器学习中的线性模型展开，系统梳理线性分类器、二分类与多分类感知机、线性回归、逻辑回归以及 Softmax 多分类方法。文章重点解释特征向量、权重、决策边界、Bias、损失函数、梯度下降和最大似然等核心概念，帮助读者建立从感知机到逻辑回归的整体理解。