在一般操作系统中，切换的动作为0.01~0.03秒就会执行一次，本身切换会占用0.0001秒左右。基本上会占据1%的算力。切换时，将当前寄存器等所有上下文保存起来，读取下一个上下文，就完成了一次切换。关键就是在于TSS。TSS(任务状态段)是由程序员来提供，CPU进行维护。程序员提供是指需要我们定义一个结构体，里面存放任务要用的寄存器数据。CPU维护是指切换任务时，CPU会自动把旧任务的数据存放的

什么是PID控制呢？想象热水器和汽车刹车，不会一直一个力度，它会逐渐变小，这个变化的过程需要受到控制，这就是PID控制存在的意义，根据最后的结果以及它的导数，来确定接下来的控制力度，这就是PID控制。但关键是，我们如何制造PID。最终的控制目的是要保证水缸里的水位永远的维持在1米的高度。假设初始时刻，水缸里的水位是0.2米，那么当前时刻的水位和目标水位之间是存在一个误差的error，且error为

关于头部栏，也写成一个组件。只有一个的用id，多个的用class，实际上id可以抛弃了。

首先，删除不一样linux 是rm，再不济是rm -rfwindows是del, 文件夹是rd，再不济是rd /s /q其次是路径，linux用/分割，wndows用\分割，切记，而且注意windows后面的\一定要删除掉，但是python却要求与linux相同。。。然后是创建文件夹，linux是mkdir -p ：递归创建目录，即使上级目录不存在，会按目录层级自动创建目录windows也是mkd

前面用高数和线代做。这回用概论做。将误差显示表现出来。实际上的数据我们可以这样表示出来：t=wx+b+εt=wx+b+\varepsilont=wx+b+ε其中ε\varepsilonε是一个服从正态分布的误差，这样的话，ttt就符合N(y,δ2)N(y, \delta^2)N(y,δ2)的分布，很合理吧。但是ttt本身不是独立的，ttt随着xxx的变化有一个趋势，这就是我们建模的意义，如果完全独

1.集成学习归属于机器学习，他是一种「训练思路」，并不是某种具体的方法或者算法。2.集成学习会挑选一些简单的基础模型进行组装，组装这些基础模型的思路主要有 2 种方法：bagging（bootstrap aggregating的缩写，也称作“套袋法”）boosting3.Bagging 的核心思路是——民主。Bagging 的思路是所有基础模型都一致对...

嗯

现在是学习它的train该怎么做。

图的随机游走模型非常适用于统计网页的权重，在文本处理方面则适用于提取关键字，生成人物关系网等。噪声信道模型本质上就是贝叶斯，它能直接适用于翻译，对于文本简单替换的微博文本规范化来说，感觉还更简单了，输入是正常字，输出是网络用语，整个就是一个贝叶斯公式，在网络用语知道的情况下，输入选P(输入/输出)最大的那一个，也就是P(输出/输入)P(输入)这两者尽可能的大，一个叫翻译模型一个叫语言模型，翻译模型

声学模型是对声学、语音学、环境的变量、说话人性别、 口音等的差异的知识表示，语言模型是对一组字序列构成的知识表示。语言模型表示某一字序列发生的概率，一般采用链式法则，把一个句子的概率拆解成器中的每个词的概率之积。设W是由w1, w2,...,wn组成的，则P（W）可以拆成(由条件概率公式和乘法公式)：P(W) = P(w1)P(w2/w1)P(w3/w1,w2)...P(wn/w1,w2,..wn