教Linux驱动8-Linux IO模型

与此同时，业界对英伟达收购Arm的担忧也引发对RISC-V的兴趣。SiFive声称它可以在未来制造基于RISC-V指令集的台式机CPU。RISC-V未来也可能进入高性能计算领域。

现在更值得关注的是x86与Arm之间的竞争。七八年前，我们预计Arm与x86会在平板电脑和智能手机市场将迎来一场激烈竞争。但最终只在中端市场有一些冲突，架构优势几乎没有体现出来。

现在，x86和Arm处理器在手机领域已经无从比较，但他们会在智能手机之外的所有市场竞争。
 

时间流逝以一种有趣的方式重塑了我们对一个时代的看法。到2000年代中期，英特尔几乎完全的胜利现在看起来像是暂时，而非永久的胜利。而且，CPU市场的竞争正在以数十年来未曾见过的方式升温。

任何人都可以给出令人印象深刻的处理器性能参数，但性能并不是唯一。AMD的Zen、Zen +和Zen 2架构屡屡突破，英特尔在10nm上走的弯路也让其比以前更容易受到挑战。

英特尔的Tiger Lake是一款令人印象深刻的CPU，足以夺回移动CPU市场的领导地位，接下来的问题是，它需要花多长时间才能恢复在7nm节点的优势地位。英特尔目前声称它将在7nm上具有竞争力，并在5nm上重新获得领导地位。

雷锋网注意到，根据Passmark评测网站上周更新的数据，AMD在桌面市场的份额达到了48%。Passmark评测网站的统计数据代表的是使用中的CPU而非购买的CPU，并且这个统计是以日历年为单位而非财务年。这个统计不仅代表新CPU的销量，还在一定程度反映了过去5-10年x86 CPU的安装量。
 

1. 代码越有条理(也就是说，越细分为类和函数)，jupyter notebooks 的交互性就越差，交互性是人们喜欢jupyter notebook的主要原因。jupyter notebooks 吸引人的交互特性与高度结构化、组织良好的代码本质上是对立的。

• jupyter notebooks 很难正确使用Git版本控制。jupyter notebooks只是大量的JSON文件，因此正确地合并它们或用它们执行提交请求基本上是不可能的。
• jupyter notebooks 使人们很难与他人合作。你必须"轮流"在jupyter notebooks上工作(而不是像使用"常规代码"那样从同一个rep中push/pull)。
•  jupyter notebooks 有一个非线性的工作流程，这与可重复的研究完全相反。

那么jupyter notebooks有什么用?一些可能适用的场景是初始数据可视化、家庭作业、交互式演示。

代码编写标准

两个实用的代码编写标准是：

• 编写正确易懂的代码。如果你的代码是正确的，你的模型就更有可能产生好的结果，你的研究结论是正确的，你将创造出一些实际有用的东西。
•  确保任何人都可以复制你所做的一切——例如模型、结果、图形——通过在终端中运行一个命令(例如"python main.py"). 将有助于其他人在你的工作基础上再接再厉，也有助于"未来的你"在自己的工作基础上再接再厉。

总结

• Python是一种很好的机器学习语言
• Git版本控制有助于跟踪不同版本的代码。它可以通过GitHub获得。
• Anaconda是一个包管理器，它支持创建不同的环境，这些环境可能包含不同的Python版本和包。在处理具有冲突依赖关系的多个项目时，它非常有用。
• 将代码组织成模块中的类和函数。在Git存储库中以分层目录结构组织模块。
• 用注释和docstring记录代码
• 使用描述性变量名。不要使用单字母变量名。
• 编写单元测试，特别是对于数据处理和模型中最复杂或最关键的部分。
• 使用matplotlib和seaborn可视化显示数据集、模型输出和模型性能
• 使用Python调试器进行快速、高效的调试
• 不要将jupyter notebooks 用于机器学习项目

（编辑：揭阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!