Facebook的Roman Gushcin发送的这个patch把Gigantic巨页（SIZE：1GB）与CMA进行了一个完美的结合：
页是信息的物理单位, 分页是为了实现非连续分配, 以便解决内存碎片问题, 或者说分页是由于系统管理的需要. 段是信息的逻辑单位,它含有一组意义相对完整的信息, 分段的目的是为了更好地实现共享, 满足用户的需要.
CMA是reserved的一块内存，用于分配连续的大块内存。当设备驱动不用时，内存管理系统将该区域用于分配和管理可移动类型页面；当设备驱动使用时，此时已经分配的页面需要进行迁移，又用于连续内存分配；其用法与DMA子系统结合在一起充当DMA的后端，具体可参考《没有IOMMU的DMA操作》。
使用 水线位 分配内存 , 相关源码定义在 Linux 内核源码的 linux-4.12\mm\internal.h#475 位置 ;
Linux的内存管理可谓是学好Linux的必经之路，也是Linux的关键知识点，有人说打通了内存管理的知识，也就打通了Linux的任督二脉，这一点不夸张。有人问网上有很多Linux内存管理的内容，为什么还要看你这一篇，这正是我写此文的原因，网上碎片化的相关知识点大都是东拼西凑，先不说正确性与否，就连基本的逻辑都没有搞清楚，我可以负责任的说Linux内存管理只需要看此文一篇就可以让你入Linux内核的大门，省去你东找西找的时间，让你形成内存管理知识的闭环。
互联网、Linux内核书籍上充满了各种关于Linux DMA ZONE和dma_alloc_coherent、dma_map_single等的各种讲解，由于很多童鞋缺乏自身独立的思考，人云亦云，对这些概念形成了很多错误的理解。本文的目的在于彻底澄清这些误解。
Linux的内存管理可谓是学好Linux的必经之路，也是Linux的关键知识点，有人说打通了内存管理的知识，也就打通了Linux的任督二脉，这一点不夸张。有人问网上有很多Linux内存管理的内容，为什么还要看你这一篇，这正是我写此文的原因，网上碎片化的相关知识点大都是东拼西凑，先不说正确性与否，就连基本的逻辑都没有搞清楚，我可以负责任的说Linux内存管理只需要看此文一篇就可以让你入Linux内核的大门，省去你东找西找的时间，让你形成内存管理知识的闭环。 文章比较长，做好准备，深呼吸，让我们一起打开Lin
有时我们需要在 Linux 内核中预留一部分内存空间用作特殊用途（给安全模块使用，给其它处理器使用，或是给特定的驱动程序使用等），在 Device Tree 中有提供两种方法对预留内存进行配置：memreserve 和 reserved-memory。
对于用户空间的应用程序，我们通常根本不关心page的物理存放位置，因为我们用的是虚拟地址。所以，只要虚拟地址不变，哪怕这个页在物理上从DDR的这里飞到DDR的那里，用户都基本不感知。那么，为什么要写一篇论述页迁移的文章呢？
有了前两节的学习相信读者已经知道CPU所有的操作都是建立在虚拟地址上处理(这里的虚拟地址分为内核态虚拟地址和用户态虚拟地址)，CPU看到的内存管理都是对page的管理，接下来我们看一下用来管理page
硬件平台: 全志R/V/F/MR/H 系列芯片。软件平台: Tina v3.5 及后续版本。
有了前两节的学习相信读者已经知道CPU所有的操作都是建立在虚拟地址上处理(这里的虚拟地址分为内核态虚拟地址和用户态虚拟地址)，CPU看到的内存管理都是对page的管理，接下来我们看一下用来管理page的经典算法--Buddy。
在我们使用ARM等嵌入式Linux系统的时候，一个头疼的问题是GPU，Camera，HDMI等都需要预留大量连续内存，这部分内存平时不用，但是一般的做法又必须先预留着。目前，Marek Szyprowski和Michal Nazarewicz实现了一套全新的Contiguous Memory Allocator。通过这套机制，我们可以做到不预留内存，这些内存平时是可用的，只有当需要的时候才被分配给Camera，HDMI等设备。下面分析它的基本代码流程。
特征选择是指从原始特征集中选择一部分特征，以提高模型性能、减少计算开销或改善模型的解释性。特征选择的目标是找到对目标变量预测最具信息量的特征，同时减少不必要的特征。这有助于防止过拟合、提高模型的泛化能力，并且可以减少训练和推理的计算成本。
赵金生，linux内核爱好者,就职于杭州某大型安防公司，担任Linux BSP软件工程师。对进程调度，内存管理有所了解。希望能通过对linux的学习，提升产品软件性能及稳定性。该文章为私人学习总结，不存在公司网络安全问题。
在内核初始化完成之后, 内存管理的责任就由伙伴系统来承担. 伙伴系统基于一种相对简单然而令人吃惊的强大算法.
我们知道外设访问内存需要通过DMA进行数据搬移，关于cpu, cache, device, dma, memory的关系可以通过下图说明：
RDMA CM 是一种通信管理器，用于设置可靠、连接和不可靠的数据报数据传输。 它提供用于建立连接的 RDMA 传输中立接口。 API 概念基于套接字，但适用于基于队列对 (QP) 的语义：通信必须通过特定的 RDMA 设备进行，并且数据传输基于消息。 RDMA CM 可以控制 RDMA API 的 QP 和通信管理（连接建立/拆除）部分，或者仅控制通信管理部分。 它与 libibverbs 库定义的 verbs API 结合使用。 libibverbs 库提供了发送和接收数据所需的底层接口。 RDMA CM 可以异步或同步操作。 用户通过在特定调用中使用 rdma_cm 事件通道参数来控制操作模式。 如果提供了事件通道，rdma_cm 标识符将报告该通道上的事件数据（例如连接结果）。 如果未提供通道，则所选 rdma_cm 标识符的所有 rdma_cm 操作将被阻止，直到完成。 RDMA CM 为不同的 libibverbs 提供商提供了一个选项来宣传和使用特定于该提供商的各种 QP 配置选项。 此功能称为 ECE（增强连接建立）
如果特征数量N较小，可使用穷举搜索尝试所有可能的特征组合，保留使成本/目标函数最小的那个。但当N较大时，穷举搜索就行不通了，因为需尝试的组合数为2^N，这是指数级增长，N超过几十个就变得极其耗时。
迭代器模式（Iterator），提供一种方法顺序访问一个聚合对象中的各种元素，而又不暴露该对象的内部表示。又称为：游标cursor模式
【infiniband】 MAD、 uMAD、Verbs、RDMACM: https://blog.csdn.net/eidolon_foot/article/details/132840943
Buddy分配器是按照页为单位分配和释放物理内存的，在Zone那一节文章中freearea就是通过buddy分配器来管理的。
选自otoro.net 机器之心编译 参与：陈韵竹、刘晓坤 在这篇文章中，作者用一些简单的视觉案例解释了进化策略（Evolution Strategies）的工作方式，其中包括了简单进化策略、简单遗传
前言： 书接上回《内存映射技术分析》，继续来分析一下linux的物理内存管理。 分析： 1，物理内存 PC上的内存条，或者手机上的内存芯片，物理上实实在在的内存，就是物理内存。大小是硬件决定的，一般就是一个起始地址，加上大小。地址如何分配呢？PC上作者也不太懂，听闻BIOS可以配置。在ARM上，作者曾经看过一份电路图，当时的图上，使用32bit的高2bit作为chip select，后面的30bit作为地址总线，看过chip select信号之后，作者才明白为什么在代码上要配置起始的地址不是0，因为硬件
如果你的ubuntu机器经过长时间运行，比如1个月没关机，这时候你去看buddinfo和pagetypeinfo的信息。
这里体现了 Buddy 的核心思想：在内存释放时判断其 buddy 兄弟 page 是不是 order 大小相等的 free page，如果是则合并成更高一阶 order。这样的目的是最大可能的减少内存碎片化。
RGB-D 图像是一种重要的 3D 数据格式。它已被广泛用于 3D 场景重建、突出目标检测、机器人与自主导航、医学影像与健康监测、环境监测等领域。与 RGB 图像不同，深度图像包含有关从视点到场景对象表面的距离的信息，该视点提供了 3D 场景之间的深度信息。因此，RGB-D联合分析方法在计算机视觉任务中很受欢迎。然而，这些方法使用额外的模态，这将带来多余的存储和传输成本。因此，设计一个高效的RGB-D图像压缩方法是一项重要且具有挑战性的工作。
U-Boot 的全称是 Universal Boot Loader，其作用就是引导系统。对于我们熟悉的 PC，上电后，通过 BIOS 引导操作系统 （Windows、Linux等）。对于嵌入式系统一般将这个引导程序称作 BootLoader，U-Boot 就是目前使用得最广泛的 BootLoader。
在 【Linux 内核 内存管理】物理分配页 ② ( __alloc_pages_nodemask 函数参数分析 | __alloc_pages_nodemask 函数分配物理页流程 ) 博客中 , 分析了 __alloc_pages_nodemask 函数分配物理页流程如下 :
自噬是细胞在外界环境因素的影响下，利用溶酶体，降解自身受损、变性大分子物质或者细胞器的自我消化过程。依据其发生途径，主要分为三种：巨自噬 (Macroautophagy)，微自噬 (Microautophagy) 和分子伴侣介导的自噬 (Chaperone-mediated autophagy, CMA)。
在上篇文章 《深入理解 Linux 物理内存分配全链路实现》 中，笔者为大家详细介绍了 Linux 内存分配在内核中的整个链路实现：
上文我们讲到快速分配和慢速分配，接下来会详细讲解这两种分配情况，我们先来看下快速分配：
AI 科技评论按：这是 otoro.net 的系列技术博客之一，以通俗可视化的方法讲解了进化策略（Evolution Strategies）中的诸多概念。AI 科技评论全文编译如下。 本文将通过一些可视化的案例向大家解释进化策略是如何工作的。为了方便更多入门读者理解本文，我将对相关公式做简化处理。同时，我也为希望理解更多数学细节的读者提供了相关数学公式的原始论文。这是本系列的第一篇文章，在本系列中，我会向大家介绍如何在诸如 MNIST、OpenAI Gym、Roboschool、PyBullet 等任务中应
从buddy申请内存页，如果找不到合适的页，则会进行两步调整内存的工作，compact和reclaim。前者是为了整合碎片，以得到更大的连续内存；后者是回收不一定必须占用内存的缓冲内存。这里重点了解comact，整个流程大致如下：
我属于提前批拿到哪吒开发板的,兴奋之余开始研究如何去运行自己的裸机程序,美其名曰:操作系统.
前段时间 安诺优达、华大基因、贝瑞基因的CNVseq相继获证，有公众号写出了《CNVseq取代CMA只是时间问题》，但这次我要站出来为CMA说说话。
作者 | Vanessa Volz、Jacob Schrum、Jialin Liu、 Simon M. Lucas、Adam Smith、Sebastian Risi
目前，检测胎儿及婴幼儿是否患有染色体病或基因组病的方法主要包括染色体微阵列分析（CMA）和低深度全基因组测序（CNV-seq）。
通常情况下，要获取某个区域内的格点数据，如果要求不是很高，直接采取矩形框挑选方法——即锁定所需范围内的经纬度，就能挑选出需要的数据。而对于不规则的范围，数据的匹配精度有一定要求，譬如，需要严格按照某个特定区域的shapefile文件来截取数据。虽然，NCL官网提供了可行的解决方案，但是 shapefile_mask_data（包含在shapefile_utils.ncl中，官网有提供）也仅仅是较好地适用于2维的Lat-Lon数据，对于3维或者更高维度的数据，其处理效率非常低下。所以，针对于这个问题，在实际的操作中我给出了一个快速处理的方案，仅供参考：
对于FPGA设计，传统设计都是一个FPGA一个设计，产生一个Bit文件。这就是完整bit文件（full bit）。 有些文章中也称之为全工程比特文件。
上一次说过了物理内存由node，zone，page三级结构来描述。而node是根据当前的系统是NUMA还是UMA系统。假设我们当前是UMA系统架构，则只有一个node。
神经网络优化 说一个近年来神经网络方面澄清的一个误解。 BP算法自八十年代发明以来，一直是神经网络优化的最基本的方法。神经网络普遍都是很难优化的，尤其是当中间隐含层神经元的个数较多或者隐含层层数较多的时候。长期以来，人们普遍认为，这是因为较大的神经网络中包含很多局部极小值（local minima），使得算法容易陷入到其中某些点。这种看法持续二三十年，至少数万篇论文中持有这种说法。举个例子，如著名的Ackley函数 。对于基于梯度的算法，一旦陷入到其中某一个局部极值，就很难跳出来了。(图片来自网络，压缩有
论文题目涉及预后和免疫浸润两种表型。所谓预后，就是基因表达差异与生存率密切相关。因此，个人认为，预后价值并不能算作表型，因为差异表达与生存率相关可以算是基本条件。但是，并不是所有的差异表达都与免疫浸润密切相关。
上次我们说过解决cpu和dma访问内存一致性问题有两种方法，一种是一致性映射，一种是流式映射。无论哪种，本质都是避免cache带来的影响，要么一步到位直接把cache关了，要么只在dma传输数据过程中才关cache。不过很明显前者由于关了cache，则会带来性能的影响。
2022 年 9 月，行业巨头 Adobe 宣布将以高达 200 亿美元的价格收购知名 UI 和 UX 设计工具套件制造商 Figma。消息一出，设计圈迅速给出大量负面反应。
生物体需要通过不断合成和降解物质来维持自身的内稳态（Homeostasis）。细胞内物质的降解主要通过两种途径进行：泛素化蛋白酶体途径（Ubiquitin-proteasome system, UPS）和自噬溶酶体途径（Autophagy-lysosome pathway, ALP），后者即是我们耳熟能详的自噬（Autophagy）。自噬是细胞利用溶酶体将自身物质降解使之得以循环利用的现象。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
