Project1 malloc/free的实现方案二：参考实现 参考、复现、测试并详细分析以下实现思路和代码（70分）。 加分项（30分）：下面的代码没有做线程/进程同步和互斥处理，因此是线程不安全的。同学们可以加入进行同步互斥的代码，以保证动态内存分配时的线程安全。 动态内存分配机制包含内存分配和内存释放 lab7以“页”为粒度来进行动态内存分配现在我们希望通过mallo

理论知识agent的定义：大模型时代的 AI Agent = LLM × （规划+记忆+工具） Al Agent是一种能够感知环境、进行决策和执行动作的智能实体。 运行过程：接受用户输入 → 推理 + 记忆检索 → 工具调用 → 更新状态 → 再次行动 接受外部输入:（例如用户查询） 结合短期和长期记忆进行推理：（例如利用 CoT、ReAct 等推理框架） 调用外部工具或数据库：（如检

从内核态到用户态实验概述在本章中，我们首先会简单讨论保护模式下的特权级的相关内容。特权级保护是保护模式的特点之一，通过特权级保护，我们区分了内核态和用户态，从而限制用户态的代码对特权指令的使用或对资源的访问等。但是，用户态的代码有时不得不使用一些特权指令，如输入输出等。因此，我们介绍了系统调用的概念和如何通过中断来实现系统调用。通过系统调用，我们可以实现从用户态到内核态转移，然后在内核态下执行特权

深度强化学习传统的RL算法有个很大的问题在于它是一种表格方法，就是根据过去出现过的状态，统计和迭代Q值。 基于表格的方法局限性很大：（对未知的泛化能力弱） 一方面适用的状态和动作空间非常小，对于图像和高维度离散状态、连续域状态无法直接适用； 另一方面对于一个状态从未出现过，这些算法是无法处理的 DQN算法：将Q-learning和深度神经网络结合（直接结合是naive DQN），并引入两个

内存管理实验概述 学习如何使用位图和地址池来管理资源 实现在物理地址空间下的内存管理 学习并开启二级分页机制=>实现在虚拟地址空间下的内存管理 基于分页机制，我们可以将连续的虚拟地址空间映射到不连续的物理地址空间。对于同一个虚拟地址，在不同的页目录表和页表下，我们会得到不同的物理地址。开启了分页机制后，程序中使用的地址是虚拟地址。我们需要结合页目录表和页表才能确定虚拟地址对应的物

并发与锁机制实验概述使用硬件支持的原子指令来实现自旋锁SpinLock => 可以用来实现线程互斥然后使用SpinLock来实现信号量，最后使用SpinLock和信号量来给出两个实现线程互斥的解决方案。 ddl：5.18 实验任务：Assignment 1 代码复现题1.1 代码复现在本章中，我们已经实现了自旋锁和信号量机制。现在，同学们需要复现教程中的自旋锁和信号量的实现方法，分

理论内容回顾PyTorch重安装conda（虽然与pytorch没什么大关系）由于我将ai实验移动到ubuntu里来做，所以我重新在这里安装一下conda。（先使用miniconda了） 1wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh 安装完如果发现重启了终端也无法查找到 conda --ver

比赛结果： NS-2025-00 须弥识花大赛 解题报告（Writeup）一、赛题理解与任务目标本次比赛模拟须弥地区的生态危机，任务目标是构建一个具备泛化能力的花卉识别 AI，能够在复杂环境下准确分类多种花卉种类。 从技术角度看，本题实质为一个 多类图像分类任务，即输入为一张图像，输出为其对应的花卉类别标签。该任务可归结为监督学习问题，挑战点在于： 样本环境多变（雨天、晴天、被踩踏等） 类

人工神经网络介绍单层感知机 由于M-P神经元模型参数需要事先设定好，为了能够自适应学习出所需要的参数，研究人员就提出了单层感知机(Perceptron) 感知机的基本公式为：y(𝑥)=𝑠𝑖𝑔𝑛(𝑤𝑥+𝑏) sign为符号函数，当自变量为正数时取值为1，否则取值为0 多层感知机 包含三个层次：一个输入层，一个或多个中间层(也叫隐藏层，hidden layer) 和一个输出

参考资料链接：TEX Live指南2025LaTeX 入门 - OI Wiki 安装 [!NOTE]本文是在windows下的安装记录+vscode配置使用 通过官网进行安装，下载 install-tl-windows.exe ，跟着指令继续做即可 安装好后，需要将bin加入环境变量，此处我是加入 E:\software\texLive2\texlive\2025\bin\windows 到环境