-
CUDA 语义
CUDA 语义 3.1 设备分配 3.2 异步执行 3.2.1 CUDA 流 3.3 内存管理 3.4.1 设备诊断 3.4 使用固定的内存缓冲区 3.5 使用 nn.DataParallel 代替多线程处理 译者署名 CUDA 语义 异步执行 CUDA 流 内存管理 最佳实践 设备无关代码 使用固定的内存缓冲区 使用... -
10.5 IO流的典型应用
10.5 IO流的典型应用 10.5.1 输入流 10.5.2 输出流 10.5.3 快捷文件处理 10.5.4 从标准输入中读取数据 10.5.5 管道数据流 10.5 IO流的典型应用 尽管库内存在大量IO流类，可通过多种不同的方式组合到一起，但实际上只有几种方式才会经常用到。然而，必须小心在意才能得到正确的组合。下面这个相当长的例子展示... -
Java 8 并发教程：同步和锁
Java 8 并发教程：同步和锁 同步 锁 ReentrantLock ReadWriteLock StampedLock 信号量 Java 8 并发教程：同步和锁 原文：Java 8 Concurrency Tutorial: Synchronization and Locks 译者：飞龙 协议：CC BY-NC-SA... -
torch.autograd的简要介绍
torch.autograd 的简要介绍 背景 在 PyTorch 中的用法 Autograd 的微分 可选阅读-使用autograd 的向量微积分 计算图 从 DAG 中排除 进一步阅读： torch.autograd 的简要介绍 原文：https://pytorch.org/tutorials/beginner/blitz/auto... -
14.4 优先级
14.4 优先级 14.4.1 线程组 14.4 优先级 线程的优先级（Priority）告诉调试程序该线程的重要程度有多大。如果有大量线程都被堵塞，都在等候运行，调试程序会首先运行具有最高优先级的那个线程。然而，这并不表示优先级较低的线程不会运行（换言之，不会因为存在优先级而导致死锁）。若线程的优先级较低，只不过表示它被准许运行的机会小一些而已。 ... -
Distributed communication package - torch.distributed
Distributed communication package - torch.distributed Basics Initialization TCP initialization Shared file-system initialization Environment variable initialization Groups Po... -
14.6 总结
14.6 总结 14.6 总结 何时使用多线程技术，以及何时避免用它，这是我们需要掌握的重要课题。骼它的主要目的是对大量任务进行有序的管理。通过多个任务的混合使用，可以更有效地利用计算机资源，或者对用户来说显得更方便。资源均衡的经典问题是在IO等候期间如何利用CPU。至于用户方面的方便性，最经典的问题就是如何在一个长时间的下载过程中监视并灵敏地反应一个... -
14.5 回顾runnable
14.5 回顾runnable 14.5.1 过多的线程 14.5 回顾runnable 在本章早些时候，我曾建议大家在将一个程序片或主Frame 当作Runnable 的实现形式之前，一定要好好地想一想。若采用那种方式，就只能在自己的程序中使用其中的一个线程。这便限制了灵活性，一旦需要用到属于那种类型的多个线程，就会遇到不必要的麻烦。 当然，如果... -
5.2 Java访问指示符
5.2 Java访问指示符 5.2.1 “友好的” 5.2.2 public ：接口访问 5.2.3 private ：不能接触！ 5.2.4 protected ：“友好的一种” 5.2 Java访问指示符 针对类内每个成员的每个定义，Java访问指示符public ，protected 以及private 都置于它们的最前面——无论它们是一... -
9.3.2 进程与线程
9.3.2 进程与线程 9.3.2 进程与线程 操作系统控制处理器在多个程序之间切换执行的过程称为调度。传统的多任务操作系统是以进程为单位进行调度的。进程（process）是指程序的一次执行所形成的实体，每当程序 开始执行，就会创建一个进程。每个进程由程序代码以及一些状态信息（如进程数据的当前 值和当前执行点等）组成，状态信息也称为进程的上下文。 注...
