HNUCS-大三课程概览

本文详细介绍了计算机体系结构的课程内容,包括流水线原理、指令级并行,强调了附录C的难点和缓存部分。同时提到了人工智能导论课程,侧重基础原理。数据库课程关注基本原理和SQL使用,而计算机网络课程是大三重点,涵盖应用至物理层。算法设计与分析课程用于强化算法基础,编译原理课程讲解词法分析和优化。

计算机体系结构

关于课程

本门课程我的老师是罗老师,主要的课程内容应该也是罗老师修订的。这门课程主要了解的内容是基本流水线原理和指令级并行的内容。上半流水线,下半指令级并行。课程的内容比较少,感觉只占学时2/3。老师会反复讲重点内容的。以下是重点节:

1.2.6 1.3(这部分内容在附录A) 1.4.1 1.9

3.1 3.2 3.4&3.5

5.2&5.4(这部分内容在实验中学就够了)

附录A.1-A.8

附录B.1-B.3

附录C.1-C.4 C.7

前半的重点是看懂流水线图,可能会看到不同的流水线图。难点是附录C的部分。后半的重点是缓存部分和动态调度算法。不过缓存的部分在CSAPP中已经学过了,所以需要学的内容其实非常少。

关于教参

本门课程内容很少,没有推荐的网课,看书就差不多了。课程组没有统一的PPT,老师也是用很多不同的PPT的需要的部分来回切换。

教材是《计算机体系结构量化研究方法》。这本书的中文电子版、买到的中文第五版纸质、英文第六版,都互相存在一点不一致和有错的地方。第五版是以MIPS为例,第六版是以RISC-V为例,学的时候不要弄混了。看懂流水线的话老师会带大家看MIPS的,RISC-V的可看可不看吧,也不难,主要是讲课还是第六版教材,默认用的RISC-V,我在实验中的图例就直接用RISC-V的了。RISC-V的版本初看会有很多地方看起来很困难,要结合指令手册看,记得RISC-V使用动态分支预测。

教材是英文第6版准确一些(但是也有错),如果发现教材中的例题用了题里没有的数据,基本上就是教材的错误。还有一个MIPS与RISC-V不一致的地方,MIPS把简单分支判断放在ID阶段,但是这样会导致额外停顿。RISC-V在EX阶段进行分支条件判断,在ID阶段用分支预测的结果跳转。

关于实验

有三个实验,都非常简单。第一个需要多花一些时间认真完成,第一个基本上是复习前半的所学内容。后两个很简单,不需要多少时间,主要是理解原理。

关于考试

考试内容不是很常规。因为20级是第一次开,没有往年的试卷。今年的老师也说不会放出期末卷了,按照重点复习就行了。

project

我用verilog写了一个五级流水线的CPU(照书抄出来的),这也是许多学校的体系结构的大作业。感兴趣的可以去看看《自己动手写CPU》这本书,抄出来这个CPU也就知道流水线大概怎么回事了。(感觉没人会感兴趣,大多数人应该会喜欢AI相关方向的吧)。体系结构最好的project是一生一芯计划,但这个工程量很大,周期也很长。

人工智能导论

关于课程

这门课程主要是介绍人工智能的一些基本原理。对于想要走AI或者泛AI方向的同学可以多花一些时间学习好这门课程的内容。这门课程各种意义上很常规,正常完成就可以了。可以只看PPT,遇到问题或者不详细的地方看一下书,老师的PPT上标出了重点内容。有许多专业选修课都在讲人工智能相关的内容,很多课都会涉及,所以这部分内容应该没什么问题。

关于实验

只有最后一次要验收,很轻松。

关于考试

比较简单,可以找到之前的试卷,基本内容一致。

project/竞赛

人工智能的project相当多,有感兴趣的同学自己去找和做就OK了。比较出名的一个比赛/平台是Kaggle,有许多学习人工智能的同学会在这个平台上参加竞赛,可以去看一看。

数据库

关于课程

这门课程主要介绍数据库的基本原理,SQL的使用。整体非常简单,看书就可以了,上课也基本上是过书上的内容。

关于实验

课程实验是最后一次性验收所有的实验,实验不难,只是要花时间做,建议在学前面章节的时候就开始做,差不多期中的时候就可以完成大部分的内容了,不要等到最后一次性完成。

关于数据库/project

这门课程讲解的是最基本的数据库原理,太过基础了以至于没学太多数据库实现的内容。对想要进一步理解数据库的同学,可以深入了解数据库引擎,了解一些非关系型数据库(redis,rocksdb),数据库系统比较好的课程(如果要深入学习数据库可以尝试的课程)有CMU-15-445,MIT 6.830/6.814,这两门课程配套实验都是关于实现数据库的,比较硬核,不过做的人比较多,资料也还比较多。

计算机网络

关于课程

计算机网络基本上可以说是大三最重要的课程了,这门课程在工作/考/保研都会用到。这门课程也是内容最多的课程,而且这些内容甚至还远远不够,最好还要额外学很多东西才够用。本校课程只包含应用层,运输层,网络层,链路层,物理层没讲,但是也应该简单看一下(书上没有,看下面提到的网课就ok了,老师可能也会讲一些的)。这门课课时数少了,上课只能讲很少一部分东西,大部分的内容需要自己看,内容很分散,但是确实都很基础,很常用。

教材与参考

本校课程采用的教材是《计算机网络:自顶向下方法》,还有另一本常用的教材是谢希仁的计算机网络,两版的内容差不多,只是顺序不同。网课推荐https://www.bilibili.com/video/BV1c4411d7jb/?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click,这个是按照自底向上讲的,不过只是顺序和组织方式不一样,该讲的都讲到了,时长也比较少,加上教材就差不多够了。另外还有中科大的计网也比较好https://www.bilibili.com/video/BV1JV411t7ow/?spm_id_from=333.788.top_right_bar_window_custom_collection.content.click。无论配合哪个网课,读教材都是必要的,因为这一门课确实比较重要。

关于考试

考试题目是比较自由,发散性的问题,也没有往年试卷,还是要把整本书的内容都理解,不过印象中是没有考纯概念的。

关于实验

实验很简单,都是一些抓包实验,值得仔细研究一下,对于理解课程的内容,尤其是后两个实验对理解链路层工作还是很有帮助的。

project

最常见的项目就是web server,这也是一个C++开发方向人手一个的小项目,网上有很多资料和相关的源码。有时间可以自己动手实现一下,实现一个web server也是陈果老师的云计算课程的一个实验(应该会有许多同学选择这个课程,这门课还有一个实验是实现分布式数据库,感兴趣的话也可以去了解一下)。

算法设计与分析

关于课程

这门课程是把数据结构与算法最后快速讲的算法再仔细的讲一遍,配合许多经典的问题。可以趁这一门课好好补一下算法基础。配套的实验就是实现一些经典算法,难度不大。

关于算法
如果算法基础不太好,可以在大三上这个时间多刷一些题。我转入后才学C++,所以基础很一般,刷题的路线是ACWING算法基础课–>leetcode(hot100之类的)–>洛谷题单。算法比较好的同学按自己节奏来就行了。算法不好的同学可以参考我的路线。ACWING算法课的课程如果感觉讲的比较简单可以不看,但是模版是值得看和背的,会写和能准确无误的很快写出来还是有很大差别的。

编译原理

关于课程

这门课程主要讲编译原理的前端处理(词法分析,语法分析)和优化部分。本班组教学基本是按照中科大的编译原理来讲的,实验也是中科大的,中科大的讲法比较偏实践,因此课程内容也不太多。教材不怎么用到,基本上上课和PPT结合+网课补充就够了。本班组教的内容似乎是虎书的,另一个班组是龙书(黑色的编译原理),另一个班组讲的内容更多一些。总体来说,重点还是具体的方法。由于讲法不同,很多名词和方法都有一些差别,但是差别不算很大。 学的时候学一种方法,不要混着学不同的。

考试主要考察方法,核心内容是:

正则表达式转NFA

NFA到DFA(子集构造法)

DFA最小化(Hopcroft)

FIRST FOLLOW集的求法

LL(1)

LR(0) SLR LR(1)

抽象语法树

控制流图

代码优化

关于实验

前三个实验都比较简单,最后一个实验难度大一些,可以提前一些开始做。几次实验验收的时间很近,最好是按自己节奏提早完成。

大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法,旨在通过结合多种先进深度学习模型的优势,提升在复工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时间序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员,尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复时间序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。
代码下载地址: https://pan.quark.cn/s/f675b88243cd 《华大HC32L110库函数与例程详解》 华大HC32L110属于低功耗且高性能的微控制器,在众多嵌入式系统设计中具有广泛的应用,特别是在需要电池供电的物联网设备和便携式装置中表现出色。该微控制器的库函数与例程为程序设计者提供了重要的参考资料,包含了丰富的功能接口和示范性代码,从而辅助开发者迅速掌握并运用该芯片。库函数是事先编写完成且可反复使用的代码单元,针对HC32L110的特定硬件特性进行了优化,使得开发者无需深入探究底层机制,仅需调用相应的库函数即可达成预期功能。这些库函数一般涵盖了时钟管理、GPIO操控、ADC转换、串行通信(包含UART、SPI、I2C等形式)以及中断管理等多个方面。比如,若需将一个GPIO端口设置为输出模式并设定其电平状态,开发者可通过调用`HAL_GPIO_Init()`与`HAL_GPIO_WritePin()`函数来实现。 例程则是展示如何运用库函数的应用范例代码,它们具体说明了在实际操作中如何适当地调用库函数及设定相关参数。以HC32L110的串行通信例程为例,它可能涉及初始化UART接口、传输数据、接收数据等环节,借助这些例程,开发者能够清晰地洞察每个功能的具体实现途径。对于新手而言,例程是理解芯片特性及库函数使用的理想途径。 在华大HC32L110的库函数与例程中,通常包含以下核心组成部分: 1. **初始化函数**:诸如`SystemInit()`,其作用是配置系统时钟,作为其他功能的基础。 2. **外设驱动函数**:例如GPIO的`HAL_GPIO_xxx()`系列函数,ADC的`HAL_ADC_xxx()`函数等,用于管理和设定...
【多变量输入超前多步预测】基于CNN-BiGRU的光伏功率预测研究(Matlab代码实现)内容概要:本文研究基于CNN-BiGRU混合神经网络模型的多变量输入超前多步光伏功率预测方法,并提供了完整的Matlab代码实现。该模型结合卷积神经网络(CNN)强大的局部特征提取能力和双向门控循环单元(BiGRU)对时间序列前后向依赖关系的建模能力,能够有效处理光伏发电受光照强度、温度、湿度等多因素影响的非线性、非平稳特性,实现对未来多个时间步长的功率输出进行精准预测。研究涵盖了数据预处理、模型构建、训练优化及结果分析全过程,并通过实验验证了模型在不同天气条件下的预测性能,展示了其在提升预测精度方面的有效性。; 适合人群:具备一定机器学习和时间序列预测基础知识,从事新能源发电预测、电力系统调度或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于光伏发电站的功率预测系统,为电网调度、能量管理和电力交易提供数据支持;②作为深度学习在可再生能源预测领域应用的教学案例,帮助理解CNN与RNN类模型的融合机制;③为进一步研究更复的预测模型(如加入注意力机制)提供基础框架和技术参考。; 阅读建议:建议读者结合Matlab代码逐步复现文中实验,重点关注数据预处理流程、模型结构设计细节以及超参数调优策略,同时可尝试在不同数据集上验证模型泛化能力,以深入掌握多变量时间序列预测的关键技术要点。
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值