Описатели, что это такое в компьютере

Обновлено: 03.07.2024

Это оповещение успешно добавлено и будет отправлено по адресу:

Вы будете уведомлены всякий раз, когда будет цитироваться выбранная вами запись.

Чтобы изменить настройки предупреждений, нажмите кнопку ниже.

Новое предупреждение о цитировании!

Сохранить в подшивку

Транзакции ACM по языкам и системам программирования

Аннотация

Описатели данных, которые произошли от дескрипторов значений Уилкокса [16], представляют собой нотацию для представления объектов данных во время выполнения во время компиляции. Одной из основных причин разработки этой нотации была помощь в быстром создании генераторов кода, особенно для новых микропроцессоров. Каждый дескриптор данных содержит базу, смещение и уровень косвенности. Например, переменная x, расположенная по смещению 28 от базового регистра B3, представлена этим дескриптором данных: @B3.28. Общая форма дескриптора данных — @ k bdi, где k указывает количество уровней косвенности, b — основание, d — смещение, а I — индекс.

Описатели данных удобны для представления адресации на Фортране (со статическим размещением и общими блоками), на Паскале и Тьюринге (с автоматическим размещением и кадрами стека) и на более общих языках, таких как Euclid и PL/I. Эта универсальность дескрипторов данных позволяет генерировать код в значительной степени независимо от исходного языка.

Описатели данных могут кодировать режимы адресации типичных компьютерных архитектур, таких как IBM 360 и PDP-11. Эта универсальность дескрипторов данных позволяет генерировать код в значительной степени независимо от машины.

В этом документе описывается независимый от машины метод выделения памяти, использующий дескрипторы данных. Даны методы локальной оптимизации базовой арифметики и кода адресации с использованием дескрипторов данных. Зависимости целевой машины изолированы, так что часть генератора кода, которая обрабатывает высокоуровневую адресацию (такую как подписка), не зависит от машины. Методы, описанные в этой статье, доказали свою эффективность при быстрой разработке ряда генераторов производственного кода.

Дескриптор файла – это число, которое однозначно идентифицирует открытый файл в операционной системе компьютера. Он описывает ресурс данных и способ доступа к этому ресурсу.

Когда программа запрашивает открытие файла или другого ресурса данных, например сетевого сокета, ядро:

Предоставляет доступ.
Создает запись в глобальной таблице файлов.
Предоставляет программному обеспечению местонахождение этой записи.

Дескриптор определяется уникальным неотрицательным целым числом, например 0, 12 или 567. Для каждого открытого файла в системе существует по крайней мере один файловый дескриптор.

Описатели файлов впервые использовались в Unix и используются в современных операционных системах, включая Linux, macOS и BSD. В Microsoft Windows дескрипторы файлов называются дескрипторами файлов.

Обзор

Когда процесс делает успешный запрос на открытие файла, ядро возвращает файловый дескриптор, указывающий на запись в глобальной файловой таблице ядра. Запись таблицы файлов содержит такую информацию, как индекс файла, смещение в байтах и ограничения доступа для этого потока данных (только для чтения, только для записи и т. д.).

Стандартный ввод, стандартный вывод и стандартный вывод

В Unix-подобных операционных системах первыми тремя файловыми дескрипторами по умолчанию являются STDIN (стандартный ввод), STDOUT (стандартный вывод) и STDERR (стандартная ошибка).

Имя	Описатель файла	Описание	Аббревиатура
Стандартный ввод	0	Поток данных по умолчанию для ввода, например, в команде трубопровод. В терминале по умолчанию используется ввод с клавиатуры пользователем.	stdin
Стандартный вывод	1	Поток данных по умолчанию для вывода, например, когда команда печатает текст. В терминале по умолчанию используется экран пользователя.	stdout
Стандартная ошибка	2	Поток данных по умолчанию для вывода, относящегося к возникшей ошибке. В терминале по умолчанию используется экран пользователя.	stderr

Перенаправление файловых дескрипторов

К файловым дескрипторам можно получить прямой доступ с помощью bash, стандартной оболочки Linux, macOS X и подсистемы Windows для Linux.

Например, при использовании команды find успешные выходные данные отправляются на стандартный вывод (файловый дескриптор 1), а сообщения об ошибках отправляются на стандартный вывод (файловый дескриптор 2). Оба потока отображаются как выходные данные терминала:

Мы получаем ошибки, потому что find пытается выполнить поиск в нескольких системных каталогах, чтение которых у нас отсутствует. Все строки с надписью «Отказано в доступе» были записаны в stderr, а остальные строки — в stdout.

Вы можете скрыть stderr, перенаправив файловый дескриптор 2 на /dev/null, специальное устройство в Linux, которое «никуда не ведет»:

Ошибки отправляются в /dev/null и не отображаются.

Понимание разницы между stdout и stderr важно, когда вы хотите работать с выводом программы. Например, если вы попытаетесь собрать вывод команды find, вы заметите, что сообщения об ошибках не фильтруются, поскольку в grep передаются только стандартные выходные данные.

Однако вы можете перенаправить стандартную ошибку на стандартный вывод, и тогда grep обработает оба текста:

Обратите внимание, что в приведенной выше команде перед дескриптором целевого файла (1) стоит амперсанд ("&"). Дополнительные сведения о перенаправлении потока данных см. в разделе о конвейерах в оболочке bash.

Примеры создания и использования файловых дескрипторов в bash см. в примерах встроенной команды exec.

Опрос аппаратных транзакций системного ввода-вывода и их влияние на задержку, пропускную способность и другие факторы

Стин Ларсен, Бен Ли, Достижения в области компьютеров, 2014 г.

4.3.2 Упаковка дескриптора

Объединение дескрипторов можно использовать для уменьшения общей задержки получения. Например, размер дескриптора Ethernet обычно составляет 16 байт, и, таким образом, несколько дескрипторов могут быть прочитаны с одного дверного звонка [34] (например, четыре дескриптора будут считаны одновременно при размере строки кэша 64 байта). Это хорошо работает, когда сетевой адаптер выполняет предварительную выборку дескрипторов для пакетов DMA, которые будут получены в будущем.

Однако сервер, поддерживающий веб-транзакции или транзакции базы данных для тысяч сеансов в нескольких очередях дескрипторов, может не разрешать передачу пакетов дескрипторов. Это связано с тем, что организация дескрипторов передачи для упаковки тысяч сеансов может оказаться неэффективной, поскольку перед тем, как можно будет определить дескриптор, в системной памяти необходимо сформулировать передаваемые сообщения. Напротив, объединение дескрипторов передачи может быть полезным, когда обрабатываются большие многокадровые сообщения. Например, центр обработки данных, в котором несколько систем физически размещены в одном месте, может просто включить jumbo-кадры, что опять же может привести к сериализации дескриптора передачи, описанной ранее, что приведет к более длительным задержкам.

Инструменты для разработки химических продуктов

Аннотация

Молекулярные дескрипторы — это операции над свойствами молекулы (например, структура, химическая формула и т. д.), которые в конечном итоге присваивают номер, связанный с этим дескриптором, конкретной молекуле. Существуют тысячи молекулярных дескрипторов, которые использовались по-разному, от корреляции экспериментальных свойств до использования в автоматизированном молекулярном дизайне (CAMD), со многими промежуточными приложениями. В этой главе мы выделяем молекулярный дескриптор под названием Signature, впервые введенный в 1994 году для структурных исследований, но теперь используемый в различных областях, включая молекулярный дизайн. Мы представляем историю Signature, ее определение и ее использование с 2003 года по сегодняшний день в 2016 году. В заключении мы приводим основные моменты трех разных тематических исследований, демонстрирующих, как Signature использовалась в каждом из них.

Знакомство с Linux

Защищенный режим

Защищенный режим по-прежнему использует регистры сегментов, но вместо прямого предоставления части адреса значение в регистре сегментов (теперь называемое селектором) становится индексом в таблице Дескрипторы сегментов . Дескриптор сегмента полностью описывает блок памяти, включая, среди прочего, его базу и предел (см. рис. 3.6). Линейный адрес в физической памяти вычисляется путем добавления смещения логического адреса к основанию, содержащемуся в дескрипторе. Если результирующий адрес больше предела, указанного в дескрипторе, процессор сигнализирует об ошибке защиты памяти.

< бр />

Рисунок 3.6. Адресация в защищенном режиме.

Базовый адрес[31:0]: начальный адрес для этого блока/сегмента.

Limit[19:0]: длина этого сегмента. Это может быть либо длина в байтах (до 1 Мбайт), либо длина в 4 Кбайт страницы. Интерпретация определяется битом детализации.

Тип: 4-битное поле, определяющее тип памяти, который описывает этот сегмент

S 0 = этот дескриптор описывает сегмент «Система». 1=этот дескриптор описывает сегмент кода или данных.

Уровень привилегий дескриптора DPL: 2-битное поле, определяющее минимальный уровень привилегий, необходимый для доступа к этому сегменту.

P Present: 1=блок памяти, представленный этим дескриптором, присутствует в памяти. Используется в пейджинге.

G Гранулярность: 0 = интерпретировать лимит как байты. 1=Интерпретировать ограничение как страницы размером 4 Кбайт.

Обратите внимание, что если для бита детализации установлено значение 1, один дескриптор сегмента может представлять все адресное пространство размером 4 ГБ.

Обычные дескрипторы (S бит=1) описывают блоки памяти, представляющие данные или код. Поле типа состоит из четырех битов, где старший бит различает сегменты кода и данных. Сегменты кода являются исполняемыми, а сегменты данных — нет. CS может быть или не быть читаемым. Сегмент данных может быть доступен для записи. Любая попытка доступа, выходящая за рамки поля «Тип» — например, попытка выполнить сегмент данных — вызывает сбой защиты памяти.

Обработка, анализ и изучение изображений, фигур и форм: часть 2

Ю Ван, Джастин Соломон, Handbook of Numerical Analysis, 2019

4.4.6 Извлечение функций

Описатели, такие как тепловые и волновые сигнатуры ядра в Разделе 4.3, предоставляют мощные инструменты для поиска ключевых точек, которые могут быть кандидатами на соответствие ориентирам. Точно так же спектральную информацию можно использовать для обнаружения характерных точек и областей на поверхности. Например, обнаружение спектральной значимости сетки (Song et al., 2014) обобщает обнаружение спектральной заметности изображения (Hou and Zhang, 2007) на сетки: Проще говоря, вместо применения функции фильтра к собственным значениям, как при спектральной фильтрации, метод по существу применяется фильтр журнала собственных значений для усиления и выделения низкочастотной части спектра.

24-й Европейский симпозиум по автоматизированному проектированию технологических процессов

Роберт Х. Херринг III , Марио Р. Иден, компьютерная химическая инженерия, 2014 г.

1.1 Дескриптор подписи

Дескриптор сигнатуры представляет собой дескриптор на основе фрагмента, который кодирует среду вокруг центрального атома до заданной высоты, h. Пример этого показан ниже: Для структуры на рис. (1) двухатомная сигнатура высоты для обведенного кружком атома углерода включает все атомы на расстоянии двух связей от этого центрального атома. Кроме того, атомы, включенные в атомную сигнатуру высотой один, показаны справа. Соответствующие атомарные сигнатуры также выражены под обоими представлениями высоты. Каждый атом в молекуле будет иметь свою собственную атомную сигнатуру, и их сумма будет представлять соответствующую молекулярную сигнатуру. Дескриптор подписи был первоначально разработан Visco et al. (2002). агенты. Такое разнообразие исследований иллюстрирует применимость дескрипторов подписи во множестве областей.

Рисунок 1. Пример атомарных подписей высоты один и два

1.1.1 Дескриптор пространственной подписи

Большинство молекулярных дескрипторов, от простых конституциональных типов до более сложных топохимических индексов, могут быть получены из молекулярных сигнатур. Это позволяет решать существующие SAR (отношения структура-активность) в сигнатурном пространстве, сохраняя при этом предсказуемость исходного SAR вдоль с низкой вырожденностью, приписываемой сигнатурным дескрипторам, перечисляющим потенциальные решения. Однако исходное представление подписи ограничено захватом только двухмерной информации. Расширение дескриптора сигнатуры для включения пространственной информации дает преимущества от эффективности, наблюдаемой в предыдущих приложениях, и в то же время предлагает дискриминационную способность включения дескрипторов более высокой размерности в используемые модели свойств (Herring et al., 2012). Эта информация получена с помощью молекулярно-механического моделирования, используемого для получения информации о конформационной геометрии рассматриваемого химического пространства.

Машины для экстремального морфологического обучения, применяемые для обнаружения и классификации поражений молочных желез

Вашингтон Вагнер Азеведу да Силва , . Веллингтон Пинейру душ Сантуш, в книге «Расширенные парадигмы машинного зрения для анализа медицинских изображений», 2021 г.

3.2.1 Функции Харалика

Материалы 8-й Международной конференции по основам автоматизированного проектирования процессов

Роберт Х. Херринг III , Марио Р. Иден, компьютерная химическая инженерия, 2014 г.

1.1.1 Дескрипторы пространственной подписи

Большинство молекулярных дескрипторов, от простых конституциональных типов до более сложных топохимических индексов, могут быть получены из молекулярных сигнатур.Это позволяет решать существующие SAR (отношения структура-активность) в пространстве сигнатур, сохраняя при этом предсказуемость исходного SAR наряду с низкой вырожденностью, приписываемой дескрипторам сигнатур при перечислении потенциальных решений. Однако исходное представление подписи ограничено захватом не более чем двухмерной информации. Расширение дескриптора сигнатуры для включения пространственной информации дает преимущества эффективности, наблюдаемой в предыдущих приложениях, и в то же время предлагает дискриминационную способность включения дескрипторов более высокой размерности в используемые модели свойств (Herring et al. 2012). Эта информация получена с помощью молекулярно-механического моделирования, используемого для получения информации о конформационной геометрии рассматриваемого химического пространства.

Типы данных и ресурсы

Другие дескрипторы

Молекулярный дескриптор может быть получен из экспериментальных данных или рассчитан теоретически. Примеры молекулярных дескрипторов без отпечатков пальцев включают реактивность, форму, связывающие свойства, заряды атомов, молекулярные орбитальные энергии, граничные орбитальные плотности, молярную рефракцию, поляризацию, перенос заряда, дипольный момент, электрофильность, молекулярную и квантовую динамику. 73

Молекулярные дескрипторы генерируются с использованием инструментов, например, PaDEL-Descriptor, 74 OpenBabel, 75 RDKit, 36, 53 CDKit, 76 и E-Dragon. 77

Структурные двумерные дескрипторы хорошо работают в моделях, обрабатывающих бинарную информацию, таких как модели классификации и оценки вероятности класса 78, а также в изучении правил ассоциации. 79–81 Не существует универсального дескриптора, который бы лучше всего работал с любой моделью прогнозирования. Однако различные типы дескрипторов можно комбинировать в качестве входных данных для модели, чтобы повысить производительность.

Существует различное коммерческое и открытое программное обеспечение, базы данных и серверы, которые используют молекулярные дескрипторы для прогнозирования конечных точек токсичности: OECD QSAR Toolbox, 82 Derek Nexus, 83 FAF-Drugs4, 84 eTOXsys, 85 TOXAlerts, 86 Schrödinger's CombiGlide 87– 89 Predictor, Leadscope Hazard Expert, 90 VEGA, 91 METEOR. 83 ChemBench, 92 ChemSAR, 93 ToxTree, 94 Lazar, 95 admetSAR, 96 Discovery Studio 97 и Pipeline Pilot 98 — это инструменты на основе машинного обучения. Для получения более подробной информации см. обзор вычислительных методов в HTC от Hevener, 2018. 99

Кроме того, дескрипторы также могут быть рассчитаны для белковых структур. Было показано, что локальные дескрипторы помогают в описании соседства аминокислот. 100 Инструмент ProtDCal вычисляет числовую последовательность и структурные дескрипторы белков. 101 В другой публикации авторы разработали дескриптор последовательности (в матричной форме) наряду с глубокой нейронной сетью, которую можно было бы использовать для предсказания белок-белковых взаимодействий. 102

YouTube

Дана Ротман, Дженнифер Голбек, Анализ социальных сетей с помощью NodeXL, 2011 г.

14.3.1 Видео

Каждое видео на YouTube отображается на отдельной странице, но все видео-страницы имеют одинаковую компоновку, как показано на рис. 14.1.

< бр />

Рисунок 14.1. Страница видео YouTube, на которой представлено видео вместе с метаданными о нем и социальными инструментами для взаимодействия с другими пользователями.

Слева вверху отображается само видео под заголовком. Под заголовком раскрывающееся меню представляет имя автора и предлагает возможность просмотра других видео, созданных этим пользователем, и подписки на другие видео, созданные автором. Видеоэкран позволяет регулировать размер, громкость и качество отображения. Выпадающие меню в нижней части видео предлагают доступ к метаданным, связанным с видео:

Описание видео — предоставляется пользователем при первой загрузке видео

Теги — описывающие видео, заданные пользователем

Категория — выбирается пользователем из закрытого списка категорий, предоставленного YouTube

Вкладка

Просмотры, данные и статистика – показывает количество просмотров видео, а также другие данные о трафике видео с момента его загрузки, изменении просмотров и оценок во времени. , а также ссылки на видео с других сайтов, вызвавшие изменение его трафика. Карта отображает популярность видео в разных географических регионах на основе количества просмотров зарегистрированных пользователей, а также популярность видео в зависимости от пола и возраста. Также отображаются особые награды, которые получило видео, если таковые имеются (например, "самое просматриваемое").

Комментарии — отображаются на вкладке просмотров и статистики. Пользователи могут ответить на видео двумя способами: щелкнув вкладку внизу видео, ведущую к окну комментария, или создав видео-ответ и связав его с исходным видео (при загрузке видео пользователь может создать эту связь).На текстовые комментарии можно отвечать как на цепочки бесед, лайкать или не лайкать, а также классифицировать как спам. Это же можно сделать и с комментариями к видео, но только на его исходной, отдельной, странице, а не при отображении в качестве комментария. Еще один способ выразить мнение зрителя о видео — нажать кнопки «нравится/не нравится». Совокупное количество лайков/дизлайков отображается рядом со столбцом комментариев.

Под информационным окном есть кнопка, позволяющая зрителям вручную встроить видео в другие онлайн-инструменты (например, в личный блог, на веб-сайты) или непосредственно в свой профиль в нескольких приложениях социальных сетей (например, Facebook и Twitter) или в электронное письмо.< /p>

В правой части страницы представлен список связанных видео. Этот список основан на общих чертах видео, определяемых алгоритмом поиска YouTube, и на том источнике, из которого пользователь перешел к видео.

Слияние изображений с помощью глубокой сверточной нейронной сети

3.3.2.1 Регистрация на основе SURF

Дескриптор признаков SURF был предложен Х. Бэем [11] и работает по принципу анализа пространства в гауссовом масштабе. SURF считается выше SIFT из-за его быстрого времени вычислений, что дает право на различные текущие приложения, такие как отслеживание объектов, слияние изображений, обнаружение объектов и создание мозаики изображений [14]. Дескриптор SURF использует интегральные изображения [16] для ускорения времени обнаружения признаков [17]. Реализация алгоритма SURF включает следующие основные этапы:

Выбор характерных особенностей, таких как пятна, края, пересечения в определенных областях и углах на интегральном изображении. SURF использует быстрый детектор Гессе для обнаружения характерных точек.

Использование дескриптора для изображения окрестностей каждой характерной точки. Этот вектор признаков должен быть уникальным. В то же время выбранный вектор признаков должен быть устойчив к ошибкам, геометрическим деформациям и шумам.

Присвоение ориентации дескриптору ключевой точки реализовано путем вычисления ответов вейвлета Хаара по координатам изображения.

Наконец, сопоставление SURF выполняется с использованием метода ближайшего соседа.

DScribe – это программный пакет для машинного обучения, предоставляющий популярные преобразования признаков (дескрипторы) для моделирования атомарных материалов. DScribe ускоряет применение машинного обучения для предсказания атомарных свойств, предоставляя удобные для пользователя готовые реализации дескрипторов. В настоящее время пакет содержит реализации для матрицы Кулона, матрицы суммы Эвальда, матрицы синуса, тензорного представления многих тел (MBTR), функции симметрии с центром в атоме (ACSF) и плавного перекрытия атомных позиций (SOAP). Использование пакета проиллюстрировано для двух различных приложений: прогнозирование энергии образования твердых тел и прогнозирование ионного заряда атомов в органических молекулах. Пакет находится в свободном доступе под лицензией Apache License 2.0 с открытым исходным кодом.

Обзор программы

Название программы: DScribe

Лицензионные условия: Apache-2.0

Язык программирования: Python/C/C++

Дополнительный материал: дополнительная информация в формате PDF

Природа проблемы. Применение машинного обучения в материаловедении затруднено из-за отсутствия согласованных программных реализаций для преобразования элементов. Эти преобразования функций, также называемые дескрипторами, являются ключевым шагом в создании моделей машинного обучения для прогнозирования свойств в материаловедении.

Метод решения. Мы разработали библиотеку для создания общих дескрипторов, используемых в машинном обучении применительно к материаловедению. Мы предоставляем реализацию следующих дескрипторов: кулоновская матрица, матрица суммы Эвальда, синусоидальная матрица, многочастичное тензорное представление (MBTR), функции симметрии с центром в атоме (ACSF) и гладкое перекрытие атомных позиций (SOAP). Библиотека имеет интерфейс Python с подпрограммами, требующими больших вычислительных ресурсов, написанными на C или C++. Исходный код, учебные пособия и документация предоставляются онлайн. Механизм непрерывной интеграции настроен для автоматического запуска серии регрессионных тестов и проверки покрытия кода при обновлении кодовой базы.

Я немного начал работать с методами компьютерного зрения, в основном с глубоким обучением, но я хочу попытаться получить хорошее представление о более традиционных методах, а также для хорошей подготовки. Я играл с некоторыми методами ручного проектирования функций для классификации с помощью классификаторов RF и SVM. Я рассмотрел представления текстур, такие как дескрипторы HOG и LBP, а также краевые фильтры, фильтры Габора и пространственные функции, такие как дескрипторы Фурье. Чего мне не хватает, так это хорошего представления о том, как группируются различные функции и к каким категориям они принадлежат. Я знаю, что некоторые из них определяются как глобальные и локальные, но что именно это означает и какие именно? и есть ли другие категории, такие как текстура и геометрия, которые я должен учитывать?Любое объяснение будет полезно и высоко ценится (я много искал в Интернете, но все кажется немного фрагментарным)

1 Ответ 1

Функции – это информация, извлеченная из изображений в виде числовых значений, которые человеку трудно понять и сопоставить. Предположим, мы рассматриваем изображение как данные, информация, извлеченная из данных, известна как функции. Как правило, функции, извлеченные из изображения, имеют гораздо более низкий размер, чем исходное изображение. Уменьшение размерности снижает затраты на обработку набора изображений.

В основном есть два типа функций, извлекаемых из изображений на основе приложения. Это локальные и глобальные особенности. Функции иногда называют дескрипторами. Глобальные дескрипторы обычно используются при поиске изображений, обнаружении и классификации объектов, тогда как локальные дескрипторы используются для распознавания/идентификации объектов. Существует большая разница между обнаружением и идентификацией. Обнаружение — это обнаружение существования чего-либо/объекта (определение того, существует ли объект на изображении/видео), тогда как Распознавание — это обнаружение личности (распознавание человека/объекта) объекта.

Глобальные признаки описывают изображение в целом для обобщения всего объекта, тогда как локальные признаки описывают фрагменты изображения (ключевые точки на изображении) объекта. К глобальным функциям относятся представления контуров, дескрипторы формы и функции текстуры, а локальные функции представляют текстуру в фрагменте изображения. Матрицы формы, инвариантные моменты (Hu, Zerinke), градиенты, ориентированные на гистограмму (HOG) и Co-HOG, являются некоторыми примерами глобальных дескрипторов. SIFT, SURF, LBP, BRISK, MSER и FREAK — вот некоторые примеры локальных дескрипторов.

Как правило, для приложений низкого уровня, таких как обнаружение и классификация объектов, используются глобальные функции, а для приложений более высокого уровня, таких как распознавание объектов, используются локальные функции. Сочетание глобальных и локальных функций повышает точность распознавания с побочным эффектом дополнительных вычислительных ресурсов.

Читайте также: