contributed by < weiso131 > 因為自動飲料機而延畢的那一年 閱讀這篇文章時，讓我更加慶幸自己當初選擇了資訊工程系。撰寫程式最大的優勢之一，就是可以迅速獲得回饋，立刻發現錯誤並加以修正。相比之下，處理硬體問題往往需要漫長的等待才能看到結果，調整流程也更加費時。 然而，現實世界中的應用往往不僅限於純軟體開發，而是與各種領域密切結合。有些領域本身就具有長回饋週期，這是無法避免的。因此，除了持續鞏固自己的專業能力，更要培養與其他領域專家有效溝通與合作的能力，這對於實際解決跨領域問題至關重要。 大一的時候，我曾嘗試探索當時十分熱門的機器學習領域，學習各種套件的使用，也了解了深度學習的基本原理。然而，這些知識並未讓我成功訓練出實用的模型。網路上的教學多半強調：若要對模型做出有效的改進，必須深入理解資料本身。然而不同的資料往往涉及不同的領域知識，除了統計學，幾乎每一種資料都需要跨領域的背景才能真正掌握。 這讓我意識到，單純投入模型訓練本身並不會帶來知識的有效累積，因為每換一個資料集，就得從頭學起一個新領域。這樣的過程讓我感到挫折，也逐漸看清了一件事：也許「訓練模型」本身，並不是適合我長期投入的方向。

contributed by < weiso131 > 第三周測驗一 填空 AAAA: (n + d - 1) / d BBBB: 0x7fffffff CCCC: n + m DDDD: 1 EEEE: mpi_gcd(rop, op2, r)

contributed by <weiso131> 開發環境 $ gcc --version gcc (Ubuntu 13.3.0-6ubuntu2~24.04) 13.3.0 Copyright (C) 2023 Free Software Foundation, Inc. This is free software; see the source for copying conditions. There is NO warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. $ lscpu

contributed by < weiso131 > :::danger 注意項目的使用，亦即用 ## 和 ### ::: 鍵盤事件處理 觀察程式 發現 xo-user.c 藉由修改 kxo_state 這個 sysfs 來修改 attr_obj

contributed by < weiso131 > 第一週測驗 1 填空 AAAA : &l BBBB : before CCCC : &(*p)->next DDDD : item->next 程式運作原理

contributed by <weiso131> Linux 核心專題: 並行化的 Redis 實作 Userspace RCU 的 flavor RCU 最常用在處理讀取多於寫入的情況，犧牲寫入的效能來最大化讀取操作。 RCU 一次只能有一個寫入者，這以 lock 保護。寫入的邏輯是先做出一個物件 (此時讀取端仍可自由讀舊物件)，然後更新 atomic 指標來指向新的物件。atomic 指標更新後，新的讀取端就會讀到新的物件。這讓寫入端完全不會擋到讀取端，適合讀取遠大於寫入的情況。 其中衍生的問題就是舊物件該如何釋放，若在讀取端仍在讀取舊物件時釋放會造成 segmatation fault ， 而更新完 atomic 指標後，到安全釋放舊物件的時間， 稱為 grace period。 要如何維持 grace period 的正確性，同時避免無止盡的等待，根據使用環境的不同， 會利用不同的 flavor 來解決問題。

matplotlib和pytorch衝突處理方法 在import torch之後，再做pyplot的畫圖，可能會導致kernel dead，解決方法如下 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 函數引入 import torch from torch import nn #可以呼叫模型、損失函數.... from torch import optim #引入優化器具 import torch.nn.functional as F #可以呼叫模型、損失函數....