1. 绪论 机器学习的概念 不需要确定性编程就可以赋予机器某项技能 Performance Task Experience，程序使用E在T上获得了P的提升，就是学习 按照任务种类分：回归、分类、聚类、降维

记录我在使用pyinstall打包客户端应用的时候，遇到的一些跨平台问题。 Windows7 适配问题 1 LoadLibrary: PyInstaller FormatMessageW failed. python 3.9 开始不再适配win 7，如果软件要在 win 7上运行，python环境最高是3.8 win7 缺失的动态运行加载库 1 无法启动此程序,因为计算机中丢失api-ms-win-core-path-l1-1-0.dll尝试重新安装该程序以解决此问题。 缺啥补啥，把DLL文件放入程序根目录文件夹，或者放到C:/windows/System32下。不过一般这个问题不会单独出现，是由于pyinstaller打包的时候，一些动态加载的库没被放进来。

复习课纲要 第一章 Amdal 定律 对定律的理解（任务不变的情况下，速度的提升、加速比）、加速的极限 应用题 6’*5 网格和线程块的布局，计算全局id 并行、并发、线程束、全局id、CPU多核与GPU众核 程序分析题 10*2 给代码写结果、分析为什么会有这种结果 CPU多核 10*2 数据划分：明确每个部分处理的数据范围 任务并行：线程池实验 CUDA编程 15*2 具体的问题，设计网格与线程块，或者给了线程块，只需要设计网格； 主函数中的固定流程；关键在写核函数；

本文通过编写CUDA核函数，以矩阵转置等5个问题为例，利用GPU众核对大规模问题的求解加速。 矩阵转置 算法流程 将需要转置的矩阵存储到GPU内存中。 在GPU上分配空间存储转置后的矩阵。 定义CUDA核函数来实现矩阵转置。该核函数应该使用线程块和线程格的概念来处理矩阵中的所有元素。在每个线程块中，线程可以使用共享内存来处理数据。最后，利用全局内存将结果写回到GPU。 调用CUDA核函数以执行矩阵转置。 将转置后的矩阵从GPU内存复制到主机内存中。 释放GPU内存 代码实现 在传统代码的基础上，利用共享内存优化访问全局内存的方式，同时使用padding操作，避免bank冲突。

贝叶斯公式趣解 贝叶斯学派认为没有什么是随机的，如果有，那一定是信息不够（香农信息论）； 统计学中的贝叶斯学派就引出了后来机器学习中的贝叶斯学。 贝叶斯公式给了我们一种能力，即在事件发生后，通过事件发生前的各种概率进行推理的能力。 无意中使用贝叶斯的例子：一个笑话——水是剧毒的，因为罹患癌症的人都喝过水。 无意中被贝叶斯欺骗的例子：检出率很高的诊疗方法（准确率99.9%），误诊率是极高的(>50%)。因为自然人群中患病率(<1%)。 概率论统计学真是任人装扮的小姑娘。

本文将用两个实例来实战使用pthread进行多线程编程，主要包含两个部分： 以数据划分的方式并行计算PI值 基于生产者—消费者模式进行线程池开发，具体的业务处理逻辑将被简化，重点表现线程管理和同步 计算Pi 思路简述 依据莱布尼兹公式，通过多线程计算较多的次数，逼近$\pi$ 。用多线程的方式进行数据划分、即每个线程分担处理部分数据，从而进行加速。 同时由于多线程访问全局的结果可能会有冲突，因此使用互斥量和信号量组织线程有序将局部结果加到全局结果中。