本篇是《通用图形处理器设计-GPGPU编程模型与架构原理》的阅读笔记 基础gpu基础结构可以参照 在上面已经提到线程块调度器会将线程块发送给对应的处理器，而处理器将执行线程块中所有线程。但是线程网格和线程块都是用户指定的，而硬件资源是有限的，例如寄存器端口，执行单元数量等。如果线程块的数量过大，那么执行一条指令就需要很多周期的时间，而且不好调度。因此处理器中真正的调度单位是线程束，线程束的大小是根

介绍tage分支预测器论文 tage-sc-l分支预测器 tage分支预测器是现代高性能处理器中常用的预测器，他使用pc和全局历史作为输入，通过哈希得到index和tag进行查表，并且谨慎的只更新少数表来减少表项的占用。在一些测试集中可以达到95%以上的准确率且低于5MKPI 预测tage分支预测器由一个base表和多个tage表组成。 base表是一个类gshare预测器，使用pc的哈希作为i

自动操作是一款基于无障碍服务的安卓软件，可以提供自动点击，滚动，条件跳转等操作。 启用 首先点击设置按钮开启无障碍服务及关闭电源优化，然后开启服务，只有在开启服务后才能进行后面的设置。 悬浮球用于需要手动启动的配置，可以在配置页选择配置，然后点击悬浮球开始自动操作 配置添加配置 如图所示点击右下角的+号可以新建配置。点击配置右侧的三个点可以进入配置页面，长按进行删除和置换位置。点击可以选择下次触发

理解遗传算法思路来源于基因进化。即基因会随机突变，复制（生出新个体），最终适应的种群将会繁衍（找到最优解）。本质上是一种并行的搜索算法，可以自适应的得到最优解。 因此遗传算法的几个关键点是定义突变，复制过程，定义搜索空间和如何选择优良个体（定义适应度） 过程 随机的创建种群（例如二维搜索中随机的创建搜索点） 定义适应函数（二维搜索中和终点的距离） 选择出适应的个体作为父母进行繁衍 通过交叉和复制产

简介recast navigation是基于三角形网格的寻路系统，他相比四边形网格可以减少网格数量从而提高网格速度。它具体可以分为两部分，recast和detour。recast是构建寻路网格的过程，detour是利用网格寻路的过程 recast过程划分参考 具体构建过程是根据Sample_SoloMesh.cpp中的handleBuild 体素化在体素化阶段，mesh将被转化成体素（一个个小的长

深度优先和广度优先可以参考这篇文章 a*算法可以参考这篇文章 b*算法b*搜索相对于a*搜索速度快了几十倍，但是他不能够保证最优解，和贪心算法有些类似。 定义： 探索节点：起始探索节点为原点 自由探索节点： 还可以进行下一步的探索节点 绕爬探索节点： 如果前方有阻挡，探索节点将试图绕过阻挡，绕行中的探索节点称为绕爬节点 算法过程： 起始，探索节点为原点，向目标进发 自由节点在前进过程中判断前

基本流程 基本流程为： 使用autoscan生成configure.scan文件，然后重命名为configure.acconfigure.ac里面包含一些自动检查的内容 执行aclocal，configure.ac中的宏实际上是m4宏的一个封装，这条命令将会吧ac宏解析成m4宏 执行autoconf， 它会生成configure脚本 执行autoheader，它会根据configure.ac中的

set_property xsim.view F:/vivado/project/tcpu/src/testbench/dcache.wcfg

基础例： 12345678910111213141516171819假定文法为：(1) S->aAcBe(2) A->b(3) A->Ab(4) B->d将abbcde归约到S栈 动作a 进aab 进abaA A->baAb 进baA A->AbaAc 进caAcd 进daAcB B->daAcBe 进eS

最大流最小割问题可以参考这篇博客 graph cut思想能量函数 其中前一项是区域项。而后一项是边界项。而函数的优化目的是找能量最低的位置。 首先我们需要一些种子点标注它是前景还是背景，然后我们可以根据前景点和后景点构建概率直方图。图中的含义是p节点的前景的区域概率为p节点在前景直方图的概率的负对数。 而边界项的计算公式为 也就是说随着颜色差异和距离的增大，B在减小。 gprah cut的目的