线程2

 

线程只有一个内核对象和有个栈,几乎不涉及记录活动,所以不占用内存。

 

 

 

注意:线程函数必须以这种形式定义:

DWORD WINAPI ThreadProc( LPVOID lpParam )

伪句柄:

GetCurrentProcess()

GetCurrentThread()

 

返回内核对象的伪句柄,不是真正的句柄,不会影响进程内核对象的使用计数。不需要closeHandle。

 

 

将伪句柄转换成真正的句柄

DuplicateHandle()

 

example:

duplicateHandle(

 getCurrentProcess(),

 GetCurrentThread(),

  getCurrentProcess(),

 &thread,

 0,

FALSE,

DUPLICATE_SAME_ACCESS)

 

线程挂起:

1、在创建线程时,使用create_suspend

2、调用SuspendThread(thandle)

 

 

线程恢复:

rusumeThread()

 

 

用户模式下的线程同步

1、原子访问

LONG InterLockedExchangeAdd(&x,+/-1/2);不会切换到等待状态,浪费资源

2、关键段(可切换到等待状态)

 

 

 

3、Slim读写锁

 

SRWLOCK srwlock;

InitialSRWLock(&srwlock);//初始化

 

AcquireSRWLockExclusive(&srwlock)//排它锁

ReleaseSRWLockExclusive(&srwlock)

 

AcquireSRWLockShared(&srwlock)//共享锁

ReleaseSRWLockShared(&srwlock)

 

slim读写锁和关键段差不多,但是性能比关键段好

 

4、条件变量(前三种用来互斥,保护临界区,这种是用来同步的)

 

1、

CONDICTION_VARIABLE VAR;

CRITICAL_SECTION cs;

SleepCondictionVariableCS(

var,//变量

cs,//关键段

INFINITE//等待时间

0/condiction_variable_lockmode_shared//0:以独占形式访问。

)

 

 

SleepCondictionVariableSRW(

var,//变量

srw,//slim读写锁

INFINITE//等待时间

0/condiction_variable_lockmode_shared//0:以独占形式访问。

)

 

 

WakeCondictionVariable(&cs)

 

 

内核对象进行同步

1、事件内核对象

事件的用途是:让一个线程执行初始化工作,人然后再触发另一个线程,让他执行剩余的工作。当第一个线程完成时,会触发事件,另一个线程一直在等待该事件,它发现事件被触发,于是变成可调度状态。

CreateEvent

 

注意:如果为自动触发状态,那么被触发后,事件会自动设置为非触发状态(具体见核心编程5版P239)

设置事件为触发状态:

Setevent(Hevent)

 

设置事件为非触发状态:

Resetevent(Hevent)

 

 

关闭事件

CloseHandle(Hevent)

 

为了实现线程间的同步,不应该用人工重置的事件对象(因为人工不会改变事件状态,所以2个线程或者以上都可以不受阻碍地进入同一段保护区),应该使用自动重置事件对象。当执行完毕后应该用setEvebt将其设置为有信号状态。

2、信号量内核对象(用来同步)

1、createSemaphore

 

 

2、WaitForSingleObiect

通过调用等待函数,并传如信号量的句柄,如果大于1,则减1并继续运行。

3、releaseSemaphore增加信号量

 

3、互斥内核对象

CreateMutex

具体同上,用WaitForSingleObiect等待函数,并传如信号量的句柄,如果为0为触发状态,releaseMutex来减少计数

 

 

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【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
评论
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