Windows平台APC机制使用说明

版权申诉
0 下载量 26 浏览量 更新于2024-10-18 收藏 11KB RAR 举报
资源摘要信息:"这份文档是关于Windows平台异步过程调用(APC)的使用说明。它详细介绍了APC的机制,对于已经了解APC机制的人员可以提供进一步的参考。文件以Apc.pdf命名,存于名为Apc.rar的压缩包中。" 知识点: 1. Windows异步过程调用(APC): APC是Windows操作系统中的一个内核对象,它允许用户模式下的线程安排一个例程在稍后被系统调用。这是Windows异步输入输出(I/O)模型的一部分,尤其适用于单线程环境。APC分为两种类型:普通APC和立即APC。 2. 普通APC: 普通APC由非特权线程发起,它会被排队到目标线程的APC队列中,当目标线程进入可等待状态时(比如调用SleepEx, SignalObjectAnd_wait等函数),系统会检查它的APC队列并调用排队的APC例程。 3. 立即APC: 立即APC由系统或其他高权限线程发起,它具有较高的执行优先级,可以打断目标线程正在执行的操作。这种类型的APC不需等待线程进入可等待状态,因此可以即时执行。 4. APC机制的工作流程: - 线程创建: 在Windows中,每个线程都有自己的APC队列。当线程被创建时,系统会为该线程分配一个空的APC队列。 - APC排队: 线程可以使用QueueUserAPC函数将APC例程排队到其他线程的APC队列中。 - APC等待: 当目标线程执行到一个等待状态时(比如等待I/O操作完成),系统会检查其APC队列。 - APC调度: 如果APC队列中存在APC例程,系统会唤醒目标线程,并在适当的时刻调度APC例程执行。这一过程通常发生在等待操作完成之后。 5. APC的应用场景: - 异步I/O操作: APC被用于实现异步文件操作,让线程在I/O完成时得到通知并处理结果,而无需阻塞等待。 - 线程同步: APC可以用于在线程之间进行同步,允许一个线程发起一个操作,然后等待另一个线程完成此操作。 - 定时操作: 使用APC可以实现定时任务,例如,系统可以在指定时间唤醒一个线程执行特定的任务。 6. APC的限制与注意事项: - APC只对用户模式线程有效,内核模式下的线程不受APC影响。 - 立即APC的使用需要小心,因为它们可以打断线程中的任何操作,可能会导致资源竞争或不一致的状态。 - APC例程不能执行同步操作,因为这可能导致死锁或循环等待。 - 在使用APC进行异步操作时,应当确保目标线程支持APC的排队和执行。 7. 使用APC时的编程实践: - 确保线程已经调用了Enable APC Dispathing函数来启用APC排队。 - 在调用QueueUserAPC之前,应当检查目标线程是否允许排队APC。 - 在APC例程中应当使用Try/except结构来处理潜在的异常,避免程序崩溃。 - 使用完APC后,应当调用Disable APC Dispathing函数,以防止后续的APC调用。 这份文档可以作为学习和参考Windows平台APC机制的一个重要资源,帮助开发者在编程时更好地理解和利用APC实现高效的任务管理和线程间通信。

TypeError Traceback (most recent call last) /tmp/ipykernel_1045/245448921.py in <module> 1 dataset_path = ABSADatasetList.Restaurant14 ----> 2 sent_classifier = Trainer(config=apc_config_english, 3 dataset=dataset_path, # train set and test set will be automatically detected 4 checkpoint_save_mode=1, # =None to avoid save model 5 auto_device=True # automatic choose CUDA or CPU /tmp/ipykernel_1045/296492999.py in __init__(self, config, dataset, from_checkpoint, checkpoint_save_mode, auto_device) 84 config.model_path_to_save = None 85 ---> 86 self.train() 87 88 def train(self): /tmp/ipykernel_1045/296492999.py in train(self) 96 config.seed = s 97 if self.checkpoint_save_mode: ---> 98 model_path.append(self.train_func(config, self.from_checkpoint, self.logger)) 99 else: 100 # always return the last trained model if dont save trained model /tmp/ipykernel_1045/4269211813.py in train4apc(opt, from_checkpoint_path, logger) 494 load_checkpoint(trainer, from_checkpoint_path) 495 --> 496 return trainer.run() /tmp/ipykernel_1045/4269211813.py in run(self) 466 criterion = nn.CrossEntropyLoss() 467 self._reset_params() --> 468 return self._train(criterion) 469 470 /tmp/ipykernel_1045/4269211813.py in _train(self, criterion) 153 return self._k_fold_train_and_evaluate(criterion) 154 else: --> 155 return self._train_and_evaluate(criterion) 156 157 def _train_and_evaluate(self, criterion): /tmp/ipykernel_1045/4269211813.py in _train_and_evaluate(self, criterion) 190 191 for epoch in range(self.opt.num_epoch): --> 192 iterator = tqdm(self.train_dataloaders[0]) 193 for i_batch, sample_batched in enumerate(iterator): 194 global_step += 1 TypeError: 'module' object is not callable

2023-07-12 上传