1、2的10次方=1kb;
2、2的12次方=4kb;
3、2的20次方=1mb;
4、1kb*1kb=1mb;
5、1mb*1kb=1g;
6、線性位址（4g,實體地址）=目錄項（directory,10bit,1kb)+表（table,10bit,1kb)+頁幀（offset=page frame,12bit,4kb，幀表示最小單位)
=page table（20bit,directory+ table)+頁（4kb)
a.此項中的加可以理解位bit的加，kb的乘；
b.可以看到實體地址是以bit為單位，即尋找的是最小單位是位，而page table（頁表）是以4kb為最小單位，尋找的是page frame；這樣操作的目的是便於作業系統管理及提高管理效率；
c.為便於上述關係的理解，我們可做如下模擬：
32位定址空間（4gb)相當於乙個倉庫裡有4g個物料（此時的物料相當於計算機裡面的bit),如果我們以最小物料為單位，同時這些物料全部雜亂無章地擺放在這個倉庫，那麼我們尋找乙個物料，我們就需要從第乙個物料一直向第4g個物料尋找，效率非常低。那麼我們該如何解決這個問題呢？首先，我們不以物料為最小單位，我們以房間（頁）為最小基本單位（至於為什麼要分頁，也困惑了我很長時間，其實很簡單的乙個道理，一般來說，軟體在大資料量中查詢乙個資料，也是乙個乙個找的，就好比我們要在人海中找乙個人，也必須乙個乙個挨著找，但是倘若我們把這些人海分成乙個乙個塊，每個塊都具有相同的某種屬性（就好比如果把人分成男、女，尋找時間就少了一半），我們先知道他們在哪個塊，那麼我們只需要在這些塊中（人數相對而言就非常少）尋找，效率提高了幾百倍都不止，但是每個頁包含多少字最好，是1k，2k還是4k，我目前也不知道，只是知道，這些塊中的字無論太多還是太少，都不利於cpu對位址的命中率，即降低了計算機的效率)。
假設乙個房間中可以裝4k個物料（4k個物料都具有某一種相同的屬性，譬如胡蘿蔔、白菜等等），那麼我們每次只需要在4k個字中尋找我所需 要的資料，而不是在4g個字中尋找我所需要的資料了，對比之下可想而知了。
有了頁這個基本量，我們就只需要管理這些房間了，但是如果要裝4g個物料，每個房間可以裝4k個，我們最少需要1m個（100萬）房間，100萬依舊是乙個龐大的數字，目前有如下幾種管理方式：
a.胡蘿蔔房間號位0---1萬，白菜為1萬01到2萬，包菜為3萬01到4萬等等，這樣資料來了，我們就知道把對應的資料往對應的倉庫去放置；
b.不連續分配位址空間，譬如胡蘿蔔4k打包放置在第1個房間，剩餘的就沒有胡蘿蔔了，那麼我們把白菜打包成4k乙個房間放置在2-150，包菜放置在151-300，如果後面再來白菜，我們就放置在301-400等等；
這樣對倉庫管理者而言，我們只需要管理這個記錄本，就可以很高效地管理整個系統了。此時記錄各個房間對應的房間號的本子，我們就叫做頁表，頁表只是實體地址向上抽象的一層，便於管理者對實體地址的管理。
同時，通過這個模擬，也可以清晰地看到，管理方法（即演算法）差異的重要性，即：白菜、胡蘿蔔、包菜等等各需要多少個房間，是連續分配還是斷續分配，每一種菜如果不是整數怎麼辦？還有菜被取走了如何辦？需要後續學習補充；
於此同時，還遇見乙個問題：倘若我們有100萬個房間號,但是實際上，沒有給我100萬個房間，那該如何處理呢？此時，虛擬記憶體便粉墨出場了。此時就將沒有用到的空間暫存在備用倉（硬碟上），再把需要的page呼叫到記憶體中，對於系統而言，他們就相當於獨享4g記憶體空間。
d.乙個倉庫（記憶體）的最小管理單位是房間（頁），頁表就是記錄的房間號表；
數學計算的一些東西
哎 丟臉了 丟臉了 學了這麼久了 階乘今天搞了十幾分鐘，要不然就是縮排錯了，要不然就是少了乙個冒號，num int input 請輸入乙個數字 factorial 1 檢視數字是負數，0 或 正數 if num 0 print 抱歉，負數沒有階乘 elif num 0 print 0 的階乘為 1 ...
一些數學優化計算的工具
snopt 大規模線性 二次和非線性規劃 minos 線性與非線性規劃 lancelot 無約束最優化 非線性最小二乘 邊界約束最優化和一般約束最優化問題 minpack 非線性方程組和非線性最小二乘問題 proc nlp 無約束最優化 非線性最小二乘 線性約束最優化 二次規劃和一般約束最優化問題 ...
一些簡單的數學題
鑑於 ccf 欽定不考 fft 和 ntt 不在這裡寫有關 fft 和 ntt 的題。cf1278f cards 題目大意 你有一副牌，這副牌一共 n 站牌，其中有一張是 joker 你想隨機從中抽一張牌，抽 n 次，設共抽到 x 次 joker 現在你想直到 x k 的期望是多少。1 le n,m...