A. CACHE替換演算法有哪幾種，分別簡要說明
其代表演算法有：①Hybrid演算法：演算法對Cache中的每一個對象賦予一個效用函數，將效用最小的對象替換出Cache；②LowestRelativeValue演算法：將效用值最低的對象替換出Cache；③（LCNR）演算法：該演算法使用一個關於文檔訪問頻次、傳輸時間和大小的推理函數來確定替換文檔；④Bolot等人提出了一種基於文檔傳輸時間代價、大小、和上次訪問時間的權重推理函數來確定文檔替換；⑤SizeAdjustLRU（SLRU）演算法：對緩存的對象按代價與大小的比率進行排序，並選取比率最小的對象進行替換
擴展知識:
Cache是一種根據程序局部性原則，通過小容量速度快的存儲器緩存部分數據，以減少處理器對慢速大容量存儲器的訪問次數，從而提升處理器取指效率的機制。Cache替換演算法是指當Cache缺失發生後，Cache按某種機制選中高速緩存中的某個地址進行數據更新。Cache替換演算法對Cache的命中率有較大的影響。目前主流的Cache替換演算法有偽隨機、先進先出(FIFO——First In First Out)和最近最少使用(LRU——Least Recently Used)等。相較於偽隨機和先進先出演算法，LRU演算法更符合程序局部性原則(當前執行的程序代碼，在不久後會再次訪問該代碼段)，Cache的命中率更高，但其硬體資源消耗非常大。
傳統的LRU演算法對Cache的每一路進行統計，在需要替換時，將最近最少被使用的那一路替換。由於傳統LRU演算法的數據使用頻率統計為向上計數，故其計數器計數位寬較大，且需要額外的機制來處理計數溢出的情況。
B. 計算機組成原理-----替換演算法
fifo先進先出演算法 有abc 三個存儲空間 每個空間能存放一個元素按照隊列方式
進出，以此是 a b c 命中率=abc中訪問到的次數/元素個數
------------------2 1 0 此時存儲空間已滿 要調用新的元素就要出隊列
------------------4 2 1 下一個元素2在b內 訪問成功一次
------------------。。。。 以此類推
--------------最後3 1 2 最後一個元素又從存儲單元里訪問到一次 所以2/11
fifo+lru：同上加上最近雖少使用。列出上面的表格按隊列進入 把最長時間沒使用到的替換掉 一共訪問到2這個元素3次 所以就是3/11
C. 反向傳播演算法的演算法簡介
反向傳播演算法（backpropagation）是目前用來訓練人工神經網路（artificial
neural
network，ann）的最常用且最有效的演算法。其主要思想是：
（1）將訓練集數據輸入到ann的輸入層，經過隱藏層，最後達到輸出層並輸出結果，這是ann的前向傳播過程；
（2）由於ann的輸出結果與實際結果有誤差，則計算估計值與實際值之間的誤差，並將該誤差從輸出層向隱藏層反向傳播，直至傳播到輸入層；
（3）在反向傳播的過程中，根據誤差調整各種參數的值；不斷迭代上述過程，直至收斂。
反向傳播演算法的思想比較容易理解，但具體的公式則要一步步推導，因此本文著重介紹公式的推導過程。
1.
變數定義
上圖是一個三層人工神經網路，layer1至layer3分別是輸入層、隱藏層和輸出層。如圖，先定義一些變數：
表示第層的第個神經元連接到第層的第個神經元的權重；
表示第層的第個神經元的偏置；
表示第層的第個神經元的輸入，即：
表示第層的第個神經元的輸出，即：
其中表示激活函數。
2.
代價函數
代價函數被用來計算ann輸出值與實際值之間的誤差。常用的代價函數是二次代價函數（quadratic
cost
function）：
其中，表示輸入的樣本，表示實際的分類，表示預測的輸出，表示神經網路的最大層數。
3.
公式及其推導
本節將介紹反向傳播演算法用到的4個公式，並進行推導。如果不想了解公式推導過程，請直接看第4節的演算法步驟。
首先，將第層第個神經元中產生的錯誤（即實際值與預測值之間的誤差）定義為：
本文將以一個輸入樣本為例進行說明，此時代價函數表示為：
公式1（計算最後一層神經網路產生的錯誤）：
其中，表示hadamard乘積，用於矩陣或向量之間點對點的乘法運算。公式1的推導過程如下：
公式2（由後往前，計算每一層神經網路產生的錯誤）：
推導過程：
公式3（計算權重的梯度）：
推導過程：
公式4（計算偏置的梯度）：
推導過程：
4.
反向傳播演算法偽代碼
輸入訓練集
對於訓練集中的每個樣本x，設置輸入層（input
layer）對應的激活值：
前向傳播：
，
計算輸出層產生的錯誤：