墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
99平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Linux基础命令之：实验内容及小结-嵌入式系统-与非网
嵌入式系统是现代科技领域中的重要组成部分，而Linux作为一种广泛使用的操作系统，在嵌入式系统开发中扮演着重要角色。本文将介绍一些常用的Linux基础命令，并提供相应的源代码示例，以帮助读者更好地理解和应用这些命令。
ls -l
cd /home/user/documents
pwd
mkdir new_directory
Linux下的嵌入式系统开发：从基础到进阶，全面掌握嵌入式开发技术！
🏆本文收录于「编程与技术实战」专栏，此专栏涵盖了C/C++编程、人工智能、数据结构、机器学习等技术领域的内容，助你早日登顶实现财富自由🚀；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！
实验四 嵌入式 linux C语言程序设计实验
1. 根据前面所述库文件创建流程，请编写一个Makefile文件实现自动编译，以完成该库文件的创建工作。 2. 设计一个linux C语言程序，完成文件的复制工作。要求通过使用read()函数和write()函数复制“/etc/passwd”文件到“test”文件中，文件名当程序运行时从键盘键入。
北林嵌入式系统期末复习重点
选择填空判断 嵌入式系统的定义和特点 定义：以应用为中心，计算机技术为基础，软硬件高度定制，适用于对功能、能耗、成本、体积、可靠性有严格要求的专用计算机系统 特点： 专用性 可靠性 实时性 低功耗 可裁剪 嵌入式系统的组成结构、存储设备的分类 结构： 嵌入式应用软件 嵌入式操作系统 嵌入式处理器（嵌入式系统核心） 嵌入式外围设备 嵌入式处理器分类： MCU：微控制器：也叫单片机。8051。 MPU：微处理器：ARM、
基于Linux的嵌入式系统实验环境搭建
摘要：本文详细介绍了在Windows虚拟机中搭建嵌入式Linux实时操作系统的实验环境。通过Buildroot工具链构建精简的嵌入式Linux系统，相比Ubuntu更轻量（内核仅几MB）、配置更简单，且支持PREEMPT_RT实时补丁。实验环境搭建包括：安装VirtualBox、创建Ubuntu VM、配置Buildroot（ARM架构、实时内核选项）、构建系统镜像。实验方案涵盖内核编译、裁剪（可缩减20-30%体积）和扩展（添加自定义模块），并支持QEMU模拟测试。该方案聚焦核心功能，避免桌面系统复杂性，
合肥工业大学嵌入式系统原理实验报告
GPKDAT 的6、7引脚设置低电平，设置GPKDAT = 0x30则34灯亮12灯灭，GPKDAT 的4、5、6、7引脚全为高电平，设置GPKDAT = 0xf0，则led灯全灭。注意在烧写时要连接主机后面的USB接口，烧写完成后，要关闭开发板电源，将S2拨动开关置于NAND位置，然后重新开启开发板电源， 则开发板运行刚刚烧入的裸机程序。实验修改要求：在延时不变的条件下，将原程序中四个LED全亮，然后全灭的显示状态，修改为“四个全亮，然后1和2亮（3和4灭），然后3和4亮（1和2灭），最后全灭”。
Linux系统基础命令及实验环境操作指南
Linux操作系统是开源的、以Unix为基础的类Unix操作系统。它由世界各地的开发者通过互联网合作开发。Linux以其稳定性和灵活性，被广泛应用于服务器、桌面电脑、超级计算机以及各种嵌入式系统中。这一章我们将讨论Linux的历史、特性及其在现代计算世界中的地位。Linux操作系统是由Linus Torvalds于1991年首次发布，最初是作为学生的一个兴趣项目。后来，由于其开源特性，社区的开发者开始为其贡献代码，使Linux系统得以快速发展和完善。
基于OkHttp3+Retrofit2+RxJava3搭建响应式网络框架
本文介绍了一个基于OkHttp3+Retrofit3+RxJava3的响应式网络框架设计。该框架采用分层架构，OkHttp3负责底层网络请求，Retrofit3封装HTTP接口，RxJava3实现响应式流处理。核心亮点包括：1)高度解耦的分层设计；2)统一的异常处理和响应体封装；3)RxJava3实现线程切换和请求管理；4)MVVM架构适配，业务层只需关注数据逻辑。框架提供了完整的实现方案，包括全局配置、拦截器、响应转换、接口声明、仓库封装等组件，并支持生产环境扩展功能如Cookie持久化、Token刷新等
YOLOv8改进——引入可变形卷积DCNv3
本文只讲解在YOLOv8的代码中添加DCNv3的操作流程, 具体的原理参见上述的链接~是pytorch实现的版本，只要基础的pytorch环境安装正确就不会出错。是C++实现版本，必须先在上一步编译成功，或者安装好了轮子，否则会报错。但是在实际的训练过程中，C++版本的运行速度更快，推荐使用C++版本。(具体怎么修改，都可以自己决定，然后通过实验看看效果如何)文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。中，下图中的列表里添加。
VFIO框架源码分析（二十二）- IOMMUFD 的脏页跟踪与 Dirty Bits 读取
在虚拟化热迁移（Live Migration）的场景中，脏页追踪（Dirty Page Tracking）是最具挑战性的环节之一。它的核心任务是实时捕获设备（DMA）对内存的写操作，以便 VMM（如 QEMU）知道哪些内存页需要被重新传输到目标主机。在强耦合与粗粒度：脏页追踪是绑定在 Container 上的。这意味着，如果一个 Container 内有多个设备，哪怕只有一个设备在写内存，脏页追踪也会影响 Container 内的所有设备。软件模拟开销大。
Android Google 支付接入
1. 从 2023 年 8 月 2 日起，所有新应用都必须使用结算库版本 5 或更高版本。自 2023 年 11 月 1 日起，现有应用的所有新版本都必须使用结算库版本 5 或更高版本。 2. 如果您的应用以 Android 14 或更高版本为目标平台，您必须更新到 PBL 5.2.1 或 PBL 6.0.1 或更高版本。
Python 爬虫进阶：淘宝热卖商品价格走势抓取、反爬与分析全流程
在大数据时代，数据是商业决策的重要依据。电商平台上的商品价格走势，对于商家调整经营策略、消费者选择购买时机都有着关键的参考价值。本篇文章将深入解析如何利用 Python 爬虫抓取淘宝热卖商品的价格走势数据，并应对其中的反爬机制，最后对数据进行分析，带领大家领略 Python 爬虫在电商领域的强大应用。
药物代谢仿真软件：PKSim_（6）.案例研究与实践应用
通过本章的案例研究和实践应用，我们展示了如何利用PKSim软件构建药物动力学模型、进行参数估计、仿真预测和结果分析。这些方法不仅有助于优化药物代谢研究过程，还可以在药物研发中提供重要的数据支持。通过模型的构建和验证，我们可以更好地理解药物在体内的动态变化过程，为临床试验和药物治疗提供科学依据。
把 ST03 的历史数据留得更久：ABAP Workload 统计保留期设置、原理与落地避坑指南
SAP ST03性能数据保留期配置指南 ST03/ST03N是SAP系统性能分析的核心工具，但默认数据保留期通常较短（3个月左右），难以满足跨季度对比、年度规划等需求。本文详细解析了ST03数据保留期的配置方法及注意事项： 数据存储机制：性能数据存储在监控库中，通过定期重组作业清理过期数据 配置路径：7.0+系统在"Workload Collector Database→Reorganization→Control"中按Profile分别设置 关键限制：保留期最大值建议不超过99，否则可
第五章：转矩脉动的成因与抑制技术：从根源到解决方案
本文摘要： 转矩脉动是电机运行中的关键问题，涉及电磁、机械和控制三大因素。电磁因素包括谐波、齿槽转矩和磁饱和；机械因素涵盖动平衡和轴承缺陷；控制因素涉及测量误差和死区效应。解决方案采用多层面优化：硬件上通过斜极设计和死区补偿（提供算法代码）降低脉动70%；控制上采用扰动观测器和谐振控制器进行动态抑制；针对齿槽转矩开发离线学习+在线查表补偿方案。测试环节建立振动噪声量化评价体系，包括加速度计测量和A计权声学评估。最终形成从设计到控制的系统化抑制策略，显著提升电机静音性、平顺性和寿命。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1230
扫一扫
