PRML 基础知识

PRML 回归的线性模型 Python微信订餐小程序课程视频 https://edu.youkuaiyun.com/course/detail/36074 Python实战量化交易理财系统 https://edu.youkuaiyun.com/course/detail/35475 ​ ​ ​ 线性模型最简单的形式就是输入变量的线性模型,但是,将一组输入变量的非线性函数进行线性组合,我们可以得到一类更加有用的函数,本章我们的讨论重点就是输入变量的非线性函数的线性组合。 1 线性基函数 ​ ​ ​ 回归问题最简单的形式就是输入变量的线性函数,即 y(x,w) 阅读详情

Python微信订餐小程序课程视频

https://edu.youkuaiyun.com/course/detail/36074

Python实战量化交易理财系统

https://edu.youkuaiyun.com/course/detail/35475

1 一个经典例子

​ 一个经典的例子就是Polynomial Curve Fitting问题,现在将以此为基础介绍一些基本概念和方法。该问题的主要思路是针对给定的训练集x≡(x1,x2,⋯,xN)Tx≡(x1,x2,⋯,xN)T\mathbf{x}\equiv(x_1,x_2,\cdots,x_N)T与t≡(t1,t2,⋯,tN)Tt≡(t1,t2,⋯,tN)T\mathbf{t}\equiv(t_1,t_2,\cdots,t_N)T,选取适当的模型(在这个问题中是多项式模型)和适当的参数集w=(w0,x1,⋯,wM)Tw=(w0,x1,⋯,wM)T\mathbf{w}=(w_0,x_1,\cdots,w_M)^T使得与拟合结果

y(x,w)=w0+w1x+w2x2+⋯+wMxM=∑j=0Mwjxjy(x,w)=w0+w1x+w2x2+⋯+wMxM=∑j=0Mwjxjy(x,\mathbf{w})=w_0+w_1x+w_2x2+\cdots+w_MxM=\sum_{j=0}Mw_jxj
相应的误差函数(error function)

E(w)=12∑n=1N{y(xn,w)−tn}2E(w)=12∑n=1N{y(xn,w)−tn}2E(\mathbf{w})=\frac12\sum_{n=1}N{y(x_n,\mathbf{w})-t_n}2
最小,这样的参数集ww\mathbf{w}可能就是符合题意的答案。下面指出该思路可能会出现的问题并给出解决办法。

​ 当参数集ww\mathbf{w}中的参数数量MMM过少的时候,通常来说得到的结果拟合程度不足,这时应该适当增加参数数量。然而当参数数量过多的时候,可能会出现拟合过度的情况,即对给定的数据集,模型和参数拟合的很好,但是不能对新的自变量xxx给出合适的因变量估计,这种情况称为过拟合(over-fitting),过拟合出现的原因是对数据集中的噪声进行了过度的重视,导致拟合结果会倾向于将噪声纳也入模型中。出现这种的情况的时候,应该适当减少参数的数量。

​ 评价拟合的合理性的时候,我们仍然使用误差函数,其中的参数集取为已确定的w∗w∗\mathbf{w^*},即

E(w∗)=12∑n=1N{y(xn,w∗)−tn}2E(w∗)=12∑n=1N{y(xn,w∗)−tn}2E(\mathbf{w*})=\frac12\sum_{n=1}N{y(x_n,\mathbf{w*})-t_n}2
但是此时的表达式的值与训练集中的NNN有关,为了直观比较不同NNN的误差函数,现定义**根均方误差(RMS)**如下

ERMS=2E(w∗)N−−−−−−−√ERMS=2E(w∗)NE_{RMS}=\sqrt{\frac{2E(\mathbf{w^*})}{N}}
这是某种意义上的单位化。

​ 虽然现在我们有了基本方法比较不同拟合程度的优劣,但是对于过拟合的情况,仍然没有量化的方法直接指出应该选择什么规模的参数集。一般来说,参数集规模越大,拟合函数的阶数(order)就会越高,则越有可能出现过拟合的情况,因此使用正则化(regularization)方法在误差函数上增加一项惩罚项(penalty term),得到

E(w)=12∑n=1N{y(xn,w)−tn}2+λ2||w||2E(w)=12∑n=1N{y(xn,w)−tn}2+λ2||w||2\tilde{E}(\mathbf{w})=\frac12\sum_{n=1}N{y(x_n,\mathbf{w})-t_n}2+\frac{\lambda}{2}||\mathbf{w}||^2
其中λλ\lambda决定了惩罚项的重要程度,称为正则化参数(regularization coefficient),在求解的时候应选择合适的λλ\lambda的值。这种方法在统计学中被称为收缩(shrinkage)方法。二次正则项的一个特殊情况称为山脊回归(ridge regression)。在神经网络中,这种方法又被称为权值衰减(weight decay)。

2 概率论

2.1 概率论基础知识

​ 概率论基础知识已经学过,此处不再赘述。

2.2 贝叶斯观点

​ 通常的概率观点基于重复事件的频率,认为概率及其模型是真实存在的,而事件本身是随机的,这称为概率的经典解释或频率解释(classical or frequentist interpretation of probability)。然而概率还有一种贝叶斯解释(Bayesian interpretation of probability),该观点基于不断的观测和修正,认为真实出现的事件是一种确定的存在,而模型和参数是不确定的随机变量,应随着样本的增加不断修正先验的概率分布。

​ 对于Polynomial Curve Fitting问题来说,我们不妨认为模型是真实存在且确定的,我们需要做的就是根据训练集给出合适的参数集从而解决问题,这是频率主义的思路。但是我们也可以通过同一问题的不同规模的数据集来逐步修正我们的参数集、甚至可以随着数据集规模的增加而否定已经选择的模型,这是贝叶斯主义的思路。

​ 贝叶斯方法的理论基础是贝叶斯定理(Bayes’ theorem),下面以Polynomial Curve Fitting问题为例说明贝叶斯定理更一般的含义

p(w|D)=p(D|w)p(w)p(D)p(w|D)=p(D|w)p(w)p(D)p(\mathbf{w}|D)=\frac{p(D|\mathbf{w})p(\mathbf{w})}{p(D)}
我们的猜想用ww\mathbf{w}表示,也就是说,每次计算完成之后都可能会修正ww\mathbf{w},至于是否修正ww\mathbf{w}取决于p(w|D)p(w|D)p(\mathbf{w}|D)的值。DDD用来表示新的观测值(在Polynomial Curve Fitting问题中可认为是新的数据集)。因此p(w|D)p(w|D)p(\mathbf{w}|D)的意义是在新观测值(新数据集)下猜想ww\mathbf{w}仍然正确的概率,p(D|w)p(D|w)p(D|\mathbf{w})的意义是已知猜想ww\mathbf{w}正确的前提下可以表示(导出)新观测值(新数据集)的概率。通过此式可以评估猜想ww\mathbf{w}是否随着观测量(数据集)的变化仍然具有较高的合理性。如果仍然具有较高的合理性,那么就是说在新观测值(新数据集)下猜想ww\mathbf{w}正确的概率较大;如果不具有较高的合理性,那么就是说在新观测值(新数据集)下猜想ww\mathbf{w}正确的概率较小。

​ 在上述贝叶斯定理中,每个名词都有约定俗称的名称。p(w)p(w)p(\mathbf{w})称为ww\mathbf{w}的先验概率(prior)或边缘概率,之所以称为“先验”是因为它不考虑任何DDD方面的因素,也就是某个猜想的初始概率,在一些问题中我们提出一些备选猜想,不妨设它们的初始概率相同;p(w|D)p(w|D)p(\mathbf{w}|D)是已知DDD发生之后的条件概率,也由于得自DDD的取值而被称为ww\mathbf{w}的后验概率(posterior),后验概率是经过新的数据集DDD训练之后猜想ww\mathbf{w}正确的概率、是经过学习的结果,可以用来指导决策;p(D|w)p(D|w)p(D|\mathbf{w})是ww\mathbf{w}成立时DDD的概率,也就是假设猜想ww\mathbf{w}正确从而得到DDD的概率,可称为相似度(likelihood)或类条件概率密度;p(D)p(D)p(D)是DDD的先验概率或边缘概率,也称作标准化常量,其含义是任何猜想都未知或不确定时的DDD的概率。那么贝叶斯公式可以表示为

后验概率=相似度×先验概率标准化常量后验概率=相似度×先验概率标准化常量\text{后验概率}=\frac{\text{相似度}\times\text{先验概率}}{\text{标准化常量}}
那么就有如下的导出关系

后验概率∝相似度×先验概率(posterior∝likelihood×prior)后验概率∝相似度×先验概率(posterior∝likelihood×prior)\text{后验概率}\varpropto\text{相似度}\times\text{先验概率}\
(\text{posterior}\varpropto\text{likelihood}\times\text{prior})
​ 在频率主义和贝叶斯主义中,都有一个概念叫做似然函数(likelihood function),它描述了在一次试验中取某一观测情况的概率。由于似然函数可以用来评价不同猜想(参数集)下取某一事件的概率,故往往和某一猜想(参数集)结合使用。根据这样的观点,似然函数就是p(D|w)p(D|w)p(D|\mathbf{w})。如果对任意可能的观测情况,似然函数都能取到最大值,那么此时的猜想(参数集)显然是合理的,这就是极大似然(maximum likelihood)方法的原理。在频率主义中,ww\mathbf{w}被认为是固定的参数,它的值通过某种形式的估计(比如说通过极大似然方法确定的极大似然估计)来确定,并且这个估计的误差通过可能的数据集DDD来得到(比如说极大似然估计的误差函数可取广义距离的平方和);而在贝叶斯主义中,只有一个数据集DDD(即实际观测的数据集),认为ww\mathbf{w}服从某种形式的概率分布,故其不确定性通过ww\mathbf{w}的概率分布来表达。

​ 关于极大似然方法的基础知识已经在概率论课程中已经学过,此处不再详细介绍。

​ 本专题将主要基于贝叶斯主义的方法,并在必要的时候介绍一些频率主义的方法。

2.3 再论经典例子

​ 之前我们解决Polynomial Curve Fitting问题的时候采用的是曲线直接拟合的思路,现在从概率角度再次思考这个问题。现在我们有一系列假设(一系列参数集{w1,w2,w3,⋯}{w1,w2,w3,⋯}{\mathbf{w_1},\mathbf{w_2},\mathbf{w_3},\cdots})并选择一个参数集ww\mathbf{w}作为暂时的假设,当给定某一个新的输入x0x0x_0的时候,真实的输出ttt暂时是未知的,但根据已有假设我们可以得到一个预测量t0=y(x0,w)t0=y(x0,w)t_0=y(x_0,\mathbf{w})。不妨认为输出是一个随机变量,直观来看,如果假设是合理的,那么t=t0t=t0t=t_0的概率就应该较大。现认为输出符合**正态分布(或高斯分布,Gaussian distribution)**且这个预测值t0t0t_0就是该正态分布的期望,随着输入的变化,输出可能会对应不同的正态分布。设输入为xxx,则输出ttt的概率满足

p(t|x,w,β)=N(t|y(x,w),β−1)p(t|x,w,β)=N(t|y(x,w),β−1)p(t|x,\mathbf{w},\beta)=N(t|y(x,\mathbf{w}),\beta^{-1})
此式的含义为:在假设ww\mathbf{w}正确并选择参数ββ\beta的前提下输入xxx,得到的值ttt恰好为模型的预测值y(x,w)y(x,w)y(x,\mathbf{w})的概率满足参数β−1β−1\beta^{-1}的条件下的正态分布。也就是说,在假设ww\mathbf{w}正确并选择参数ββ\beta的前提下输入xxx,输出的ttt的概率表达式为

P(t)=12π−−√β−1−−−√exp{−(t−y(x,w))22β−1}P(t)=12πβ−1exp{−(t−y(x,w))22β−1}P(t)=
\frac{1}{\sqrt{2\pi}{\sqrt{\beta{-1}}}}\text{exp}{-\frac{(t-y(x,\mathbf{w}))2}{2\beta^{-1}}}
对于给定训练集而言,有NNN个数据点可供使用,因此可设极大似然函数为

p(t|x,w,β)=∏n=1NN(tn|y(xn,w),β−1)p(t|x,w,β)=∏n=1NN(tn|y(xn,w),β−1)p(\mathbf{t}|\mathbf{x},\mathbf{w},\beta)=\prod_{n=1}NN(t_n|y(x_n,\mathbf{w}),\beta{-1})
对数处理可得

lnp(t|x,w,β)=−β2∑n=1N{y(xn,w)−tn}2+N2lnβ−N2ln(2π)ln⁡p(t|x,w,β)=−β2∑n=1N{y(xn,w)−tn}2+N2ln⁡β−N2ln⁡(2π)\ln p(\mathbf{t}|\mathbf{x},\mathbf{w},\beta)=
-\frac\beta2\sum_{n=1}N{y(x_n,\mathbf{w})-t_n}2+\frac{N}{2}\ln\beta-\frac{N}{2}\ln(2\pi)
一般来说,先通过某些方法得到wMLwML\mathbf{w_{ML}}(比如说从一系列的候选ww\mathbf{w}中选出一个wMLwML\mathbf{w_ML}),然后上式便只剩下了一项待估计的ββ\beta,使其求导式等于零,

<<模式识别与机器学习 (Pattern Recognization and Maching Learning)>>(PRML) 总结 \quadBishop 的大作《模式识别与机器学习》(Pattern Recognization and Maching Learning),简称为PRML,这本书被认为是贝叶斯方法的扛鼎之作,我有幸忙里偷闲地把这本书通读了一遍并且也把各个章节的习题几乎完成了一遍,可以见我的博客,作为看完这本书最后一个环节,我想为我看完这本书做一个总结。总结分为如下几个部分,分别是阅读此书可以采取的方法,本书主要内 阅读详情

相关推荐

PRML阅读笔记

1.最前面 作为一个搞机器的人,因为毕设的需要,接触了图像处理和机器视觉的知识。渐渐地发现,只会一些最基本的图像处理的知识,是没有资格谈论这门学科的。在研一的时候,被推荐这本书,由于当时接触的模式识别和机器学习的知识并不多,凭着自己的兴趣在学习。当时这本书还是一本英文书,很多词汇即使翻译成中文也不知所云,于是读读停停,读到第七章稀疏向量机,再也读不下去了。前面几章的东西也忘记的厉害,最后只得作罢

simplelove17的专栏 4051

PRML学习——1.2 贝叶斯公式推导

笔者最近在学习Bishop的PRML,由于本书十分的经典,因此准备好好研读,将其中理解的部分写成博客,加深印象和理解。同时在学习的过程中自身也遇到了很多数学上的问题,希望能和各位大佬们相互交流 首先要介绍的就是概率论中贝叶斯定理的推导。大家都知道贝叶斯定理就是 但是贝叶斯定理是怎么来的呢?PRML里有着贝叶斯定理的推理过程。 我们先看图1,这张图是两个随机变量X和Y的情况,其中X可以取值...

qq_25215921的博客 506

PRML第一章读书小结

PRML第一章读书小结     第一章用例子出发,较为简单的引入了概率论、模型、决策、损失、信息论的问题,作为机器学习从业者,读PRML除了巩固已有基础,还受到了很多新的启发,下面将我收到的启发总结如下。 1. 多项式曲线拟合问题 多项式拟合问题作为全书的第一个引例,通过此说明了很多关键的概念。 给定一个训练集,训练集由$x$的N次观测组成,记作$math...

飞剑客的博客 1000

《PRML》学习笔记2.2——多项式分布和狄利克雷分布

    上回讲完了伯努利分布、二项分布和Beta分布,以及从最大似然估计的非参数化思想和引入共轭先验,使得参数变成一个变量,建模求解的参数化方法两方面介绍了求解模型参数的方法。没有读过的朋友可以参考:《PRML》学习笔记2.1——伯努利分布、二项分布和Beta分布,从贝叶斯观点出发     今天将为大家介绍两个更难理解的分布——多项式分布和狄利克雷分布。 1.多项式变量和多项式分布     ...

Phoenix的博客 3289

机器学习学习笔记 PRML Chapter 1.5 : Decision Theory

机器学习学习笔记 PRML Chapter 1.5 : Decision Theory

ccj5351的专栏 1678

PRML读书笔记(一)

从多项式拟合开始机器学习中的有监督学习机器学习中的有监督学习,是指训练样本包含输入向量以及对应的目标向量。即(x,y)(\mathrm{x},\mathrm{y}),x\mathrm{x}和y\mathrm{y}为向量。对于向量y\mathrm{y},若它由离散变量组成,则被称为分类(classification)问题。如对数字识别,输入x\mathrm{x}为包含数字的图像向量,y\mathrm{

Coffee的博客 2643

PRML读书笔记——采样方法

我们假设,使⽤解析的⽅法精确地求出对应期望是⼗分复杂的。因此,我们采用采样的方法抽取出样本,计算出对应的值 本章的采样方法主要包括:重要采样、拒绝采样、蒙特卡罗采样、吉布斯采样、切片采样和混合蒙特卡罗采样等

GZGlenn的博客 3675

PRML之多项式曲线拟合

给定⼀个训练集。这个训练集由x的N次观测组成,写作x≡ (x1,…,xN)T,伴随这对应的t的观测值,记作t≡ (t1,…,tN)T。图1展⽰了由N = 10个数据点组成的图像。图中的输⼊数据集合x通过选择xn(n= 1,...,N)的值来⽣成。这些xn均匀分布在区间[0,1],⽬标数据集t的获得⽅式是:⾸先计算函数sin(2πx)的对应的值,然后给每个点增加⼀个⼩的符合⾼斯分布的随机噪声,从⽽得

心跳的吵闹的博客 740

[PRML] Bayesian Learning 贝叶斯学习方法

问题引入  在上一篇博客[PRML] Point Estimation 点估计 的最后,难搞的富翁提了一个无厘头的问题,他固执地认为,图钉头朝上和屁股朝上的概率和抛硬币一样是五五开。尽管我们很好地用理论阐述了为什么图钉头朝上的概率是3/5,但富翁还是要我们解释一下为什么。没办法,谁让人家给钱呢:(θ\theta的概率分布  在点估计中,我们假设图钉头朝上的概率是一个单值,现在,更一般地,我们假设θ\

hubin00sx的博客 6209

《PRML》第一章 读书笔记.1

模式识别概述 1模式识别 2模式识别的几个步骤 3三个任务 4多项式拟合 概率论 1基本概念 2 概率密度 模式识别概述 1、模式识别 使用算法自动发现数据中的规律,并利用这些规律实现回归、分类等任务。例如手写数字识别(MINIST数据) 2、模式识别的几个步骤 特征工程(数据准备): ①一般同一个算法需要的输入数据都是一致的 ②有助于提高计算速度

yhyhbo的博客 1698

Bayesian Neural Network for regression (PRML)

Bayesian Neural Network : PRML 5.7章节 参考代码:https://nbviewer.jupyter.org/github/ctgk/PRML/blob/master/notebooks/ch05_Neural_Networks.ipynb 1.git clone:https://github.com/ctgk/PRML.git到目录 PRML/下 2.代...

医疗影像检索 494

【科研基础】PRML

当数据量较小时,复杂模型更容易过拟合,因为它可以在有限的数据上找到各种模式,而这些模式在更大的数据集上可能并不成立。最大似然估计在有限样本量下,特别是在参数数量远大于数据点数量时,倾向于选择复杂模型,从而导致高方差和过拟合。然而,如果模型过于复杂(即,),它可能会“记住”训练数据中的噪声和异常值,从而导致过拟合。,如果模型有太多参数,它可能会精确拟合训练数据,包括数据中的噪声。1.通过先验分布,引入对参数的约束,避免参数估计过大或过小。总结:在不施加额外约束的情况下,过拟合是最大似然的直接结果。

qq_41100635的博客 955

PRML读书会第十二章 Continuous Latent Variables(PCA,PPCA,核PCA,Autoencoder,非线性流形)

第十二章连续隐变量,由中科院自动化所戴玮博士分三次讲完。精彩内容有:从最大方差和最小重构误差两个角度解释了PCA;包含连续隐变量的概率生成模型PPCA,其最大似然闭式解的推导以及EM求解方法;核PCA的变换;最后介绍了Autoencoder、非线性流形思想。

Nietzsche2015的专栏 6873

《Bishop PRML》Appendix D

可阅读:

duoyasong5907的博客 327

《Bishop PRML》10.1.1 Factorized distributions

https://stats.stackexchange.com/questions/4417/what-are-the-factors-that-cause-the-posterior-distributions-to-be-intractable

duoyasong5907的博客 157

PRML中文版.pdf

PRML中文版.pdf

UNITE真菌数据库使用避坑指南:从下载到注释的完整流程

本文提供了UNITE真菌数据库从下载到注释的完整实战指南。针对真菌ITS序列分析,重点解析了数据库版本选择、格式转换的常见陷阱,并详细介绍了如何训练优化的sklearn分类器以提升物种注释的精度和可靠性,帮助用户构建高效稳定的本地工作流。

weixin_29240343的博客 203

图解转置卷积原理

声明:本文大部分搬运自【机器学习】详解 转置卷积 (Transpose Convolution) 感谢博主花与人间事同,本人只是在博主原创文章上做补充以及添加一些自己的理解。 1 转置卷积的背景 通常,对图像进行多次卷积运算后,特征图的尺寸会不断缩小。而对于某些特定任务 (如图像分割和图像生成等),需将图像恢复到原尺寸再操作。这个将图像由小分辨率映射到大分辨率的尺寸恢复操作,称为上采样 (Upsample),如下图所示: 上采样方法有很多,详见【图像处理】详解 最近邻插值、线性插值、双线性插值、双三次插值

laonafahaodange的博客 5686

Midas Civil实战避坑指南:从建模报错到施工阶段分析

本文详细解析了Midas Civil在桥梁建模与施工阶段分析中的实战避坑技巧,涵盖从基础建模到高级边界条件设置的全流程。针对截面定义、节点创建、施工荷载区分等常见问题提供专业解决方案,帮助工程师避免计算误差,提升结构分析效率。特别强调施工阶段荷载与恒荷载的正确处理,以及弹性连接的合理应用。

weixin_30319153的博客 351

通达信双紫擒龙指标实战指南:从源码解析到精准安装

本文详细解析了通达信双紫擒龙指标的核心逻辑、源码获取与安全验证、安装流程及实战应用技巧。通过紫紫红黄四种颜色信号捕捉趋势转折点,结合MACD、布林通道和成交量加权算法,提升交易准确性。文章还提供了个性化设置、信号解读及常见问题解决方案,帮助投资者高效运用该指标。

weixin_29248611的博客 1066

信号转换为图像 时域频域分析

一维信号如何转化为图像?深度学习如何学习 1.当然,直接1d卷积也是可以的。 2. 以信号强度的数值作为纵坐标,以时间为横坐标绘制信号点就可以了。 周霖那个即是 要看看代码是如何做的, 即使是单导联 5000个点,怎么变成50005000的分辨率的 3. 直接把多通道的一维信号合并成二维图像,然后直接按图像卷积的方法去做~~ 2225000这样一个图 ~可以看看语音处理的相关Net,其中比较...

王不留行嘿呦嘿 2万+

强化学习(Reinforcement Learning)与动态系统控制方法

一个具体的 RBC 的例子是自动驾驶汽车中的交通规则。在训练过程中,代理通过与环境交互获取奖励信号,并学习如何在某个状态下采取最佳的行动,以最大化长期的累积奖励。在化工过程中,通过对生产过程中的温度、压力、流量等参数的控制来实现产品的质量和产量的提高。需要注意的是,以上代码只是一个简单的示例,实际的 MPC 系统可能会更加复杂,并包含更多的模型预测和控制算法来实现更复杂的控制任务。需要注意的是,以上代码只是一个简单的示例,实际的自动驾驶汽车系统可能会更加复杂,并包含更多的规则和条件来确保安全行驶。

AI天才研究院 4065

使用verilog设计实现QR分解

QR(正交三角)分解法是求一般矩阵全部特征值的最有效并广泛应用的方法,一般矩阵先经过正交相似变化成为Hessenberg矩阵,然后再应用QR方法求特征值和特征向量。 使用verilog对QR实现方法进行设计并进行功能仿真: 如下: 顶层模块代码: module TOP( H1R, H1I, H2R, H2I, H3R, H3I, H4R, H4I, clk, rst_n, Y1R, Y1I, Y2R, Y2I, X1R, X1I, X2R, X2I ); parameter width = 16; // I

QQ_778132974的博客 2153

03 Token、Embedding、上下文窗口:开发者必须懂的三个基本概念

Token、Embedding 和上下文窗口是大模型应用开发的三个基础概念。本文从成本、速度、检索和上下文设计四个角度讲清它们的工程意义,帮助开发者理解为什么同一段内容会超限、变贵,为什么 RAG 能做语义检索。

老于的笔记的专栏 413

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

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: (4)什么是Ribbon负载均衡
下一篇: 社交网络分析的 R 基础:(五)图的导入与简单分析
pythonxxoo
博客等级 码龄5年 337粉丝 670原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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