<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_35519086</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_35519086]]></copyright><item><title><![CDATA[STM32内存溢出，HardFault_Handler的处理方法]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/122045090</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/122045090</guid><author>qq_35519086</author><pubDate>Mon, 20 Dec 2021 16:53:49 +0800</pubDate><description><![CDATA[STM32内存溢出，HardFault_Handler的处理方法
原文网址：https://blog.youkuaiyun.com/electrocrazy/article/details/78173558
部分情况下，可应用于在***OS系统***中寻找程序出错位置。
用过方法二，成功找到了用操作系统（FreeRTOS）时程序出错的地方。
在用Keil对STM32的程序进行仿真时程序有时会跑飞，停止仿真程序会停在HardFault_Handler函数里的死循环while(1)中。这说明STM32出现了硬件错误。

S]]></description><category></category></item><item><title><![CDATA[Modbus-rtu主机程序实现（基于stm32f407）]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/121273515</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/121273515</guid><author>qq_35519086</author><pubDate>Thu, 11 Nov 2021 18:37:25 +0800</pubDate><description><![CDATA[Modbus主机程序编写
使用Mthing作为从机，STM32F407VET6进行开发。实现的功能码有0x01,0x02,0x03,0x05，0x06,0x0f,0x10。收发效果下图报文：

主要程序如下：
void Modbus_Master_D(void)
{
	static u8 send_times;
	switch(Step)
	{
		case 1:
		{
			Modbus_Master_Send_Order(Slaver_Addr,Function_Code,Start_Addr,Len]]></description><category></category></item><item><title><![CDATA[word更改默认的背景色]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/104835293</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/104835293</guid><author>qq_35519086</author><pubDate>Mon, 16 Mar 2020 11:26:11 +0800</pubDate><description><![CDATA[word更改默认背景色，本人试验16和19版本均有效。
打开目录：C:/用户/当前用户名/appdata/Roaming/Microsoft/Templates/
目录下有如下文件：

新建一个word文件（此时不用更改名字），设置自己喜欢的背景色，设置背景色如下步骤：


选好颜色保存即可，之后将文件另存为，名字为Normal.dotm，位置记好就行，我放在了桌面。之后将另存为的文件复制到之前打...]]></description><category></category></item><item><title><![CDATA[opencv-python基础API]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100133061</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100133061</guid><author>qq_35519086</author><pubDate>Thu, 29 Aug 2019 10:41:10 +0800</pubDate><description><![CDATA[程序及注释：
import cv2 as cv
import numpy as np
# 读取图片
n = cv.imread("lena.jpg")
cv.namedWindow("input",cv.WINDOW_AUTOSIZE)
cv.imshow("input",n)
cv.waitKey(0)
# 转换为灰度
gray = cv.cvtColor(n,cv.COLOR_BGR2GRAY...]]></description><category></category></item><item><title><![CDATA[第12章 对抗神经网络（GAN）]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100106925</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100106925</guid><author>qq_35519086</author><pubDate>Tue, 27 Aug 2019 19:55:45 +0800</pubDate><description><![CDATA[12.1
12.3 构建WGAN-GP生成MNIST数据集
通过使用WGAN-GP网络学习MNIST数据特征，并生成以假乱真的MNIST模拟样本。
程序：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
import numpy as np
from scipy...]]></description><category></category></item><item><title><![CDATA[第10章 自编码网络——能够自学习样本特征的网络]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100103824</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100103824</guid><author>qq_35519086</author><pubDate>Tue, 27 Aug 2019 17:22:45 +0800</pubDate><description><![CDATA[10.1  自编码
自编码网络，是一种以重构输入信号为目标的神经网络。
包括输入层、隐藏层、输出层。
代码：
#1 引入头文件，并加载MNIST数据
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 导入 MINST 数据集
from tensorflow.examples.tutorials...]]></description><category></category></item><item><title><![CDATA[第8章 卷积神经网络]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100095080</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100095080</guid><author>qq_35519086</author><pubDate>Tue, 27 Aug 2019 16:44:08 +0800</pubDate><description><![CDATA[8.1 卷积函数的使用
程序：
import tensorflow as tf

# shape = [batch,in_height,in_width,in_channels]
# shape = [训练时一个批次的图片数量，图片高度，图片宽度，图像通道数]
input = tf.Variable(tf.constant(1.0,shape = [1,5,5,1]))
input2 = tf.V...]]></description><category></category></item><item><title><![CDATA[第7章 多层神经网络]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100090289</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100090289</guid><author>qq_35519086</author><pubDate>Tue, 27 Aug 2019 10:35:04 +0800</pubDate><description><![CDATA[7.1 用线性单分逻辑回归分析肿瘤是良性还是恶性的
程序：

import numpy as np
from sklearn.utils import shuffle
import matplotlib.pyplot as plt
import tensorflow as tf

def generate(sample_size,mean,cov,diff,regression):
    num...]]></description><category></category></item><item><title><![CDATA[第6章 单个神经元]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100084583</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100084583</guid><author>qq_35519086</author><pubDate>Mon, 26 Aug 2019 19:54:56 +0800</pubDate><description><![CDATA[部分知识点笔记：
正向传播、反向传播（BP算法）
激活函数：
Sigmoid函数、Tanh函数、ReLU函数、Swish函数
Softmax算法——处理分类问题（伴随的分类标签都为one_hot编码）
损失函数：
描述模型预测值与真实值的差距大小（常用的算法：均值平方差和交叉熵），交叉熵 预测输入样本属于某一类的概率。交叉熵也是值越小，代表预测结果越准。
损失函数的选取：如果输入的是实数、无界的值...]]></description><category></category></item><item><title><![CDATA[第5章 MNIST数据集]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100084178</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100084178</guid><author>qq_35519086</author><pubDate>Mon, 26 Aug 2019 19:36:45 +0800</pubDate><description><![CDATA[本程序主要是初步使用MNIST数据集进行试验。
程序：
from  tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
import tensorflow as tf
import pylab

im = mnist.t...]]></description><category></category></item><item><title><![CDATA[第4章 TensorFlow编程基础]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100080159</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100080159</guid><author>qq_35519086</author><pubDate>Mon, 26 Aug 2019 18:57:56 +0800</pubDate><description><![CDATA[4.1 使用Session编写hello world：
程序：
import tensorflow as tf
hello = tf.constant('hello tensorflow')
sess = tf.Session()
print(sess.run(hello))
sess.close()

结果：
b'hello tensorflow'

4.2 with session的使用
此段...]]></description><category></category></item><item><title><![CDATA[第3章 TensorFlow基础之——以逻辑回归拟合二维数组]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/100079872</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/100079872</guid><author>qq_35519086</author><pubDate>Mon, 26 Aug 2019 16:10:03 +0800</pubDate><description><![CDATA[使用神经网络归纳出y = 2x的模型
程序：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

plotdata = {"batchsize":[],"lose":[]}
def moving_average(a,w=10):
    if len(a) &lt; w:
        retur...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——011_pandas 合并concat，append、merge]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88894254</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88894254</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 15:26:32 +0800</pubDate><description><![CDATA[主要函数：concat，append、merge
一、concat函数

pd.concat(objs, axis=0, join=‘outer’, join_axes=None,
ignore_index=False,  keys=None, levels=None, names=None, verify_integrity=False)


参数说明：
1、objs: series，dataf...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——010_pandas 导入导出]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88887212</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88887212</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 11:22:23 +0800</pubDate><description><![CDATA[使用pandas中的  read_csv  函数读取文件，其中csv为文件格式（后缀名）
使用pandas中的  to_pickle  函数存储文件，其中 pickle为文件格式

运行程序前请将准备好的文件放入所在文件夹。
源代码及注释如下：
import numpy as np
import pandas as pd

data = pd.read_csv('student.csv')
pr...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——009_pandas 处理丢失数据]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88887073</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88887073</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 11:17:34 +0800</pubDate><description><![CDATA[isnull  判断是否丢失数据
nan  制造丢失数据假象~~（不皮，稳住）
fillna  将丢失数据填充为0

源代码及注释：
import numpy as np
import pandas as pd

# 假装没有这一部分，故意制造丢失数据
datas = pd.date_range('20180102',periods=6)
df = pd.DataFrame(np.arange(...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——008_pandas 设定值]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88886956</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88886956</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 11:13:18 +0800</pubDate><description><![CDATA[通过loc、iloc等选择数据后对数据进行修改。
源代码及注释如下：
import pandas as pd
import numpy as np

dates = pd.date_range('20160101',periods=6)
df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','C','...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——007_pandas 选择数据]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88886875</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88886875</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 11:10:57 +0800</pubDate><description><![CDATA[使用pandas中的loc、iloc、ix（不建议使用）函数
源代码及注释：
import pandas as pd
import numpy as np

dates = pd.date_range('20160101',periods=6)
df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——006_pandas基本介绍]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88886364</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88886364</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 10:52:50 +0800</pubDate><description><![CDATA[使用pandas中的DateFrame生成索引。以及对生成索引之后的数据进行排序、数据简单分析等操作
源代码及注释如下：
import pandas as pd
import numpy as np

s=pd.Series([1,3,6,np.nan,44,1])          # Series 是一个一维数组结构的，可以存入任一一种python的数据类型

dates = pd.date_...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——005_numpy_array分割]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88885652</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88885652</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 10:25:41 +0800</pubDate><description><![CDATA[使用numpy模块中的 split、array_split、vsplit、hsplit 等函数对数组进行分割。
源代码及注释如下：
import numpy as np

a=np.arange(12).reshape((3,4))
print(a)
print(np.split(a,2,axis=1))  #将每行分成2部分，组成2个array（axis=1，按行的方向进行操作）
print(n...]]></description><category></category></item><item><title><![CDATA[数据处理 numpy and pandas——004_numpy_array合并]]></title><link>https://blog.youkuaiyun.com/qq_35519086/article/details/88884546</link><guid>https://blog.youkuaiyun.com/qq_35519086/article/details/88884546</guid><author>qq_35519086</author><pubDate>Fri, 29 Mar 2019 09:44:29 +0800</pubDate><description><![CDATA[存代码用：
numpy中 vstack，hstack 合并函数
源代码及注释：
import numpy as np

a = np.array([1,1,1])
b = np.array([2,2,2])
print(np.vstack((a,b)))      #进行一个上下合并
print(np.hstack((a,b)))      #进行一个左右合并

print(a.T)
print(...]]></description><category></category></item></channel></rss>