AIOT开发者不容错过的物联网操作系统技术大会

PinPKM-V201525(官网发布的最后一个免费无使用限制版本) 文档大师,原名针式PKM是一款专业的个人文档管理软件,以个人知识管理理念作为指导。 提供和Everything一样快的文件名搜索、文档全文快速搜索、多种文档归类方法、公式等功能, 帮助用户更轻松养成“将文档内化为头脑中的知识”的习惯的客户端软件。 简介概况 2007年,针式PKM 对外发布V1.0版,2012年发布V9.6版,2013年发布V2013版,2015年发布V2015版。2015年4月17日改名为文档大师 1.版本兼容原则 新版本的针式PKM总是兼容旧版的知识库,即旧版软件创建的知识库可以自动升级到新版,无需任何转换。 2.Windows平台支持 支持从Windows XP、Win7、Win8、Windows Server2003/2008/2012等 3.Office支持 支持OfficeXP、Office2003/2007/2010/2013 ... 支持WPS Word 基本信息软件版本: 针式PKM V2015 软件类型:文档管理/笔记软件/知识管理软件 收费模式:Freemium 针式PKM的主要技术指标: 知识库支持文档数:>3万个文档,类型包括:Word、PDF、PPT、图片、安装文件、压缩文件等 搜索支持:文件名瞬间搜索、Word\PDF等文档内容的全文快速搜索 归类方法:分类、标签、多个文档关联、公式等 可运行于:XP、Win7、Win8、Win2003/2008/2012等Windows平台[1] 功能简介 1. 搜索 1.1和Everything一样快的文件名搜索,瞬间完成搜索 1.2 快速的全文搜索,可以搜索Word、PPT、Excel、PDF等各种文档中的内容 1.3 可以使用单个标签搜索,也可以使用多个标签组合过滤 2. 文档归类方法 文档可以按分类、标签、附件等各种方式进行归类整理 2.1 一个文档可以设置多个分类、多个标签 2.2 一个文档可以附加多个附件 3. 知识体系 知识体系可以随时修改,而不受文件打开影响 4. 收集资料 4.1导入已有的文件 4.2 监控文件夹文件变化 4.3使用模板创建 4.4使用Word收集网页等方式 4.5 从Windows资源管理器拖入等方式 5. 整理资料 5.1可以批量修改分类 5.2中转站可以缓存文档以附件到其它文档、分类中 6.复习与回顾 通过公式的方式,为文档提供按遗忘曲线进行复习和按周期进行回顾等功能 按个人知识管理的过程构建主菜单:知识体系、收集资料、整理资料、学习、工具等 版本更新 版本 V201519 更新时间:2015-04-28 1. 增加按分类、按标签搜索文档的功能 2. 公式增加分类范围、标签范围可选的功能 3. 拖入文件增加可拖入文件和文件夹功能,并可以在导入前进行预览 版本 V201517 更新时间:2015-04-17 针式PKM 更名为 文档大师 版本 V201501 更新时间:2015-01-06 1.可以快速预览500多种文档格式,方便大家测试使用。 并且主界面和知识点界面都支持 2.对遗忘复习曲线和定期回顾更好地支持,直接采用针式PKM资深用户懒猫的实践经验。 例:需要学习的A文档。 1.收集且精读完成后将“阅读进度”改为“复习0次”,表示进入复习曲线, 间隔1天后才会在“第一次复习”中看到! 2.改为”复习1次“,间隔3天后才会在“第二次复习”中看到 版本V2013[4] 更新时间:2013-05-20 1.知识点列表直接显示附件,可设置双击打开文档--在视图-->选项-->02知识库编辑 中设置 2.全文搜索功能完善 3.回收站功能完善,现在要清空才真正删除 4.列的宽度和顺序可以直接变更,只有变更列才需要进入“选择列...”画面 5.知识点列表支持按住ctrl多选等细节完善 6.更好的支持网盘备份 版本9.78[5] 更新时间:2012-11-22 1.增强附件搜索功能 2.组合搜索:支持像"A .pdf"搜索包括A内容的PDF文档 3.文件夹的文档数量的及时更新、准确性提升 4.修正文件夹显示顺序的一个Bug 5.在文档列表右键菜单,直接打开文档 6.支持屏幕剪贴的快捷键:ctrl+shift+T 这个功能是集成QQ拼音的,所以屏幕剪贴功能很不错 版本9.56[6]更新时间:2012-10-22 1、界面简化 2、多达45项地更新 3、增加反查文档的文件夹等新功能 版本9.36[7]更新时间:2012-03-29 主要增加和完善的功能有: 1、更容易养成及时文档归类的习惯:提供文件新增监控提示归类功能 2、容易管理阅读进度、重点摘要:更容易创建问答的记忆内容 3、更方便对 知识 进行深入搜索研究:知识点画面集成搜索框 版本9.08版[8]更新时间:2012-01-11 主要增加和完善的功能有: 1、支持华为网盘同步和备份 2、增加知识结构分析,有助于对知识是否系统化并有所侧重进行分析等 3、对问答学习进行完善 4、对标签功能进行完善,可直接输入关键字,并支持大量标签后快捷搜索等 5、对知识点列表显示字段格式等保存进行简化 6、对界面进行一些相关功能的整合,希望让您能更方便相关功能 等等 版本8.2.0 [1]更新时间:2009-10-27 新增功能: 统计视图: 将“定义的搜索”保存到一个目录树中,因为使用了动态日期,所以功能强大, 可允分进行个人知识的深度挖掘。 提醒 问答学习系统:基本问答的形式,来解决“一知半解”的学习问题 知识点的简单排序功能 Windows7下无法拖动网页的一种替代解决方法:手工复制法 修改部分Bug:感谢用户hjbrave、proebc、看雪、绝望的笨蛋等对部分Bug的及时反馈 版本8.0.0更新时间:2009-09-29 新增多项创新功能: 剪贴板:资料整理助手和中转站,方便知识点的重新归类、分类的移动和文件关联到其它知识点 知识点列表的自定义显示字段:基于分类,让每个人的知识管理梦想,得到更好的发挥 字段映射到分类:让专业的知识库制作和使用更有针对性 全面改进操作导航功能 生涯规划:从人生理想的高度来审视“个人知识管理” 版本7.5.6 更新时间:2009-06-25 修正信息收集浮窗显示等Bug 解决Office 2007的Word工具栏显示问题 改进新手入门向导 等等 版本7.4.5 更新时间:2009-03-30 新增文本文件编辑功能 新增支持200多种类型文件的索引 导入时和新增可以允许标题重复,自动附加"_重复"字眼 修正文件导出提示等Bug 版本7.3.6更新时间:2009-03-25 改为免费(抵挡寒流苦练内功,免费的针改为免费p; 抵挡寒流苦练内功, 免费的针式PKM助力您提高个人竞争力,进而提高国民竞争力 修改选择分类时不能新建分类等Bug 版本7.1.8 更新时间:2009-03-16 主页布局修改,使相关操作更直观方便 应用程序外观设置功能 操作导航图,方便用户允分挖掘软件的功能 知识点集成显示文档的最大化和恢复切换功能 浮窗收集网页增加可指定分类和下一步操作选择功能 知识点分类修改方式修改,可更方便修改分类 增加中图分类法和“旅程无限”的分类法供参考 版本6.8.6 更新时间:2009-01-23 新增信息收集浮窗,方便收集网页和导入文件 新增可同时打开多个知识点窗口,解决之前只能打开一个知识点窗口的限制 新增知识点列表显示文件类型图标 可修改知识点列表的样式,如字体、行高等 对知识点搜索、分类搜索框的位置进行调整等界面美化 版本6.1.2 更新时间:2008-09-05 新增小组共享功能 版本5.7.8更新时间:2008-06-18 新增最小化到托盘图标功能 增加知识分类体系快捷工具栏 笔记本电脑和台式电脑间同步备份需重新注册的Bug修正 界面UI修改为小图标,去除Vista界面风格 版本5.4.5 更新时间:2008-05-22 增加对Excel和html等文件格式的全文索引 增加备份方式设置 增加界面风格选择 修正一个超子分类超过5000个时出错提示的Bug 版本5.2.8更新时间:2008-05-18 将界面改为Vista风格 增加分类的指向时显示备注信息功能 修改多维分类存在的一个Bug 版本5.1.2 更新时间:2008-05-07 在原有的快照预览基础上增加原样预览功能 增加关联文件的顺序变更功能 改进了软件绿色注册功能,更方便升级 修正一些知识分类体系位置拖动和知识点拖动到新分类的Bug 版本5.0.1更新时间:2008-04-28 新增导出功能,可按知识分类体系的层次结构导出到Windows资源管理器中;并增加“导入功能”是否保留层次结构的选择 修改原知识点默认文档只能为“Word”文件为支持任意类型文件功能 新增知识分类体系分类搜索功能 增加全文搜索索引压缩功能 *感谢muenennpl、Steven等用户和网友的建议及反馈!我们将以不断地进行软件地开发和完善来回谢大家 版本4.2.8更新时间:2007-10-28 可修改分类的图标 即时统计分类包含的文件数 增加主要操作功能相应的快捷键 日期视图扩展到“日” 版本4.0.1更新时间:2007-10-12 --感谢100多位用户和网友的建议! 对软件界面进行大的改善,更简朴、紧凑、美观和大方,更方便操作 知识体系可以创建任意层级的分类,解决两层的限制问题 增加可以通过颜色来对知识点进行评价机制 版本3.8.0 更新时间:2007-9-24 增加集成“百度桌面搜索” 新的帮助文件 结合使用经验 和用户反馈完善多处功能和一些Bug 版本3.3.0更新时间:2007-8-17 改为绿色软件,下载后解压即可运行 版本3.2.0更新时间:2007-7-18 界面的重大改进:应用Office2007的元素进行优化 知识体系分类树的操作优化和Bug修订 增加分类的属性,可设置颜色和设备 版本3.0.0 更新时间:不详 分类树操作的重大改进:支持“新增”“重命名”等右键功能、支持拖动进行分类移动和直接改变显示顺序 集成Google 桌面搜索:不仅仅是将搜索画面放到应用程序里,而且增加对搜索结果的处理,凡是搜索到应用程序“\Data”目录下的文件,将自动转换为对应的“知识点”画面打开,而不是默认的直接打开文件的方式 允许从“Windows资源管理器”直接拖动文件到“知识点”窗口,从而增加“文件关联”。注意,要拖到选项卡上方或备注等位置后放开 分类树增加相应的知识点数量的显示 拖动分类:从知识点网格选取知识点,然后拖动到相应的分类放开即可 允许拖动改变分类树的宽度 版本2.5.6.2更新时间:不详 增加一个知识点可以链接多个文件,且文件类型不受限制 和相应的右键菜单 批量导入:增加全部格式和指定格式的文件类型支持,及允许指定默认的分类 增加数据库的选项卡快速选择(分类树左侧) 知识点:增加关闭时,自动提示保存修改 知识点:增加打开时,Word文档初始显示比例为“最大的合适比例” 知识点:增加文件可以以独立的窗口打开,例Word文档在Word中打开 修正:新增知识点默认分类的可能出错,以“全部数据库”的方式显示时,缺省数据库以外的分类被选取仍可能出错 版本2.6.1.0更新时间:不详 增加批量修改分类:使用知识点网格的“行选取器”配合Ctrl和Shfit进行多选,后在右键菜单选取“批量修改分类” ------------------ 针式PKM 是专业的 个人知识管理软件,比Windows资源管理器多130项功能专门用来进行个人知识管理。 1.按标题瞬间搜索,和everything一样快,功能一样强大,来快速找到文档 2.支持200多种文档格式的全文搜索,支持组合搜索“A .pdf”搜索包含A内容的PDF文档 3.文件夹快速定位搜索来分析自己的知识体系 4.支持本地智能备份、网盘备份等提升知识文档的安全性 5.支持多维分类、标签、多文档关联等方式来归类整理自己的文档 6.支持共享知识库来和同事分享自己的专业研究结果 7.支持近三天、近一个月、阅读次数、日期视图、问答学习等来复习收藏的资料为自己的知识 8.支持用Word来收集网页,这是PinPKM 的独门武功 9.知识库的容量仅受硬盘大小限制,采用分散文档保存来确保文档不受损 10.支持Word、PPT、Excel、行动后反思(网页)等等模板来快速创建文档 更多功能,可以自己立即下载体验; 注意,PinPKM 不是笔记类软件,是专业的个人知识管理软件。 --------------------------------- 1.个人知识管理软件有用吗,用针式PKM 管理文档好不好? 个人知识管理的第一阶段是:文档管理,即能快速搜索到文档。 第二阶段是:将文档 通过学习变成自己的知识, 通过10000小时的持续积累变成自己的智慧。 大多数的所谓的个人知识管理软件,实际上还停留在第一阶段, 而针式PKM,则更注重文档的归类、统计分析、辅助学习等, 避免浪费了很多时间收集的资料,实际上只是活在硬盘空间中的垃圾。 并且多数的其它软件以网页以主,但网页的知识载体量约为20%而于; 而针式PKM则以Word、PDF、PPT、网页等为主。覆盖全面文档格式。 针式PKM 经过近 8 年的研发,是成千上万用户实践经验的结晶; 已经形成一款成熟、功能强大、稳定的专业的个人知识管理软件。 更重要一点的是它基本上是免费软件! 没有任何使用数量、使用时间、知识库大小方面的限制。 值得您花一点时间,来了解它强大的功能, 将可能帮您节省很多时间, 将帮助您通过更有效地学习来更早更好地达成目标。 2.个人知识管理对人一生的影响大不大? 为什么要使用专业的个人知识管理软件? 读书才能改变人的一生。 现在是持续的学习,才能赶上变化, 才能早点悟透所在领域的发展趋势。 而持续的学习,现在最好的方式是利用好互联网,利用好电脑进行电子化学习。 面对大量的信息,需要收集一些所专注领域的资料进行学习。 专业的个人知识管理软件,除了帮您解决如何存放,如何为文件命名等基础功能, 更重要的是帮助您更好归类,更方便建立更系统化的知识结构, 更快速的搜索,更好管理阅读进度、阅读心得及复习等。 这就是电子化学习的好处,也是针式PKM 之所以叫“专业的个人知识管理”之所在。 3.如何使用针式PKM 管理个人知识? 3.1 首先要了解一下,针式PKM 的基本功能 和 操作 针式PKM主要由主界面和知识点 两个画面组成, 主界面粗看上像很杂,实际上分作有规律的几块,是为了帮助您更快的完成日常操作。 可以先看看帮助视频,然后随便操作看看 。 3.2 第二步:导入本机上现有的文件 导入后再不断的建立起个人的知识体系,接着不断优化 。也可以按原本的样子导出。 针式PKM以文档原本的格式分散保存,再加上多种备份方式, 确保数据的不丢失。 通过几天的适应,您就能掌握: 针式PKM是基于资源管理器之上所提供的更强大、更适合个人知识管理的功能。 3.3 第三步:掌握收集网页信息和文档的基本方法 针式PKM使用Word来保存网页信息, Word强大的编辑功能,非常有助于学习。 实际上无形中节省了更多的时间,将资料的价值发挥到最大。 您不用为打开Word、存哪、如何为文件命名而烦恼、浪费时间。 3.4 第四步:整理、学习与分析个人知识管理的现状 针式PKM 的更多功能,等待您去挖掘,配置成更适合自己的“利器”! 别急,一步步来,针式PKM强大的功能绝对超出您想像。 *针式PKM为各种任务,提供多种操作,包括按钮、右键菜单、快捷键、拖动等。 针式PKM 2012.03 立即下载

随着AIOT产业的发展,巨头纷纷入场开始做轻量级物联网操作系统,期望打通碎片化的IoT应用,实现设备的互联互通,这充分说明物联网操作系统的价值得到了产业一致的认可。我们可以确信的是随着产业的发展,AIOT设备从芯片适配、通信互联到上层应用的业务逻辑开发,都将离不开物联网操作系统的加持。而AIOT开发者作为AIOT产业繁荣的重要推动力量,学习和掌握物联网操作系统、了解产业技术发展趋势,更是不可缺席的。

 

RT-Thread 作为一款小而美的物联网操作系统,自2006年至今坚持开源、中立、社区化发展策略,受到了众多开发者的青睐。自2017年开始举办一年一度的 RT-Thread 开发者大会,为众多开发者展示了 RT-Thread 的最新开发和生态建设成果,并携手合作伙伴及资深开发者呈现了 AIOT 行业前沿的技术和创新,分享了最佳技术实践,已经成长为 AIOT 领域备受瞩目的大型年度技术盛会。

 

万物智能,“轻”时代!2020年RT-Thread 开发者大会12月20日将在深圳再次启航, 洞察物联网操作系统发展趋势,聚焦技术落地产业发展之路,大会将邀请 RT-Thread 主创团队亲自布道,联合中科蓝讯、鉴释科技、维智科技、ARM、ST、RealTek、NXP、利尔达等合作伙伴共同吹响开发者集结号,围绕AIOT的发展、产业技术趋势,聚焦AI、连接、轻应用开发,通过主题演讲、技术分享和动手实践,助力开发者拥抱万物智能的世界,把握AIOT的“轻”时代。

戳这里立即报名2020年RT-Thread 开发者大会:https://www.bagevent.com/event/6950349?discountCode=rtt

 

降低智能设备开发门槛,步入轻智能时代

AIOT产业的繁荣和创新发展,需要AIOT设备开发的门槛变低,低门槛意味着对开发者友好、应用开发简单、提供丰富的中间件、完善的文档、活跃的技术支持。本次RT-Thread 开发者大会将会围绕技术和生态充分展示在降低智能设备开发门槛这件事上做的工作,在AI开发、智能穿戴、连接方面更会发布重磅技术更新,助力开发者更好的掌握和使用物联网操作系统开发AIOT设备。

 

关注RISC-V、安全,迎接产业新蓝海

开源RISC-V 指令集架构受到广泛关注,然而市面上开发者能拿得到的相关芯片渺渺无几,实际规模落地的应用也很少被知之。本次大会邀请到中科蓝讯分享其从RISC-V芯片规模化落地经验,将如何构建打造可靠易获得的RISC-V的芯生态,让RISC-V 芯片对开发者更友好。

安全问题一直是AIOT产业备受关注的议题,开发者如何从代码阶段就重视代码安全问题呢?鉴释首席架构师刘新铭是国际上少数精通编译器技术的计算机科学家之一,在计算机语言设计和高级编译器优化技术方面具有深入的实践经验,他将从代码提交角度来分享提升开发代码安全。

 

动手实践,玩转联网操作系统开发

一场开发者大会怎么能少了现场coding呢?RISC-V应用、嵌入式小程序开发、AI应用···都将贴切开发需求,让开发者参与其中,实践出真知,玩转联网操作系统开发其实也不难。

编程能力是软件开发者的软实力,而在开发者大会现场将设立编程能力擂台赛,提倡竞技性与趣味性并重的氛围,提供一个开发者展现自我的舞台,绽放极客风采!

 

随着万物互联时代的到来,AIOT产业爆发正当时,物联网操作系统已成为AIOT产业发展的的基石。无生态,不OS!2020 RT-Thread 开发者大会将与众多生态合作伙伴共同努力,交流经验、共话创新,助力开发者拥抱万物智能的世界,把握AIOT的“轻”时代。报名可通过官网入口提交报名信息。

戳这里立即报名:https://www.bagevent.com/event/6950349?discountCode=rtt

AIoT 物联网开发实战(上).pdf 阿里云 AIoT 物联网开发实战 立即下载

相关推荐

AIoT 物联网开发实战-50篇.pdf

阿里云 AIoT 物联网开发实战-50篇

ChatGPT技术原理解析:从RL之PPO算法、RLHF到GPT4、instructGPT

本篇ChatGPT笔记会全力做到,通俗易懂且循序渐进(尽最大努力让每一个初学者哪怕是文科生都能没有障碍的读懂每一字一句、每一个概念、每一个公式) 一方面,对于想了解ChatGPT背后原理和如何发展而来的,逐一阐述从GPT/GPT2/GPT3到强化学习、PPO算法,最后再到instructGPT、ChatGPT、SeqGAN 且本文之前,99%的文章都不会把PPO算法从头推到尾,本文会把PPO从零推到尾,按照“RL-策略梯度-重要性采样(重要性权重)-TRPO(增加信任区域和KL散度约束)-PPO”的顺序逐步

结构之法 算法之道 22万+

Zabbix故障排查10051端口无法启动:zabbix-server.service: main process exited, code=exited, status=1/FAILURE

zabbix-server.service: main process exited, code=exited, status=1/FAILURE报错说与数据库失去连接。

" DevOps菜鸟(Xu JieHao)" 的博客 2258

硬核,这款小而美的国产操作系统开源了!(带私活源码)

这是一款以开源的物联网操作系统。主要采用C 语言编写,浅显易懂,且具有方便移植的特性。它是集成实时操作系统(RTOS)内核、中间件组件的物联网操作系统。

m0_68103666的博客 1404

如何制作Mike21溢油模型围油栏文件

这段时间群友在做海洋环评的做了一个MIKE21的溢油模型,溢油模型其实也是ECOLAB模块的应用,而在海上发生溢油事件的时候,为防止溢油对海洋生态的破坏,经常使用的一种手段就是使用围油栏技术将溢油控制在一定范围并进行处理。今天小编就给大家说说在MIKE21里怎么实现围油栏文件的制作

zhuzhujiayoua的博客 1334

基于STM32的家用新风系统智能控制器 | 保姆式教程 开源可复刻

本项目基于STM32F103C8T6核心控制器,完整实现了家用新风系统智能控制器的全功能开发,覆盖多传感器数据采集、双模式控制、PID调速、异常报警、掉电记忆等核心功能,全程采用保姆式无跳步教学,从硬件选型、接线、CubeMX配置、代码开发、调试排坑全流程拆解,跟着步骤一步步操作,就能顺利完成项目复刻

ZhongWeiXiang9的博客 471

开发者 发展 9 心智模式

根据人类的学习与记忆过程来高效学习训练你的神经网络 获得知识的过程——学习——本质上是个体力活(尽管是有一定方法的体力活),这个体力活大致分为两步: 将外界(书本上的)知识转化为外显记忆。 通过不断练习,将外显记忆转化为内隐记忆。 李敖:换句话说,我这本书看完之后,被我大卸八块,五马分尸。可是被我勾住了,这些资料我不凭记忆来记它,我凭用细部的很耐心的功夫把它勾紧,放在资料夹子里。 ...

weixin_30340745的博客 3万+

Zephyr RTOS 嵌入式 C 编程 (使用嵌入式 RTOS POSIX API)8. Zephyr RTOS 与以太网、Wi-Fi 及 TCP/IP

支持的 BSD 函数包括:socket()、close()、recv()、recvfrom()、send()、sendto()、connect()、bind()、listen()、accept()、fcntl()(用于设置非阻塞模式)、getsockopt()、setsockopt()、poll()、select()、getaddrinfo()和 getnameinfo()。向开发板烧录代码也可能存在问题。可以通过调用 net_if_up() 开启网络接口 ,调用 net_if_down() 关闭接口。

1344

国际顶级学界和工业界大咖云集、AIoT 实训营,你不可错过的嵌入式 AI 盛会!...

随着物联网和人工智能技术的飞速发展与相互渗透,万物智联的新赛道已经开始显现。据中商产业研究院《2016—2021年中国物联网产业市场研究报告》显示,预计到2020年,中国物联网的整体规模将达2.2万亿元,产业规模将比互联网大30倍。Gartner亦预测,至2020年,全球将有超过250亿的智能设备,并产生50万亿GB数据。 我们看到,物联网的前景广阔。可物联网不仅是万物相联,从智...

优快云资讯 7134

数据预处理的分箱操作

数据分箱 介绍 我们在建立模型前,一般需要对特征变量进行离散化,特征离散化后,模型会更稳定,降低模型过拟合的风险。尤其是采用 logsitic 建立评分卡模型时,必须对连续变量进行离散化。而特征离散化处理通常采用的就是分箱法,数据分箱(也称为离散分箱或分段)是一种数据预处理技术,用于减少次要观察误差的影响,提高泛化性。 数据分箱又分为有监督分箱和无监督分箱,是否使用标签进行离散化(分箱)决定了有监督还是无监督的离散化方法。 知识点 无监督分箱 split 分箱 merge 分箱 无监督分箱 这里为了

随笔记 5336

基于Yolo11的无人机小目标检测系统的设计与性能优化改进项目实现

该项目旨在开发一个基于YOLO11的无人机目标检测系统,能够实时识别并定位无人机拍摄过程中捕捉的小目标。考虑到无人机拍摄的目标通常较小,系统将采用特定的调优策略,以提高小目标的检测精度和召回率。

m0_73723097的博客 1205

定了!openvela 首届全球开发者大会即将在哥斯达黎加启幕

从生态维度看,openvela 与 NuttX 的协同,是嵌入式系统与 AIoT 生态的资源整合,大会将进一步扩大开源协作网络,推动 AIoT 操作系统从技术单点走向生态化落地;openvela 作为聚焦 AIoT 领域的开源操作系统生态项目,与嵌入式实时操作系统领域的 “老兵” NuttX ”达成深度协作,旨在通过开源力量打破技术壁垒,构建一套可灵活适配多场景的 AIoT 操作系统生态。:同步展现开源生态包容性,覆盖生态协作模式、开发者课程共建等方向,推动 AIoT 开源生态的全球化协同。

优快云资讯 1万+

新手别怕!用‘东北天’和‘右前上’坐标系,5分钟搞懂惯性导航姿态矩阵(含Python验证代码)

本文通过‘东北天(ENU)’和‘右前上(RFU)’坐标系,详细解析惯性导航中的姿态矩阵概念。包含Python代码验证,帮助新手快速理解坐标变换、欧拉角及旋转矩阵的构建与应用,特别强调有限转动不可交换性与无限转动次序无关的区别。

weixin_29062255的博客 333

RT-Thread开发者大会上的这场利尔达实验课你可不能错过

2021年12月18日,由睿赛德科技主办的AIOT行业年度技术盛宴——2021 RT-Thread开发者大会在深圳精彩收官。本届大会以“Beyond”为主题,通过主题演讲、分论坛、技术展示等活动,为广大开发者带来了一场别开生面的盛会,吸引了超过800位开发者来到了现场,20000+用户观看直播。 以LoRa无线应用实验搭建技术堡垒    利尔达现身开发者大会AIOT分论坛,公司LoRa技术资深专家准备了“LoRaWAN应用开发”动手实验课,邀请开发者朋友们基于ART-Pi LoRa开发套件一起搭建LoRa

LierdaGroup的博客 2531

基于STM32、HAL库的 CH9102X USB转UART收发器 驱动程序设计

/ 或 UART_HWCONTROL_RTS_CTS。// 其他函数实现类似,使用HAL_UART_Transmit_IT, HAL_UART_Receive_IT等。UART_TXD <---> USARTx_RX (STM32接收)UART_RXD <---> USARTx_TX (STM32发送)* @param huart: UART句柄指针。* @param huart: UART句柄指针。* @param huart: UART句柄指针。* @param huart: UART句柄指针。

corlin6688的博客 506

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IoT与AIoT详解---ChatGPT4o作答

AIoT是物联网和人工智能结合的创新产物,通过AI技术对物联网数据的智能化分析和决策,使得物联网设备不仅能感知和收集数据,还能实现更高效、智能的操作。随着技术的不断进步,AIoT将会在更多领域发挥巨大的影响力,推动社会向更加智能化、自动化的方向发展。

qq_46215223的博客 1573

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

做备忘|GD32 Arm MCU物联网开发者线上课程不容错过!

物联网和AIoT的迅猛发展,32位MCU需求旺盛。传统的8位MCU正在被性能更高、存储容量更大、外设更多、价格便宜的国产32位MCU替代;突如其来的新冠疫情导致芯片产能减少,国外芯片交货...

486

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

挚同道合,物所不能!挚物·AIoT产业领袖峰会报名进入倒计时!

自两年前马云提出“物联的本质是智联网”这一论断,智联网(AIoT)一词便火速走红。它揭示了AI与IoT内在需求的呼应、协同落地的趋势,之后,我们见证了双方携手在科技圈各大领域攻城略地的宏大手笔。 这一端,IoT源源不断地扩充着自身的技术体系,从简单的“三横四纵”架构,广泛吸纳临近技术和外来物种(5G、容器、开源、边缘智能、数据中台…)。同时,IoT在行业中试探技术潜能,验证数字化赋能的价值。万事开...

优快云资讯 3020

【分享汇总】AIoT 开源科技节暨 OpenHarmony 技术论坛(附链接)

在开源科技 OSTech 和环球资源联手举办的“AIoT 开源科技节暨 OpenHarmony 技术论坛”上,一众技术大咖、开源鸿蒙生态上下游厂商与开发者群体齐聚一堂,畅谈“企业与 OpenHarmony 如何深度合作”、“OpenHarmony 技术在芯片产业、万物互联新技术及智慧社区发展中如何发挥具体作用”等话题。 华为 HarmonyOS 开源与开发者运营总监欧建深、江苏润和软件鸿蒙研发总监石磊、深圳市亲邻科技技术总监苏熙烽、华为 HDE 连志安分别作主题分享。现将分享视频汇总如下,精彩内容不容

OpenHarmony_dev的博客 1789

【大数据】AI、IoT、区块链这些技术与大数据融合,大数据基础软件干货不容错过

作者:刘学习  | 小编:阿软在IT产业发展中,包括CPU、操作系统在内的基础软硬件地位独特,不但让美国赢得了产业发展的先机,成就了产业巨头,而且因为技术、标准和生态形成的壁垒,主宰了整个产业的发展。错失这几十年的发展机遇,对于企业和国家都是痛心的。当大数据迎面而来,并有望成就一个巨大的应用和产业机会时,企业和国家都虎视眈眈,不想错再失这一难得的机遇。与传统的IT产业一样,大数据除了应用的巨大市场

中国软件网 4120

专业“陪聊”:华为云IoT扫地僧期待与您HDC大会共叙发展

华为开发者大会2023(Cloud)即将开启,为大家推荐4位深耕物联网领域20多年的扫地僧,快来参与见面会,一起论道切磋吧

华为云官方博客 1198

「2019 嵌入式智能国际大会」 399 元超值学生票来啦,帮你豪省 2600 元!

2019 嵌入式智能国际大会即将来袭!购票官网:https://dwz.cn/z1jHouwE(点击链接马上购票) 物联网是继计算机、互联网和移动通信之后的又一次信息产业的革命性发展,在互联网和移动互联网高速发展的时代,几乎所有行业都有数据联网的需求。 无论是国外的科技巨头IBM、英特尔、亚马逊,还是国内的阿里巴巴、华为和腾讯,早已将物联网作为未来发展的核心业务之一。 与此同时,自...

优快云资讯 1万+

华为云MVP朱有鹏:做IoT开发乐趣无穷,年轻开发者更要厚积薄发

可以预见的是,AIoT会是未来一段时间主流的技术趋势方向,当前也有不少科技巨头涌入其中,蓄势待发,而5G的到来加速了AIoT产业的扩张速度,所以如华为云MVP朱有鹏所说,年轻的开发者应该要拥抱IoT、拥抱AI、拥抱新技术。

华为云官方博客 4159

「2019嵌入式智能国际大会」 399元超值学生票来啦,帮你豪省2600元!

2019 嵌入式智能国际大会即将来袭!购票官网:https://dwz.cn/z1jHouwE物联网是继计算机、互联网和移动通信之后的又一次信息产业的革命性发展,在互联网...

AI科技大本营 1755
上一篇: 招聘|与RT-Thread同行,你的入场券在这
下一篇: 明晚直播预告:手把手教你使用 ART-Pi 入门 TOUCHGFX
评论
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