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
1.7k累计阅读
1.8k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
Arm Developer :
https://developer.arm.com/tools-and-software/open-source-software/developer-tools/gnu-toolchain/gnu-a/downloads
https://developer.arm.com/downloads/-/gnu-a
https://developer.arm.com/downloads/-/gnu-rm
linaro:
http://releases.linaro.org/components/toolchain/binaries/
https://snapshots.linaro.org/gnu-toolchain/
windows编译工具：
https://sourceforge.net/projects/mingw-w64/files/
ARM64、RISCV64、ARM32等交叉编译工具下载配置
这是因为你的开发板上的 glibc（GNU C Library）版本较低，不满足程序所需的最低版本要求。2、静态链接 glibc：另一种方法是静态链接 glibc 库，以便将其包含在你的可执行文件中。然而，这可能需要更改整个操作系统的 glibc 版本，可能会引入其他潜在的兼容性问题。1、升级 glibc：可以尝试在开发板上升级 glibc 版本，以满足程序对 GLIBC_2.34 的要求。该问题源于程序本身直接依赖的库没有问题，但是在迁移到其他机器时，间接依赖的库版本不兼容。将交叉编译工具链解压到。
常用技术网站——嵌入式、通信等
资料包括嵌入式、通信相关的常用网站，如uboot、kernel、busybox网站等，为个人平时积累所总结，如有问题，也可及时留言沟通，谢谢。
ffmpeg的aarch64-linux-gnu交叉编译
ffmpeg的aarch64-linux-gnu交叉编译
aarch64-linux-gnu_交叉编译工具链
1、.tar.xz 文件 工具链下载：https://mirrors.tuna.tsinghua.edu.cn/armbian-releases/_toolchains/ 命令下载： wget https://mirrors.tuna.tsinghua.edu.cn/armbian-releases/_toolchains/gcc-linaro-6.4.1-2017.11-x86_64_aarch64-linux-gnu.tar.xz 解压 xz -d gcc-linaro-6.4.1-2017.11-x
STM32学习笔记（2）： CLion开发环境搭建
基于HAL库的CLion+STM32CubeMX开发环境搭建及项目创建基础流程。
新版本ARM交叉编译器官网下载地址(arm-none-eabi、arm-none-linux-gnueabihf、aarch64-none-elf、aarch64-none-linux-gnu)
交叉编译器官网下载地址：https://developer.arm.com/tools-and-software/open-source-software/developer-tools/gnu-toolchain/gnu-a/downloads
arm-交叉编译器下载
官网下载一直中断。上传一份。 1.gcc-linaro-4.9-2016.02-x86_64_aarch64-linux-gnu.tar.xz
Arm Compiler 5.06 | 编译器官网下载, 安装及使用说明( 保姆级教程, 官网下载和注册链接跳转异常问题, 附官网安装包 )
Keil MDK-Arm5.37 之后版本不再默认安装 Arm Compiler 5.06 ，而安装的只有最新的V6版本的编译器。本文适用：Keil报错；STM32工程编译报错；新版Keil不兼容旧工程；安装后编译器路径识别失败；官网下载异常等问题...
ARM 编译工具链详解
GNU Arm Embedded Toolchain 是用于 C/C++ 和汇编编程的即用型开源工具套件。GNU Arm 嵌入式开发工具链适用于 32 位 Arm Cortex-A，Arm Cortex-R 和 Arm Cortex-M 处理器系列。GNU Arm 嵌入式工具链包括 GNU 编译器 (GCC)，可直接从 Arm 官方免费获得，用于在 Windows，Linux 和 Mac OS X 操作系统上进行嵌入式软件开发。
aarch64交叉编译的valgrind-3.24.0版本
交叉编译工具：aarch64-linux valgrind软件版本：3.24.0 使用时添加环境变量： export VALGRIND_LIB=/opt/aarch64_build/libexec/valgrind export PATH="/opt/aarch64_build/bin":$PATH
Tessent Atpg系列 第七章 Running ATPG Patterns -- 如何书写proc文件
本篇文章是记录Tessent scan ATPG系列 本文并非是对userguide的完全翻译，而是自己对userguide的理解，此外，有部分比较深入的内容可能需要后续实验验证。本系列并不对tessent scan做过多描述。 请勿随意转载： 优快云 博主： ciscomonkey一种是在使用tessent scan之后使用ATPG 另一种是使用第三方工具，如snps的DFTC之后使用tessent的ATPG。 这里我们仅仅介绍without tessent scan之后tessent ATPG:对于t
Ubuntu20.04_x86交叉编译aarch64版本的tslib1.22步骤
Ubuntu20.04_x86交叉编译aarch64版本的tslib1.22方法和步骤，虚拟机下编译测试通过，需要安装先安装交叉编译工具aarch64-linux-gnu-7.5.0
超越数据手册：深入Zynq XADC的DRP接口与PL端自定义采样逻辑
本文深入探讨Zynq-7000系列XADC模块的DRP接口机制与PL端自定义采样逻辑实现。通过硬件级多通道轮询、触发采样和实时校准技术，突破传统软件驱动限制，为高精度电压测量和通讯应用提供极致灵活性和响应速度。
RT-Smart 官方 aarch64 平台 musl gcc 工具链下载
RT-Smart 官方 aarch64 平台 musl gcc 工具链下载
自定义配方画面的具体方法示例 - 嵌入式
自定义配方画面的具体方法示例 - 嵌入式在TIA博途WinCC中，您可以通过编程来创建自定义配方画面。这些画面可以用于显示和编辑您的嵌入式系统中的配方参数。下面是一个示例，展示了如何在WinCC中实现自定义配方画面的方法。首先，您需要创建一个新的画面，并添加必要的控件来显示和编辑配方参数。在WinCC中，您可以使用文本框、按钮和标签等控件来实现这一目的。以下是一个简单的示例，展示了如何创建一个具有文本框和按钮的配方画面：创建新画面：添加控件：编辑控件属性：编写脚本： 在这个示例中，我们定义了两个变量和来存储
数字图像处理：直方图匹配或规定化Histogram Matching (Specification)原理及感悟
本文介绍了连续图像和数字图像直方图匹配（直方图规定化）的原理、处理过程，并提供了案例进行了讲解。可以看到，直方图均衡处理是直方图匹配的一个重要桥梁。 最后，对于直方图规定化这个翻译个人觉得很low，个人感觉叫指定直方图更好理解，但Histogram Specification怎么翻译确实不太好把握，因此还是叫Histogram Matching直方图匹配最好。
下载较老版本或最新版本的ARM Linux gcc 交叉编译工具链
下载较老版本或最新版本的ARM Linux gcc 交叉编译工具链
什么是 SAP ABAP Secure Storage
此过程将单独的密钥存储在密钥路径中的密钥文件中，并自动使用新加密密钥加密安全存储中的所有数据记录。需要注意的是，不要在没有命令行工具的情况下操作密钥文件，例如，不要用不同的版本替换密钥文件，否则，安全存储中的数据记录可能变得不可读。当需要访问这些数据时，系统会对其进行解密。文件系统中的安全存储（Secure Storage in the File System）也是 SAP NetWeaver Application Server for ABAP 的一部分，主要用于安全存储连接相关的数据，如密码等。
ARM-GCC交叉编译工具
如果 glibc 安装在正确的 sysroot 目录结构中，GCC 会自动找到它；否则，可能会导致 cannot find -lc 这样的错误。/aarch64-none-linux-gnu/libc就是是 GCC 默认的 sysroot，包含标准库和头文件。让编译器 自动检测本地 CPU（仅在本机运行编译时有效）。其中libraries:开头的表示搜索库的路径。这些路径就是 GCC 默认的头文件搜索路径。库文件（libraries）查找路径。头文件（headers）查找路径。
42、使用mmrotate中k3det进行旋转目标检测，并进行mnn部署和ncnn部署
基本思想：仍然是身份证分割，并进行ncnn和mnn的c++的部署开发
人工智能面试总结-分类与聚类
目录说说常用的分类算法，以及各自的优缺点？说说为什么正确率有时不能有效评估分类算法？说说什么样的分类器最好？说说聚类算法有哪些衡量标准？（选看）各聚类算法性能比较汇总说说什么是聚类，你知道哪些聚类算法？具体展开介绍你知道的聚类算法？说说K-Means聚类算法流程？说说K-Means聚类算法如何调优？说说K-Means聚类算法如何选择初始点？说说K-Means聚类聚的是特征还是样本？说说K-Means聚类的特征距离是如何计算的？说说聚类与分类的区别？手撕K-Means聚类 说说常用的分类算法，以及各自的优缺点
ubuntu搭建aarch64-linux-gnu交叉编译环境
ubuntu搭建aarch64-linux-gnu交叉编译环境
Android14 SystemUI如何实现下拉菜单栏高斯模糊背景效果（类似于毛玻璃效果）
我们都知道，从Android12起，下拉菜单栏控制中心都是黑色的，看起来非常不美观，而且国内的手机系统UI都做的比较美观，大部分的下拉菜单UI背景都是实现了高斯模糊效果，所以客户也会要求实现类似于这样的效果。在以前的Android项目中，实现下拉菜单栏的模糊背景就是通过截图的方式进行替换背景，而这种方式下拉菜单背景极易替换不了，就算是在各个地方都适配，还是有概率在复杂场景或者一些测试手法下出现背景是黑的情况，并且这种方式还比较影响性能，毕竟每次都要去截图一次，多做了额外的事。
ARM开发环境下载地址大全
arm gcc工具链下载简介
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
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")
aarch64(ARMv8)交叉编译环境下载
简介在64位ubuntu14.04搭建交叉编译环境，去官网（www.linaro.org）下载解压，设置PATH路径即可 说明gcc-linaro-6.3.1-2017.05-i686_aarch64-linux-gnu.tar.xz和gcc-linaro-6.3.1-2017.05-x86_64_aarch64-linux-gnu.tar.xz的区别 看下下面的图就知道了引用 htt
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
aarch64-himix210-linux-gcc 海思交叉编译器下载安装
海思 交叉编译器
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1825
扫一扫
