- 博客(64)
- 资源 (3)
- 收藏
- 关注
原创 使用J-Link7.2及以下版本烧录增加雅特力固件支持包
我的雅特力MCU型号为AT32F413RCT7, 从J-link官网 https://www.segger.com/downloads/jlink/ 下载最新的8.12版本进行烧录时, 发现总是找不到设备.于是回退到7.2版本. 本文描述7.2版本烧录配置过程。
2025-01-08 12:01:51
455
原创 使用autotools自动生成Makefile
autotools可以根据环境变量自动切换编译编译平台, 生成针对目标平台的软件或库。它是在在Makefile的基础上进行了一些列的自动化构建。开发者需要编辑的只有源代码的编译选项及依赖关系。
2024-02-27 00:49:05
711
原创 Linux下各种压缩包的压缩与解压
Linux下7z, rar,tar, bz2, gz, lz, lzma, lzo, xz, zip等压缩与解压缩
2024-02-22 15:49:00
797
原创 ssh使用密钥远程连接问题排查
ssh使用密钥远程连接时,会因为各项原因导致无法连接本文以本机(windows), 连接目标机(Ubuntu) 为例, 列出应该逐项排查的问题, 确保能够正确连接。
2024-02-07 14:17:37
882
原创 Shell基本语法--算数运算
shell算数运算, 与其他语言天然的算术运算环境不同, shell要进行算数运算时需要使用额外的标识符, 本文对此做详细解释
2022-06-11 10:04:21
180
原创 ../../lib/libopencv_world.so.4.5.3: undefined reference to `png_do_expand_palette_rgb8_neon‘
编译opencv4.5.3错误解决
2021-12-23 11:53:54
5591
7
原创 windows下CMD中使用ssh登录远程服务器报Permissions for ‘xxx‘ are too open.
windows下在CMD终端使用ssh协议登录远程服务器时报密钥权限问题, Permissions for ‘xxx’ are too open, 权限太开放。本文将终结此问题。
2021-12-17 11:10:18
4462
1
原创 delete called on non-final ‘xxx‘ that has virtual functions but non-virtual destructor
Qt中遇到如下警告warning: delete called on non-final 'xxx' that has virtual functions but non-virtual destructor因为类中有纯虚函数。 只要纯虚函数, 就必须要虚析构函数。所以解决办法就是在原类中定义虚析构函数。...
2021-11-17 10:42:00
4318
原创 查看Linux系统支持的显示设备所能输出的分辨率
$ for i in $(ls -1 /sys/class/drm/*/modes); do echo "$i:"; cat $i; done 会得到如下返回/sys/class/drm/card0-Virtual-1/modes:preferred2560x16001920x14401856x13921792x13441920x12001600x12001680x10501400x10501280x10241440x9001280x9601360x7681280x800
2021-11-16 12:39:32
2164
原创 vmware workstation 各个版本官网下载链接
Download VMware Workstation Pro 14Download VMware Workstation Pro 15Download VMware Workstation Pro 16VMware官网各个历史版本的下载可以通过如下链接找到:https://my.vmware.com/group/vmware/downloads/info/slug/desktop_end_user_computing/vmware_workstation_pro/16_0将最后的16改成其他版本
2021-08-15 17:57:37
17777
3
原创 恢复系统默认.bashrc和.bash_profile
运维时,有的服务器出现-BASH-4.2#代表个人目录没有正确的启动。将原配置文件备份后, 恢复默认的系统配置文件cp /etc/skel/.bashrc /rootcp /etc/skel/.bash_profile /root
2021-07-13 22:00:43
1434
原创 特征工程总结与示例
特征工程是指将原始数据集处理成适合机器学习数据集的过程.总结如下处理数据集的案例以便参考.准备以下10条数据, 保存为test.txtmilage,Liters,Consumtime,target40920,8.326976,0.953952,314488,7.153469,1.673904,226052,1.441871,0.805124,175136,13.147394,0.428964,138344,1.669788,0.134296,172993,10.141740,1.032955
2021-06-25 11:22:58
577
原创 机器学习算法:决策树
决策树算法简述我们做一系列决定时, 会根据我们最关注的点, 一步一步推想得出最终决定, 例如找女朋友的决策过程, 价值观融洽–>貌美如花–>乐观开朗–>勤劳上进–> 不顾一切地追求. 这就是一个决策树. 对于机器而言, 决定目标是否重要是根据信息熵来决定的.在计算时, 信息熵的熵减最大的目标, 就是最重要的目标. 通俗来讲, 一个目标由多种因素构成, 每中因素的有无, 对整个目标的判断影响是一个百分比, 比值越大的, 熵减越大, 它就是越重要的信息.决策树代码示例数据集链接
2021-06-23 23:00:10
142
原创 机器学习算法: K-means聚类算法
K-means聚类算法简述K-means聚类算法有个大前提, 就是面对一堆数据, 我们事先知道这些数据的种类数.聚类算法通过迭代计算数据与中心点的距离, 最终锁定种类中心的方式, 实现数据的分类.代码案例使用k聚类算法对用户购物篮进行分类数据集链接 提取码: n53ximport pandas as pd# 导入特征降维工具from sklearn.decomposition import PCA# 导入聚类算法估计器from sklearn.cluster import K
2021-06-23 22:44:03
530
原创 机器学习算法: 岭回归算法
岭回归算法简述岭回归算法的出现, 最终目标是在欠拟合与过拟合的算法中,找到的一种折中的解决方案.欠拟合的函数如y = k1x + k2x^2 + ... + knx2 , 都是低次幂的简单线性方程的组合. 而过拟合的函数如: y = k1x^2 + k2x^3 + ... + knx^n 有很多高次幂的复杂线性方程的组合. 要在两者之间找一个折中的解决方案, 就是岭回归算法. 岭回归算法会将过拟合的高次幂函数正则化, 从而得到折中的曲线.欠拟合 欠拟合是指抽取特征太少, 导致训练正确率低, 模型预判的
2021-06-23 20:54:00
1260
2
原创 python中文分词库jieba的使用
python中的中文分词库jieba非常好用首先使用pip安装扩展库: pip install jieba如果速度太慢, 可以换清华园源安装: pip install -i https://pypi.tuna.tsinghua.edu.cn/simple jieba使用示例:# 安装扩展包后导入jieba库import jieba# 导入文本特征提取工具from sklearn.feature_extraction.text import CountVectorizer# 对中文进行分词
2021-06-23 08:10:03
750
原创 机器学习算法: 梯度下降算法
梯度下降算法简述梯度下降算法是对线性回归算法的优化. 线性回归算法遇到大量特征, 且特征复杂的情况时, 求解速度很慢, 且得不到结果. 梯度下降算法则是先设置学习率和学习方向, 逐步调整线性回归的系数. 使用梯度下降算法, 必定会得到最终的结果. 学习率的设置理论上越小, 结果越理想, 但学习率越小, 计算量越大, 所以要设置合适的学习率算法示例# 导入数据集, 波士顿房价影响因素与房价相关数据from sklearn.datasets import load_bostonfrom sklearn
2021-06-22 22:43:36
270
1
原创 机器学习算法: 线性回归算法
线性回归算法原理简述对于生活中有类似线性变化规律的事物, 我们试图总结出一条有明确规律的变化曲线, 最终利用这条变化的曲线的顾虑, 对事物将来可能的变化做出预测.主要的应用场景是股市k线走势预测, 各种商品价格波动预测算法示例根据波士顿房价影响因素历史数据, 生成线性回归模型# 导入数据集, 波士顿历史房价数据from sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_spli
2021-06-22 22:28:18
208
原创 机器学习算法: 朴素贝叶斯算法
朴素贝叶斯算法原理简述理解朴素贝叶斯算法之前, 先应该理解什么是条件概率. 条件概率是指, 在事件A已经发生的情况下, 事件B发生的概率. 数学符号记作P(A|B). 机器学习就是利用这个原理, 对数据进行分类.分类的过程通俗来讲, 就是:我们有y1 ~ yn 共n种分类, 然后我们有待分类的数据x, 最终想确定x属于哪一个分类. 所以我们就有一种思想, 找出条件概率最大的y分类, 就知道x属于哪一类了. 既求: max{ P(x|y1) ... P(x|yn) }代码示例以下案例使用约20w篇
2021-06-22 22:14:01
179
Modern_PHP(安道_译)_lockhart著_完整目录版
2018-04-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人