2018.7.27笔记

最新推荐文章于 2023-08-26 11:30:50 发布

原创最新推荐文章于 2023-08-26 11:30:50 发布 · 266 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #神经网络

笔记专栏收录该内容

4 篇文章

订阅专栏

本文介绍了一个串口发送函数及初始化IO串口的方法，提供了ASCII码表，并展示了如何在TensorFlow中实现常见的神经网络层，如一维卷积层。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

串口发送函数

u8 fput8bit(u8 Data)
{
   while((UART5->SR&0X40)==0);//循环发送,直到发送完毕
   UART5->DR = Data;
   return Data;
}

初始化IO 串口1函数

//pclk2:PCLK2时钟频率(Mhz)
//bound:波特率
void uart_init(u32 pclk2,u32 bound)
{
   float temp;
   u16 mantissa;
   u16 fraction;
   temp=(float)(pclk2*1000000)/(bound*16);//得到USARTDIV@OVER8=0
   mantissa=temp;               //得到整数部分
   fraction=(temp-mantissa)*16; //得到小数部分@OVER8=0
mantissa<<=4;
   mantissa+=fraction;
   RCC->AHB1ENR|=1<<2;    //使能PORTC口时钟,TX
   RCC->AHB1ENR|=1<<3;    //使能PORTD口时钟,RX
   RCC->APB1ENR|=1<<20;     //使能串口1时钟,UART5 P245(EN)
   GPIO_Set(GPIOC,PIN12,GPIO_MODE_AF,GPIO_OTYPE_PP,GPIO_SPEED_50M,GPIO_PUPD_PU);//PA9,PA10,复用功能,上拉输?
   GPIO_Set(GPIOD,PIN2,GPIO_MODE_AF,GPIO_OTYPE_PP,GPIO_SPEED_50M,GPIO_PUPD_PU);//PA9,PA10,复用功能,上拉输出?
    GPIO_AF_Set(GPIOC,12,8);   //PA9,AF7 继续确认
   GPIO_AF_Set(GPIOD,2,8);//PA10,AF7
   //波特率设置
    UART5->BRR=mantissa;    //波特率设置
   UART5->CR1&=~(1<<15);    //设置OVER8=0
   UART5->CR1|=1<<3;     //串口发送使能
#if EN_UART5_RX           //如果使能了接收
   //使能接收中断
   UART5->CR1|=1<<2;     //串口接收使能
   UART5->CR1|=1<<5;     //接收缓冲区非空中断使能
   MY_NVIC_Init(3,3,UART5_IRQn,2);//组2，最低优先级
#endif
   UART5->CR1|=1<<13;     //串口使能
}

ASCII码表

Bin   Dec   Hex 缩写/字符   解释
00000000   0   00   NUL(null)   空字符
00000001   1   01   SOH(start of headling)   标题开始
00000010   2   02   STX (start of text)   正文开始
00000011   3   03   ETX (end of text)   正文结束
00000100   4   04   EOT (end of transmission)   传输结束
00000101   5   05   ENQ (enquiry)   请求
00000110   6   06   ACK (acknowledge)   收到通知
00000111   7   07   BEL (bell)   响铃
00001000   8   08   BS (backspace)   退格
00001001   9   09   HT (horizontal tab)   水平制表符
00001010   10   0A   LF (NL line feed, new line)   换行键
00001011   11   0B   VT (vertical tab)   垂直制表符
00001100   12   0C   FF (NP form feed, new page)   换页键
00001101   13   0D   CR (carriage return)   回车键
00001110   14   0E   SO (shift out)   不用切换
00001111   15   0F   SI (shift in)   启用切换
00010000   16   10   DLE (data link escape)   数据链路转义
00010001   17   11   DC1 (device control 1)   设备控制1
00010010   18   12   DC2 (device control 2)   设备控制2
00010011   19   13   DC3 (device control 3)   设备控制3
00010100   20   14   DC4 (device control 4)   设备控制4
00010101   21   15   NAK (negative acknowledge)   拒绝接收
00010110   22   16   SYN (synchronous idle)   同步空闲
00010111   23   17   ETB (end of trans. block)   传输块结束
00011000   24   18   CAN (cancel)   取消
00011001   25   19   EM (end of medium)   介质中断
00011010   26   1A   SUB (substitute)   替补
00011011   27   1B   ESC (escape)   溢出
00011100   28   1C   FS (file separator)   文件分割符
00011101   29   1D   GS (group separator)   分组符
00011110   30   1E   RS (record separator)   记录分离符
00011111   31   1F   US (unit separator)   单元分隔符
00100000   32   20   (space)   空格
00100001   33   21   !
00100010   34   22   "
00100011   35   23   #
00100100   36   24   $
00100101   37   25   %
00100110   38   26   &
00100111   39   27   '
00101000   40   28   (
00101001   41   29   )
00101010   42   2A   *
00101011   43   2B   +
00101100   44   2C   ,
00101101   45   2D   -
00101110   46   2E   .
00101111   47   2F   /
00110000   48   30   0
00110001   49   31     1
00110010   50   32   2
00110011   51   33   3
00110100   52   34   4
00110101   53   35   5
00110110   54   36   6
00110111   55   37   7
00111000   56   38   8
00111001   57   39     9
00111010   58   3A     :
00111011   59   3B     ;
00111100   60   3C   <
00111101   61   3D   =
00111110   62   3E   >
00111111   63   3F   ?
01000000   64   40   @
01000001   65   41     A
01000010   66   42   B
01000011   67   43   C
01000100   68   44   D
01000101   69   45   E
01000110   70   46   F
01000111   71   47     G
01001000   72   48     H
01001001   73   49   I
01001010   74   4A   J
01001011   75   4B   K
01001100   76   4C     L
01001101   77   4D     M
01001110   78   4E     N
01001111   79   4F     O
01010000   80   50     P
01010001   81   51     Q
01010010   82   52     R
01010011   83   53   S
01010100   84   54   T
01010101   85   55   U
01010110   86   56   V
01010111   87   57   W
01011000   88   58   X
01011001   89   59   Y
01011010   90   5A   Z
01011011   91   5B   [
01011100   92   5C   \
01011101   93   5D   ]
01011110   94   5E   ^
01011111   95   5F   _
01100000   96   60   `
01100001   97   61   a
01100010   98   62   b
01100011   99   63   c
01100100   100   64   d
01100101   101   65     e
01100110   102   66   f
01100111   103   67   g
01101000   104   68   h
01101001   105   69   i
01101010   106   6A   j
01101011   107   6B   k
01101100   108   6C   l
01101101   109   6D   m
01101110   110   6E   n
01101111   111   6F   o
01110000   112   70   p
01110001   113   71   q
01110010   114   72     r
01110011   115   73   s
01110100   116   74   t
01110101   117   75   u
01110110   118   76   v
01110111   119   77   w
01111000   120   78   x
01111001   121   79   y
01111010   122   7A   z
01111011   123   7B     {
01111100   124   7C   |
01111101   125   7D   }
01111110   126   7E   ~
01111111   127   7F   DEL (delete)   删除

string数组的定义

String arr[] = new String[10]; //创建一个长度为10的String 类型数组。

String arr[] = {"张三","李四"};

String[] arr = new String[10];

String与int互转

将字串 String 转换成整数 int

int i = Integer.parseInt([String]);

i = Integer.parseInt([String],[int radix]);

int i = Integer.valueOf(my_str).intValue()。

将整数 int 转换成字串 String

String s = String.valueOf(i);

String s = Integer.toString(i);

String s = "" + i。

https://www.cnblogs.com/cnugis/p/7650111.html

https://blog.youkuaiyun.com/fendouaini/article/details/75209163

https://blog.youkuaiyun.com/yat_chiu/article/details/72851316?utm_source=itdadao&utm_medium=referral

https://blog.youkuaiyun.com/leviopku/article/details/78510977

tf.expand_dims()

在第axis位置增加一个维度
给定张量输入，此操作在输入形状的维度索引轴处插入1的尺寸。尺寸索引轴从零开始; 如果您指定轴的负数，则从最后向后计数。
如果要将批量维度添加到单个元素，则此操作非常有用。
例如，如果您有一个单一的形状[height，width，channels]，您可以使用expand_dims（image，0）使其成为1个图像，这将使形状[1，高度，宽度，通道]。
# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]
# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

tf.squeeze()

从tensor中删除所有大小是1的维度
给定张量输入，此操作返回相同类型的张量，并删除所有尺寸为1的尺寸。
如果不想删除所有尺寸1尺寸，可以通过指定squeeze_dims来删除特定尺寸1尺寸。
如果不想删除所有大小是1的维度，可以通过squeeze_dims指定。

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t)) ==> [2, 3]
Or, to remove specific size 1 dimensions:
# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

用 TENSORFLOW 实现神经网络常见层

import tensorflow as tf
import numpy as np
sess = tf.Session()
data_size = 25
data_1d = np.random.normal(size=data_size)
x_input_1d = tf.placeholder(dtype=tf.float32, shape=[data_size])

def conv_layer_1d(input_1d, my_filter):
# make 1d input into 4d
input_2d = tf.expand_dims(input_1d, 0)
input_3d = tf.expand_dims(input_2d, 0)
input_4d = tf.expand_dims(input_3d, 3)
# perform convolution
convolution_output = tf.nn.conv2d(input_4d, filter=my_filter,
strides=[1,1,1,1], padding="VALID")
conv_output_1d = tf.squeeze(convolution_output)
return(conv_output_1d)

my_filter = tf.Variable(tf.random_normal(shape=[1,5,1,1]))
my_convolution_output = conv_layer_1d(x_input_1d, my_filter)

https://blog.youkuaiyun.com/m0_37167788/article/details/79066487

https://www.cnblogs.com/cloud-ken/p/8425360.html

https://blog.youkuaiyun.com/cxmscb/article/details/71023576