- 博客(8)
- 收藏
- 关注
RSS订阅原创 嵌入式系列之zynq7020学习2：逻辑电路和时序电路以及如何读时序图
当时钟信号从0变成1的瞬间（上升沿）， 触发器会立刻读取此时D端的数据，并将其锁存到Q端（存储单元里保存了数据，输出端数据抑制不变）。相当于寄存器采样，描述的是时序逻辑的并行更新。在时序逻辑中，右边的值计算后，先存起来，等always块结束后同时执行更新，所以变量还是语句开始时的。在时钟上升沿，所有触发器同时查看自己当前的输入，所有触发器同时更新自己的输出。在时钟上升沿，所有触发器同时查看自己当前的输入，所有触发器同时更新自己的输出。既关心现在，也关心过去。的输出，所以，这个输出同时也是存储单元里的值。
2025-12-25 00:01:49
583
原创 嵌入式系列之zynq7020学习1：Xilinx工具链变化（2017年至2023年）以及工程重建至2022.2
Xilinx 工具从 “SDK 集成在 Vivado” 到 “Vitis 独立工具”，再到 “Vivado/Vitis 工程完全解耦==========
2025-12-24 18:38:07
771
原创 happy-llm项目task05:预训练语言模型三大类
Masked Language Model，MLM，掩码语言模型，即在一个文本序列中随机遮蔽部分 token，然后将所有未被遮蔽的 token 输入模型，要求模型根据输入预测被遮蔽的 token。Decoder部分，在Encoder基础上，还包含了Encoder-Decoder Attention 结构，用于捕捉输入和输出序列之间的依赖关系。Encoder部分，主要包括自注意力机制和前馈神经网络，前者用于捕捉输入序列中的全局依赖关系，后者用于处理特征的非线性变换；
2025-12-24 02:56:45
609
原创 happy-llm项目task03: Transformer与Encoder&Decoder
在RNN类架构计算效率低和难以实现并行化计算的背景下，发展出了Transformer这类神经网络架构，带来了NLP领域的大变革，其关键思想在于“注意力机制”的应用，虽然这种思想最早来自于图像领域。指的是，输入为序列，输出可能为一个不等长序列。，即，将第一个层的输出作为 quency, 同时，使用Encoder的输出作为key 和value， 由此来计算注意力分数。为了避免复杂、深度模型退化，有这个一个处理思想：下一层的输入，在上一层的输出的基础上，还加上了上一层的输入。残差连接 resifual。
2025-12-21 02:18:29
343
原创 AI硬件与机器人打卡-task01：具身智能与基础控制算法
指物理实体, 仿生学角度的五官和四肢等。(1)传感器，包括但不限于可见光、激光雷达、惯导等提供关于环境和自身的一些信息，(2)执行机构，能够执行决策的实体，比如机械臂，比如轮子。：指感知、决策的能力或者智慧，实现形式是算法。比如大模型算法，要提前学习环境（预先训练），要能适应环境（强化学习）。：需要去理解、去适应的复杂的、时变的、非线性的物理实体。
2025-12-19 00:42:11
248
原创 happy-llm项目task02: Transformer与Attention
NLP领域中，文本表示方法作为核心问题，从统计学习发展到了深度学习。前者指，向量空间模型、word2Vec 的单层神经网络等。后者指，神经网络学习的方式。神经网络的发展经历了三个大阶段：全连接神经网络（FNN）， 到卷积神经网络（CNN），再到 循环神经网络（RNN）。RNN在NLP任务上优势非常明显，擅长处理序列（文本）、时序数据。即时后来，在RNN这个领域里，提出了LSTM， BiLSTM等新型架构，但是仍然无法解决大规模数据处理时效率低的问题，且由于顺序执行无法并行计算。
2025-12-17 02:19:01
181
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人