yxn4065的博客

CUDA是NVIDIA推出的一个并行计算平台和编程模型，它允许开发者使用NVIDIA的GPU进行高性能计算。CUDA提供了一套丰富的API，使得开发者能够轻松地编写在GPU上运行的并行代码，从而显著提高计算性能。官网：https://developer.nvidia.com/这是一个包含CUDA编译器、调试器、性能分析工具等的开发套件，用于帮助开发者构建、优化和调试CUDA应用程序。CUDA Toolkit是开发CUDA程序的基础。cuDNN是NVIDIA专门为深度神经网络设计的一套加速库。

在计算机视觉的广阔领域中，数据标注无疑占据着举足轻重的地位。作为构建和训练视觉模型的基础，数据标注为机器提供了理解和解析图像的关键信息。对于初学者而言，掌握数据标注技能不仅是进入计算机视觉领域的敲门砖，更是提升模型性能、实现精准图像识别的关键所在。数据标注不仅仅是简单的标记工作，它涉及到对图像内容的深入理解、对标注规范的准确把握，以及耐心细致的操作。通过数据标注，我们可以将图像中的目标物体、关键特征以及上下文信息提取出来，为模型的训练提供丰富的素材。

想要让树莓派的Python环境更高效？只需三步：一，删除老旧Python 2，释放资源；二，设置Python 3为默认，提升开发效率；三，配置国内高速Python镜像源，加速包下载。三步走，让树莓派Python环境焕然一新，编程更顺畅！

Anaconda是一个用于学习和开发Python编程语言的软件包一个由Python编写的集成开发环境（IDE）。它提供了多个命令行工具，如shell、condal等，以及配套的依赖管理器pip。通过使用这些工具和库文件，你可以快速地搭建起自己的Python环境，并进行各种类型的编码实验。与其他 Unix/Linux 命令行界面相比，Anaconda具有更高的可定制性和灵活性，因为它提供了类似于Windows桌面应用程序的图形用户界面（GUI）。

WFST的融合一般是从大到小，即先将G与L进行融合，再一次融合C、H，每次融合都要进行确定化（determinisation）和最小化（minimisation），最小化是指将WFST转换为一个状态节点和边更少的等价WFST，提高搜索的效率。至此，HCLG.fst已经生成，整个kaldi语音识别系统的核心内容已经构建完成!

整个过程分为10个环节，其中有5个是与对齐相关的，为了方便理解，这10个环节，只讲其中的2个（**train_mono 单因素训练模型和align_si对齐**），其他的基本都是进行优化。整个GMM训练模型的过程就是这样。总的来说，模型训练得越好，对齐就对得越准，就越可以提高语音识别的准确度

前面的内容中我们完成了特征的提取,那么本章节我们主要进行理论部分的笔记。知道自己在干嘛才能更好效率的学习,简单对语音识别进行一个回顾,然后介绍一下语音识别常用的也是最简单的 DTW（动态时间弯折）算法。

人通过声道产生声音，声道的shape决定了发出怎样的声音。声道的shape包括舌头，牙齿等。如果我们可以准确的知道这个形状，那么我们就可以对产生的音素(phoneme)进行准确的描述。声道的形状在语音短时功率谱的包络中显示出来。而MFCC就是一种准确描述这个包络的一种特征。所谓特征提取，也就是提取语音信号中有助于理解语言内容的部分而丢弃掉其它的东西（比如背景噪音和情绪等等）。MFCC。

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。使用TensorFlow建立卷积神经网络，完成手写字体识别任务。使用TensorFlow建立循环神经网络，完成诗词创作任务

C 均值 (C-means) 算法是一种很常用的聚类算法，其基本思想是，通过迭代寻找 c 个聚类的一种划分方案，使得用 c 个聚类的均值来代表相应各类样本时所得到的总体误差最小。C 均值方法有时也被称作 k 均值 (k-means) 方法

它有多种方法为散点图添加颜色并指定图例。在本文中，我们将学习如何向散点图添加正确的图例，该散点图由作为数据一部分的变量着色。我们将使用的数据绘制散点图。我们在datavizpyr.com的github页面上有此数据在这里，我们使用Pandas的dropna()函数删除所有丢失的数据首先，让我们开始使用Matplotlib的散点函数制作散点图。我们使用scatter()函数中的" c "参数来根据数据框架中的物种变量为数据点着色。请注意，由变量着色的散点图缺少描述我们所看到的集群含义的图例。

什么是近邻法：K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。此处基于k-近邻和决策树完成5个简单的模式识别任务.

沥血整理的计算机网络相关术语,计算机科班必备,强烈建议收藏.网络结构:物理层、数据链路层、网络层、传输层、（会话层、表示层、）应用层协议的三要素:Syntax(语法)、Semantics(语义)、Timing(时许)

Docker 是一个开源的应用容器引擎（是一个快速交付应用、运行应用的技术)Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的Linux 机器上。其启动、移除都可以通过一行命令完成，方便快捷.本文带你一篇文章彻底搞懂Docker并快速上手使用.实践涵盖了常用的部署操作,包括MySQL,tomcat,nginx,Redis等,图文并茂打造全文最快的上手教程

• Docker 是一个开源的应用容器引擎（是一个快速交付应用、运行应用的技术）• 诞生于 2013 年初，基于 Go 语言实现， dotCloud 公司出品（后改名为Docker Inc）• Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的Linux 机器上。其启动、移除都可以通过一行命令完成，方便快捷• 容器是完全使用沙箱机制，相互隔离,性能开销极低• Docker能解决依赖兼容问题、应用部署的环境问题、操作系统环境差异。

OpenStack是由Rackspace和NASA共同研发的云计算平台，是一个旨在为公共及私有云的建设与管理提供软件的开源项目(它是一个云平台管理的项目，而不是一个软件)。其通过仪表盘为管理员提供计算、存储和网络资源的管理控制，同时通过Web界面为用户提供资源。这个项目由几个主要的组件组合起来完成一些具体的工作。1、计算（Compute）：Nova。一套控制器，用于为单个用户或使用群组管理虚拟机实例的整个生命周期，根据用户需求来提供虚拟服务。

前馈神经网络（feedforward neural network，FNN）,是一种最简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈,信号从输入层向输出层单向传播。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层）。隐层可以是一层。也可以是多层 。一个典型的多层前馈神经网络如下图所示

由于借助 IntelliJ IDEA 进行操作,所以我们的流程比较简单,新建项目的时候构建系统选择 IntelliJ就行了,下面的代码就不做过的的解释了,关键地方会有注释,特别说明,由于为了方便操作及调试,我们都采用单元测试的方式进行代码的编写(即不依赖主函数单独运行)

使用定时器1，采用工作方式1，在输出口P2.0产生周期未1秒的方波；

官方的文档介绍如下:从中我们可以看到原始数据集共有4177条数据,其中每条数据包含9个特征,见下表名称数据类型测量单位描述性别标称–M、F和I（婴儿）长度连续mm最长外壳测量直径连续mm垂直于长度高度连续mm壳中有肉全重连续g整只鲍鱼屠宰重量连续g肉的重量内脏重量连续g肠道重量（出血后）壳重连续g干燥后Ringsinteger–+1.5表示年龄（年）同样的,我们还是可以不用太关心这些特征是什么并不影响我们后面对鲍鱼年龄的预测.

上面我们虽然使用克隆的方式简化了对虚拟机的操作，但是，每个虚拟机都配置相同的的hadoop文件是不是过于麻烦了呢，答案是有的，所以我们这里采用shell，脚本的方式可以实现仅配置一台虚拟的的情况下对其它的2台虚拟机也同时进行配置。（下面进行的所有操作均可以在每台虚拟机独立执行，模板机仅为了方便后续配置。使用3台虚拟机进行集群的搭建，分别命名为hadoop101，hadoop102，hadoop103。下面进行各台虚拟机的ip地址和名称配置,这里先别着急用远程工具,现在虚拟机里面之间操作。

N-Gram是大词汇连续语音识别中常用的一种语言模型，对中文而言，我们称之为汉语语言模型(CLM, Chinese Language Model)。汉语语言模型利用上下文中相邻词间的搭配信息，可以实现到汉字的自动转换，汉语语言模型利用上下文中相邻词间的搭配信息，在需要把连续无空格的拼音、笔划，或代表字母或笔划的数字，转换成汉字串(即句子)时，可以计算出具有最大概率的句子，从而实现到汉字的自动转换，无需用户手动选择，避开了许多汉字对应一个相同的拼音(或笔划串，或数字串)的重码问题。该模型基于这样一种假设，

当前目录是/etc/yum.repos.d/，刚刚下载的Centos-7.repo也在这个目录上。注意: 如果wget命令不生效，说明还没有安装wget工具，输入。现在你的就已经配置好了阿里云的环境了.1、打开centos的yum文件夹。2、用wget下载repo文件。3、备份系统原来的repo文件。4、替换系统原理的repo文件。5、执行yum源更新命令。

使用Logistic回归来预测患疝气病的马的存活问题(从疝气病症预测病马的死亡率)

一个完整的Kaldi需要得到下面四个FST识别流程如下:本章节完成以下内容:L.fst的生成

学习笔记之ROS嵌入式开发,参考古月居老师源码

实践主要基于 kaldi里面的 aishell1 示例，所以需要准备以下数据,生成准备四个文件

贝叶斯方法是以贝叶斯原理为基础，使用概率统计的知识对样本数据集进行分类。朴素贝叶斯模型NBM）是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。手动编写朴素贝叶斯分类器，完成正面、负面文本分类任务包括数据集的生成，创建词汇表，实现词袋模型，编写朴素贝叶斯分类器，执行训练与测试

现在 jupyter 就部署好了,打开任意浏览器输入。进入编辑模式，编辑完成后按Esc，键入。5. 启动jupyter 挂到后台运行。注：vim的编辑，键入。

排序算法是《数据结构与算法》中最基本的算法之一。排序算法可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序，而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存。常见的内部排序算法有：插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。

入门语音识别相关的领域,用的kaldi,结果make的时候是各种报错!我用的操作环境是Vmware16.2 + CentOS7.9 + Xshell7。本文主要记录了我的各种报错之后研究实践的解决各种报错问题终极版,尤其是make 编译 tools报错!...

云计算从零开始搭建Hadoop2.7.7集群,包含本地模式、伪分布模式以及全分布模式的详细配置方法及过程，入门Hadoop，这一篇就够了。

从0开始安装ros,基于Ubuntu22.04.1 最新版保姆级教程 Ubuntu22.04.1安装ROS2入门级教程(ros-humble)