其他

http://bbs.elecfans.com/jishu_528921_1_1.html 上個星期，去深圳一家搞ARM開發的公司面試，HR叫我做了一份卷子，裡面都是C編程，心中暗喜，因為這些題基本上都在程式員面試寶典裡見過。後來回到學校，在網上搜尋，原來這些題都是嵌入式工程師的經典面試題目，很多網站上都可以找得到。現把他貼出來，附上網上的答案，跟大家分享，因為這些題實在太經典了。 前置處理器（Preprocessor） 1 . 用預先處理指令#define

文章作者：Tyan 部落格：noahsnail.com  |  CSDN  |  簡書 本文主要是介紹利用tensorflow建立一個簡單的神經網路並進行訓練。 #!/usr/bin/env python# _*_ coding: utf-8 _*_import tensorflow as tfimport numpy as np# 建立一個神經網路層def add_layer(input, in_size, out_size,

    本周看GPU看得有點兒亂，     GPU英文全稱Graphic Processing Unit，中文翻譯為“圖形處理器”。     由於GPU具有高並行結構（highly parallel structure），所以GPU在處理圖形資料和複雜演算法方面擁有比CPU更高的效率。圖1 GPU

總結目前為止掌握的內容，暫且記下來（懶得寫公式就都用文字表述了）。 單高斯背景建模一般步驟： 1，採用第一幀映像初始化參數 包括，初始期望，初始標準差，閾值係數以及學習率或者更新率； 2，前景檢測 將新讀入映像與期望值做差，結果與閾值比較，檢測前景目標； 3，更新參數 包括，期望，標準差； 4，重複2，3步驟直至映像序列結束 背景模型可用期望表示。 MATLAB程式如下，其中初始參數是參考其他文章所設。 %單高斯背景建模clear

        推薦部落格：http://blog.csdn.net/crzy_sparrow/article/details/7413019         背景模型有很多種，其中很多方法對光照的的突變和其它因素的適應能力不夠，而高斯混合模型是最為成功的一種背景建模方法。          

影像處理之高斯混合模型    一：概述 高斯混合模型(GMM)在映像分割、對象識別、視頻分析等方面均有應用，對於任意給定的資料樣本集合，根據其分布機率， 可以計算每個樣本資料向量的機率分布，從而根據機率分布對其進行分類，但是這些機率分布是混合在一起的，要從中分離出單個樣本的機率分布就實現了樣本資料聚類，而機率分布描述我們可以使用高斯函數實現，這個就是高斯混合模型-GMM。 這種方法也稱為D-EM即基於距離的期望最大化。   &

前言 在 上文 中我簡單概括了矩陣的基本運算，並給出了兩個應用執行個體。這篇文章我們繼續談談向量。 向量是線性代數中的基本概念，也是機器學習的基礎資料表示形式。例如電腦閱讀文本的過程首先就會將文本分詞，然後用向量表示。這是因為向量很適合在高維空間中表達和處理。在機器學習中會接觸到的諸如投影、降維的概念，都是在向量的基礎上做的。 在 \(\mathbb{R}^{n}\)空間中定義的向量 \(\vec{\mathbf{V}}\)，可以用一個包含 n

lora和sigfox這類的ism頻段的網路到底能否生存下去。 如何與nb-iot競爭。 lora與sigfox, nb-iot都是lpwan網路，sigfox使用ISM頻段，自己單幹，許多都是私人的，與電訊廠商合作，建立一張覆蓋全國的網路，自己做電訊廠商，如中國的聯通和移動； lora也使用ISM頻段，這個是老毛眾人拾柴火焰高的做法，許多廠商參與進來，現在勢頭壓過sigfox一頭；

CODE 39碼的編碼規則是：  1、 每五條線表示一個字元；  2、 粗線表示１，細線表示０；  3、 線條間的間隙寬的表示１，窄的表示０；  4、 五條線加上它們之間的四條間隙就是九位二進位編碼，而且這九位中必定有三位是1，所以稱為39碼；  5、 條碼的首尾各一個＊標識開始和結束CODE 128介紹 CODE128是一種高效率條碼. 它一共映射了106種編碼, 每種編碼針對不同版本的CODE128(CODE128A, CODE128B,

在上篇文章中我們瞭解了PlateLocate的過程中的所有步驟。在本篇文章中我們對前3個步驟，分別是高斯模糊、灰階化和Sobel運算元進行分析。 一、高斯模糊 　1.目標 　　對映像去噪，為邊緣檢測演算法做準備。　　 　2.效果 　　在我們的車牌定位中的第一步就是高斯模糊處理。 　　 圖1 高斯模糊效果 　3.理論　 　　詳細說明可以看這篇:阮一峰講高斯模糊。

本文為參考http://i.youku.com/deeplearning101 這位大神的視頻所寫的一些筆記 這是一個簡單的二分類問題，目的就是區別貓和狗的圖片，資料集在這連結：http://pan.baidu.com/s/1dFd8kmt 密碼：psor 首先編寫一個input_data.py這個檔案，目的就是返回 input_data.py #coding=utf-8import tensorflow as tfimport numpy as

機器學習入門——淺談神經網路 本文轉自：http://tieba.baidu.com/p/3013551686?pid=49703036815&see_lz=1# 個人覺得很全，特別適合接觸神經網路的新手。 先從迴歸(Regression)問題說起。我在本吧已經看到不少人提到如果想實現強AI，就必須讓機器學會觀察並總結規律的言論。具體地說，要讓機器觀察什麼是圓的，什麼是方的，區分各種顏色和形狀，然後根據這些特徵對某種事物進行分類或預測。其實這就是迴歸問題。

http://wiki.librec.net/doku.php?id=introduction 直接使用 1.下載解壓 2.進入bin下 3.輸入命令列 Librec經過良好的封裝, 可以直接通過命令列載入配置項來運行相應的代碼,也可以在其他工程中分別執行個體Java相應的類來進行計算. 在命令列中, rec參數指定程式進行推薦, 其他參數在參數-exec 之後通過-D 或-jobconf來指定. 其中dfs.data.dir 與dfs.result.

一． XGBoost簡介  XGBoost(eXtreme Gradient Boosting)是基於GB（Gradient

凸包的意思就是包含所有給定點的凸多邊形。 輸入一組已經制定x，y座標的點。輸出是這組點的凸包。 例子： Input : points[] = {(0, 0), (0, 4), (-4, 0), (5, 0), (0, -6), (1, 0)};Output : (-4, 0), (5, 0), (0, -6), (0, 4) 預備知識： 兩個凸多邊形之間的切線。 演算法：

對比試用平台介紹 　　在體驗了酷睿 I5 2300 在3D遊戲和多任務、高清播放等方面的突出效能後，今天我利用空閑時間針對酷睿 I5 2300在高清轉碼方面上與本人的舊平台上對比了一下.，其結果也讓人感到震撼。好了閑話不多說了，先來給自己新舊PC做個介紹： 新平台概括 　　(因為要對比高清解碼方面做比較，所以為了彌補舊平台CPU和GPU上的不足，特意在舊系統中配置了Nvidia GeForce 9800 GT)

首先應該明白的第一點就是，作者的背景。蔡壘磊----->大學 經濟學院 為什麼。  因為瞭解作者的背景，會對瞭解作者的思路和想法有協助。 因為每個人，都在曆史的慣性下，都帶著曆史的印記。 這篇文章，主要是作者結合經濟學的一些思想加上個人實踐體悟的一些認知。 可能因為經濟學的知識，比較多，所以顯示出了這本書的獨特性。 作者講述認識的主要思路

　　近年來，深度學習技術被廣泛應用於各類資料處理任務中，比如映像、語音和文本。而產生對抗網路（GAN）和強化學習（RL）已經成為了深度學習架構中的兩顆“明珠”。強化學習主要用於決策問題，主要的應用就是遊戲，比如deepmind團隊的AlphaGo。因為我的研究方向是映像的有監督分類問題，故本文主要講解產生對抗網路及其在分類問題方面的應用。 產生對抗網路架構 　　產生對抗網路（Generative adversarial networks，簡稱為GAN）是2014年由Ian J.

在上一篇《XGBoost源碼閱讀筆記(1)--代碼邏輯結構》中向大家介紹了XGBoost源碼的邏輯結構，同時也簡單介紹了XGBoost的基本情況。本篇將繼續向大家介紹XGBoost源碼是如何構造一顆迴歸樹，不過在分析源碼之前，還是有必要先和大家一起推導下XGBoost的目標函數。本次推導過程公式截圖主要摘抄於陳天奇的論文《XGBoost：A Scalable Tree Boosting System》。在後續的源碼分析中，會省略一些與本篇無關的代碼，如並行化，多線程。 一、目標函數最佳化

        前面幾期都是在做準備工作，這一期我們開始實際操作。很多教程的開始都喜歡用HelloWorld來先做個示範，我也不例外，在硬體開發板教程裡流水燈就是一種HelloWorld，程式簡單，只要控制GPIO就能實現，並且直觀明顯。現在開始動手將HG255d實現流水燈功能，實現後的效果是這樣的： 如果你感興趣，那我們就先來動手操作一下，算是控制開發板的第一步。