- 博客(14)
- 收藏
- 关注
RSS订阅原创 RPI4-4GB与RPI4-2GB旧镜像不兼容问题解决
我们在一开始使用树莓派4B4GB内存版本时，使用19年的的是旧镜像。后来21年时换成了2GB内存版本的树莓派，使用的镜像是19年沿用至今的旧镜像，发现系统仅有下图的画面，无法启动。根据这里提示，我们用最新的镜像尝试启动树莓派4B2GB内存版本，发现一切正常。 由于之前所有的工作都在旧镜像上进行，不想在新镜像上重新配置环境（因为太麻烦了）。可行的方法升级树莓派系统。（参考：https://linux.cn/article-10665-1.html） 我们的镜像无法在2GB版本上启动系统，但是在4G
2021-03-06 11:47:38
534
原创 Filter-based SLAM：贝叶斯滤波
文章目录数学概念贝叶斯滤波介绍推导实例功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入数学概念理解基础的数学概念，是理解贝叶斯滤波的前提，由于公式推理中会经常用到这些公式，所以写在博客的开头以便后面翻看。独立：p(x,y)=
2020-07-24 18:47:47
493
原创 SLAM十四讲-设计前端-0.4-代码解读
本博文的创作目的是对高翔博士的《视觉SLAM十四讲》第九讲——实践：设计前端，0.4部分的代码进行解读，以作为阅读的笔记，若有错误之处，欢迎留言讨论。...
2019-05-08 21:18:49
1080
1
原创 周志华-机器学习-笔记（五）- 强化学习
任务与奖赏 “强化学习”(reinforcement learning)可以讲述为在任务过程中不断摸索，然后总结出较好的完成任务策略。 强化学习任务通常用马尔可夫决策过程(Markov Decision Process，简称MDP)来描述：机器处于环境EEE中，状态空间为XXX，其中每个状态x∈Xx∈Xx \in X是机器感知到的环境的描述；机器能采取的动作构成了动作空间AAA；若某个...
2018-06-29 21:05:36
1475
原创 周志华-机器学习-笔记（四）- 神经网络
神经元模型 神经网络中最基本的成分是神经元(neuron)模型。在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位；如果某神经元的电位超过了一个“阈值”(threshold)，那么它就会被激活，即“兴奋”起来，向其他神经元发送化学物资。 图5.1所示的简单模型就是沿用至今的“M-P神经元模型”。在这个模型中，神经...
2018-06-14 12:56:24
2123
原创 周志华-机器学习-笔记（三）-决策树
基本流程 决策树的功能和结构：一颗决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，其它每个结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样片全集。 决策树学习的目的：为了产生一棵泛化能力强，即处理未见示例能力强的决策树。 决策树的生成是一个递归过程，但有递归就必定有导致递归返回的情况，要不然递归就会一直...
2018-06-02 10:31:06
1252
原创 周志华-机器学习-笔记（二）-线性模型
线性模型(linear model)试图学得一个通过属性的线性组合来进行预测的函数。如，给定由d个属性描述的示例x=(x1;x2;...;xd)x=(x1;x2;...;xd)x=(x_{1};x_{2};...;x_{d})，其中xixix_{i}是在iii个属性上的取值，则线性模型为f(x)=w1x1+w2x2+...+wdxd+bf(x)=w1x1+w2x2+...+wdxd+bf(x)=w...
2018-05-27 18:11:14
743
原创 git创建远程仓库管理代码
Linux服务器创建git仓库管理代码，客户端通过git来拷贝，修改，上传代码，但气体需要客户端可以通过ssh访问服务器。以下将通过创建Repository仓库来讲解如何在Linux服务器创建自己的工作仓库。（此处Repository可以修改成目标工程名字）步骤： 服务器端：Linux服务器默认安装git，可以通过git –version来查看是否以安装git（若已安装则返回git版本...
2018-04-20 22:23:08
265
原创 周志华-机器学习-笔记（一）-模型评估与选择(上)
经验误差与过拟合任何一个学习器都会有误差，我们把分类错误的样品数占样品总数的比例称为“错误率”(error rate)。把学习器在训练集上的误差称为“训练误差”(training error)或“经验误差”(empirical error)，在新样品上的误差成为“泛化误差”(generalization error)。事实上，我们期望泛化误差小的学习器。“过拟合”(overfitting)...
2018-04-16 18:50:43
627
原创 周志华-机器学习-笔记（零）-概念
模型(model)：泛指从数据中学得的结果。 训练数据(training data)：训练过程中使用的数据。 训练样本(training sample)：训练数据中的每个样本。 训练集(training set)：训练样本组成的集合。 假设(hypothesis)：学得模型对应了关于数据的某种潜在的规律。 真相/真实(ground-truth)：这种潜在规律的自身。 假设空间：所有假设...
2018-04-14 16:29:07
216
原创 机器学习的一些概念
增长函数（growth function）：增长函数表示假设空间H对m个示例所能赋予标记的最大可能结果数。对于m个示例的数据集，最多只能有2^m个标记结果，而2很多情况下达不到2^m个。 比如说现在数据集有两个数据点，考虑一种二分类的情况，可以将其分类成A或者B，则可能的值有：AA、AB、BA和BB，所以这里增长函数的值为4.对分（dichotomy）：对于二分类问题来说，H中的假设对D中m...
2018-04-12 15:02:56
267
原创 学习笔记——异常控制流（一）
1.异常控制 异常，是异常控制流的一种形式。它是控制流中的突变，用来响应处理器状态的某些变化。（中断和异常可以在一起对比说明）一部分是由硬件实现，一部分是由操作系统实现，异常处理需要硬件和软件紧密合作。 中断是异常的一种类型，但中断是由中断源引起的，CPU处于被动状态；其他类型的异常是由CPU引起的，CPU处于主动状态。2.异常处理 当异常发生时，处理器会通过一张称为异常表（excepti
2018-01-21 17:19:46
436
原创 虚拟内存
虚拟内存为每个进程提供了一个假象，让每个进程以为在独占地使用主存。所以每个进程看到的内存都是一致的，称为虚拟地址空间。下图是Linux进程的虚拟地址空间。 （地址是从下往上增长的） 一下从最低的地址考试，逐步向上介绍： 程序代码和数据：对于所有的进程来说，代码是从同一固定地址开始，紧接着是进程的代码和数据区。 堆：代码和数据区之上的是运行时的堆，当调用malloc时，会让堆空间向上增长；当调
2017-07-23 20:54:51
260
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