建建的博客

转载 电容的储能公式

电容的储能公式

转载 二极管知识总结 (正向偏置pn结变窄 反向偏置pn结变宽)

在电场力的作用下, 自由电子的运动称为漂移运动, 在二极管中, P在左侧, N在右侧, PN结形成的电场力会让自由电子往右移, 自由电子从二极管的左边(P型)往右边(N型)移动称为漂移运动,形成的电流称为漂移电流, 由于P型里自由电子是少子, 所以漂移电流的自由电子量很少. 漂移运动与电场力有关系,但由于P型的自由电子是少子, 所以电场力的提升不能立即提升电流量. 由于运动的自由电子在这里是少子,所以漂移运动又称为少子漂移....

转载 电子专业学生的学习路线

大学的课程安排电子信息类专业本科生的课程表大致如下所示 数学类：微积分、线性代数、概率论、复变函数 专业基础课：电路原理、模电、数电 专业核心课：电磁场与电磁波、信号与系统、数字信号处理、通信原理、随机信号处理 实践课：C语言程序设计、51单片机、嵌入式原理及应用（ARM）、DSP原理及应用、EDA技术（FPGA）、微机原理与接口技术各个学校的电子信息类专业的课程安排其实都差不多，下图是西安电子科技大学电子工程学院电子信息工程专业的核心和主干课程。毕业后可以从事...

转载 计算机组成原理——存储器（一）

计算机组成原理——存储器（一）_小小本科生debug的博客-CSDN博客存储器（一）一：存储器概述二：存储器的分级结构三：主存储器的技术指标四：存储器与CPU的联系地址总线CPU与存储器的联系编址方式1、按字编址 （M × N 方式）2、按字节编址五：SRAM存储器（cache）1、存储元基本结构2、SRAM逻辑结构图六：DRAM存储器（主存储器）1、存储元基本结构2、DRAM的刷新3、DRAM逻辑结构图七：存储器扩展1、位扩展2、字扩展八：CDRAM(增强型DR

转载 通信工程专业课程

通信工程专业课程　　信息论与编码原理、通信原理、电视原理、电磁场与电磁波、天线与电波传播　　广播电视发送方向：数字电视技术、广播电视发送技术、数字广播技术　　移动通信方向：移动通信、现代交换技术、移动电视技术　　信息论与编码原理：本课程着重介绍信源的类型与特性、信源熵、信道容量、信息率失真函数等信息论的基本理论，以及信源编码和信道编码的基本概念和主要方法。这些信息论与编码的基本理论和方法不仅适用于通常意义的通信领域，如数字视音频处理和多媒体通信等，也适用于信息安全等计算机信息处理和管理等专门

转载 软件项目质量管理

第六章 软件项目质量管理_yongchaocsdn的博客-CSDN博客_软件质量管理

转载 深度学习提高泛化能力的技术

LeetCode题目记录1.泛化能力（generalization）2.正则化（regularization）2.1 正则化方法1.泛化能力（generalization）对于模型，我们不仅要求它对训练数据集有很好的拟合（训练误差），同时也希望它可以对未知数据集（预测集）有很好的拟合结果（泛化能力），所产生的测试误差被称为泛化误差。度量泛化能力的好坏，最直观的表现就是模型的过拟合（overfitting）和欠拟合（underfitting）过拟合和欠拟合是用于描述模型在训练过程中的两种状态，

转载 正则化、交叉验证、泛化能力

一、正则化1、模型选择典型的方式就是正则化。正则化就是结构风险最小化策略的实现，就是在经验风险项中添加一个郑泽华想或者叫做惩罚项。正则化项与模型的关系一般是模型复杂度越高，正则化项的值就会越大。正则化项的作用就是平衡经验风险较小与模型复杂度较小。最好的结果就是经验风险和模型复杂度同时较小。正则化的一般形式为：其中，第一项为经验风险项，第二项为正则化项。值λ是为了调整两者关系的系数。二、交叉验证通常情况下，我们做模型选择的时候将数据分为训练集、验证集和测试集。但是实际应用中，...

转载 深度学习专题学习路线及笔记

转载 梯度下降（Gradient Descent）数学原理分析与实例

本文循序渐进描述梯度下降算法，从导数的几何意义开始聊起，如果熟悉微积分可以跳过，主要内容如下：一. 导数的几何意义 二. 偏导数 三. 什么是梯度 四. 梯度下降算法 αα是什么含义? 为什么是−−? 梯度下降举例一 梯度下降举例二 值得关注的一些问题 五. 梯度下降应用于线性回归 5.1 批量梯度下降 5.2 批量梯度下降算法python实现 一. 导数的几何意义导数用来衡量函数对取值的微小变化有多敏感，如下图所示，假设有一辆汽车在行驶，s(t)s(t)..

转载 梯度下降算法（Gradient Descent)的原理和实现步骤

大部分的机器学习模型里有直接或者间接地使用了梯度下降的算法。虽然不同的梯度下降算法在具体的实现细节上会稍有不同，但是主要的思想是大致一样的。梯度下降并不会涉及到太多太复杂的数学知识，只要稍微了解过微积分里导数的概念，就足够完全理解梯度下降的思想了。梯度下降的目的绝大多数的机器学习模型都会有一个损失函数。比如常见的均方误差（Mean Squared Error)损失函数：（1）其中，表示样本数据的实际目标值，表示预测函数根据样本数据计算出的预测值。从几何意义上来说，它可以看成...

转载 神经网络参数梯度的计算方式

一、什么是梯度· 梯度的定义梯度是一个向量，是一个n元函数f关于n个变量的偏导数，梯度会指向各点处的函数值降低的方向。更严格的讲，梯度指示的方向是各点处的函数值减少最多的方向。为什么这么说，因为方向导数=cos(\theta)×梯度，而\theta是方向导数的方向和梯度方向的夹角。所以，所有的下降方向中，梯度方向下降的最多。二、梯度法· 什么是梯度法深度学习中， 神经网络的主要任务是在学习时找到最优的参数（权重和偏置），这个最优参数也就是损失函数最小时的参数。但是，一般情况下

转载 前向传播算法(Forward propagation)与反向传播算法(Back propagation)

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice欢迎大家star，留言，一起学习进步虽然学深度学习有一段时间了，但是对于一些算法的具体实现还是模糊不清，用了很久也不是很了解。因此特意先对深度学习中的相关基础概念做一下总结。先看看前向传播算法(Forward propagation)与反向传播算法(Back propagation)。1.前向传播如图所示，这里讲得已经很清楚了，前向传播的思想比较简单。举个例子，假设上

转载 卷积神经网络概念与原理

卷积神经网络概念与原理_yunpiao123456的专栏-CSDN博客_卷积神经网络

转载 最清晰的讲解各种梯度下降法原理与Dropout

一、梯度法思想梯度法思想的三要素：出发点、下降方向、下降步长。机器学习中常用的权重更新表达式为：，这里的λ就是学习率，本文从这个式子出发来把机器学习中的各种“梯度”下降法阐释清楚。机器学习目标函数，一般都是凸函数，什么叫凸函数？限于篇幅，我们不做很深的展开，在这儿我们做一个形象的比喻，凸函数求解问题，可以把目标损失函数想象成一口锅，来找到这个锅的锅底。非常直观的想法就是，我们沿着初始某个点的函数的梯度方向往下走（即梯度下降）。在这儿，我们再作个形象的类比，如果把这个走法类比为力，那么完整..

转载 神经网络的正向传播和反向传播（转）

反向传播：重点掌握链式法则（偏导的求法）感谢博主，以下计算参考链接：一文弄懂神经网络中的反向传播法——BackPropagation - Charlotte77 - 博客园****************************************************************************输入→卷积（激活函数）……→输出以上图为例，并赋值，分别计算正向传播和反向传播。（图中省略了激活函数sigmoid）。激活函数的公式如下：sigmod求导过程参

转载 一文详解神经网络与激活函数的基本原理

考虑以下分类问题：▲ 图1显然，该分类问题具有非线性的决策边界。如果不增加特征，采用线性核的 SVM（以下简称线性 SVM）和逻辑回归都无法拟合，因为它们只能得到形如的线性边界。一个可行的办法是增加高次方项作为特征输入，比如以作为线性 SVM 或逻辑回归输入，可以拟合形如的决策边界（实际上它可以拟合圆或椭圆），对于图 1 所示的例子这可能是不错的模型。然而，在实际案例中我们通常都无法猜到决策边界的“形状”，一是因为样本的特征数量很大导致无法可视化，二是其可能的特征组合很多。对于...

转载 Spring中Bean的理解以及@Bean的作用

Bean在Spring和SpringMVC中无所不在，将这个概念内化很重要，下面分享一下我的想法：一、Bean是啥1、Java面向对象，对象有方法和属性，那么就需要对象实例来调用方法和属性（即实例化）；2、凡是有方法或属性的类都需要实例化，这样才能具象化去使用这些方法和属性；3、规律：凡是子类及带有方法或属性的类都要加上注册Bean到Spring IoC的注解；4、把Bean理解为类的代理或代言人（实际上确实是通过反射、代理来实现的），这样它就能代表类拥有该拥有的东西了

转载 hadoop2.7.1java.lang.IllegalArgumentException: The ServiceName: mapreduce.shuffle set in yarn.nodema

hadoop启动后用jps查看slave1显示有nodemanager等一下再看 就没有改进程查看日志显示如下：java.lang.IllegalArgumentException: The ServiceName: mapreduce.shuffle set in yarn.nodemanager.aux-services is invalid.The valid service name should only contain a-zA-Z0-9_ and can not start with

转载 hadoop中各个节点的功能及HDFS文件上传流程图

Hadoop是一个能够对大量数据进行分布式处理的软件框架，实现了Google的MapReduce编程模型和框架，能够把应用程序分割成许多的小的工作单元（块），并把这些单元放到任何集群节点上执行。在MapReduce中，一个准备提交执行的应用程序称为“作业（job）”，而从一个作业划分出得、运行于各个计算节点的工作单元称为“任务（task）”。此外，Hadoop提供的分布式文件系统（HDFS）主要负责各个节点的数据存储，并实现了高吞吐率的数据读写。　　在分布式存储和分布式计算方面，Hadoo...

转载 hadoop集群启动（基础篇）

hadoop集群centos安装及网络配置– 虚拟机安装以在之前出过博客 点击链接– 以及网络配置 点击链接jdk安装– jdk环境安装会单独出一篇博客hadoop安装– hadoop单独出一片博客修改hosts文件vi /etc/hosts#添加以上字段 前面为ip地址 后面为hostname(方便记忆)克隆虚拟机并修改各自ip地址修改hostname vi /etc/hostname # 修改为相应的hostname # 比如hadoop151...

转载 JAVA里自定义注解来进行数据验证

API开发中经常会遇到一些对请求数据进行验证的情况，这时候如果使用注解就有两个好处，一是验证逻辑和业务逻辑分离，代码清晰，二是验证逻辑可以轻松复用，只需要在要验证的地方加上注解就可以。Java提供了一些基本的验证注解，比如@NotNull、@Size，但是更多情况下需要自定义验证逻辑，这时候就可以自己实现一个验证注解，方法很简单，仅需要两个东西：一个自定义的注解，并且指定验证器 一个验证器的实现自定义验证注解考虑有一个API，接收一个Student对象，并希望对象里的age域的值是奇数，这时

转载 SpringBoot 使用 JSR303 自定义校验注解

JSR303 是 Java EE 6 中的一项子规范，叫做 Bean Validation，官方参考实现是hibernate Validator，有了它，我们可以在实体类的字段上标注不同的注解实现对数据的校验，不用if-else判断，简化了我们的开发，而且可读性也很好。但有时候它提供的注解并不能满足我们的要求，比如，我们要求字段 color 必须是「red，blue，yellow」这三个值之一，这时候，我们就需要自己写判断的逻辑了，你可以自定义一个方法在其他地方进行判断，但既然用了 JSR303...

转载 PTP时钟协议原理

EEE1588协议，又称PTP（precisetime protocol，精确时间协议），可以达到亚微秒级别时间同步精度，于2002年发布version1，2008年发布version2。IEEE1588 协议的同步原理，所提出的Delay Request-Response Mechanism（延时响应机制）如图1所示。图中所描述的PTP报文为以下几种：（1）sync同步报文（2）Follow_up跟随报文（3）Delay_req延迟请求报文（4）Delay_resp延迟请求响.

转载 PTP(Precision Time Protocol)高精度时间同步协议+CS模式测试代码

Precision Time Protocol （PTP）一、什么是PTPPTP 是一种高精度时间同步协议,可以到达亚微秒级精度,有资料说可达到30纳秒左右的偏差精度,但需要网络的节点（交换机）支持PTP协议，才能实现纳秒量级的同步。一般在实际使用中，现有的NTP可以达到5ms以内的精度，对一般的应用都是满足的；非超高精度设备，不建议使用PTP设备。与NTP主要区别:PTP是在硬件级实现的,NTP是在应用层级别实现的.PTP 是主从同步系统，一般采用硬件时间戳，并配合一些对NTP更高精度的延时

转载 关于Mask-Rcnn中标注工具VIA（VGG Image Annotator）使用的详解

https://blog.csdn.net/weixin_44498476/article/details/90311063?utm_medium=distribute.pc_relevant_download.none-task-blog-2~default~BlogCommendFromBaidu~default-5.test_version_3&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-2~default

转载 Ubuntu18.04源码编译安装gcc6.3.0（呕心沥血，各种坑）

由于需要在ubuntu18.04上用MATLAB2018b跑一个程序，需要gcc6.3.0编译相关代码，可是直接用apt-get install只能安装gcc6.5.0版本，所以需要用源代码编译。安装gcc之前要安装gmp，mpfr，mpc，isl这几个库，并且要卸载旧的gcc，然而我们需要在最后安装gcc之前再卸载旧的gcc，因为安装必需的库时需要旧的gcc。安装gmp在https://gmplib.org/下载最新的压缩包，解压到指定路径上，然后cd gmp-6.1.2/mkdir bu

转载 ubuntu16.04Nvidia驱动、CUDA、cuDNN安装与卸载

（一）Nvidia驱动安装ubuntu 16.04默认已安装第三方驱动程序nouveau，首次安装nvidia显卡驱动首先需要禁用nouveau，不然会碰到冲突的问题，导致无法安装nvidia显卡驱动。1、打开blacklist.confsudo vim /etc/modprobe.d/blacklist.conf（若目录下没有blacklist.conf，则创建该文件）2、在blacklist.conf文件最后部分插入以下两行内容blacklist nouveauoptions

转载 构建微服务：Spring boot 入门篇

https://www.cnblogs.com/ityouknow/p/5662753.html

转载 ubuntu16.04纯净版-安装Python3.8.1/升级pip

Ubuntu 16.04 amd64 (64bit)（纯净版）自带python2.7和python3.5执行"whereis python"查看当前安装的python[root@root ~]# whereis python python: /usr/bin/python2.7 /usr/bin/python /usr/lib/python2.7 /usr/lib64/python2.7 /etc/python /usr/include/python2.7 /usr/share/ma..

转载 Linux安装Anaconda3完整教程

相关链接 官方安装Anaconda3教程 【手把手教你】如何在Linux系统搭建jupyter notebook CentOS8.2安装JupyterLab jupyter的安装扩展了nbextensions，解决了官网下载速度慢的问题,Jupyter 下载链接 Linux下远程访问Jupyter Notebook 配置 1. 安装Anaconda31.1 下载首先，打开官网地址下载最新版本的Anaconda3，然后再传输到远程的Linu

转载 Linux下安装tensorflow

环境准备下载anaconda， https://repo.anaconda.com/archive/Anaconda3-2019.10-Linux-x86_64.sh安装[root@localhost ~]# wget https://repo.anaconda.com/archive/Anaconda3-2019.10-Linux-x86_64.sh[root@localhost ~]# bash Anaconda3-2019.10-Linux-x86_64.sh12以上信息提示，都进行.

转载 FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation）

大多数人接触"语义"都是在和文字相关的领域，或语音识别，期望机器能够识别你发出去的消息或简短的语音，然后给予你适当的反馈和回复。嗯，看到这里你应该已经猜到了，图像领域也是存在"语义"的。今天是AI大热年，很多人都关注与机器人的语音交互，可是有没有想过，将来的机器人如果不能通过图像来识别主人，家里的物品、宠物，那该多没意思。说近一些，假如扫地机器人能够机智地绕开你丢在地上的臭袜子而扫走旁边的纸屑，一定能为你的生活解决不少麻烦。没错，图像语义分割是AI领域中一个重要的分支，是机器视觉技术中关于图像理解的

转载 dnn神经网络_OpenCv-C++-深度神经网络（DNN）模块-使用FCN模型实现图像分割

FCN是什么？中文名称是“全卷积网络”，它将传统CNN中的全连接层转化成一个个的卷积层。在传统的CNN结构中，前5层是卷积层，第6层和第7层分别是一个长度为4096的一维向量，第8层是长度为1000的一维向量，分别对应1000个类别的概率。如下图所示：实例：#include#include#includeusing namespace cv;using namespace std;using namespace cv::dnn;const size_t width = 5

转载 目标检测、分割、识别、分类综述

近日 Visualead 研究主管 Eddie Smolyansky 在 Midum 网站撰文介绍视频目标分割的基础知识，从视频目标分割问题简介、数据集和 DAVIS 挑战赛入手，同时介绍了 Visualead 最新发布的视频数据集 GyGO 和 2016 年以来两种主要的视频目标分割方法：MaskTrack 和 OSVOS。DAVIS-2016 视频物体分割数据集中经过正确标注的几个帧本文介绍了视频目标分割问题和对应的经典解决方案，简要概括为：1. 问题、数据集和挑战赛；2. 我们.

转载 YoLov3目标检测代码C++版本运行

论文地址：[YOLO] [YOLOv2/YOLO9000] [YOLOv3] [YOLOv4]YOLO系列权重、配置文件下载地址：https://github.com/AlexeyAB/darknet代码解读：[Deep Learning based Object Detection using YOLOv3 with OpenCV ( Python / C++ ) ][中文翻译]代码下载：这边有一个可以运行YOLOv3、YOLOv4、YOLO-Fastest，YOLObile四种网络的[C++代码]

转载 零基础入门深度学习(1) - 感知器

无论即将到来的是大数据时代还是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代，作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的技术，会不会感觉马上就out了？现在救命稻草来了，《零基础入门深度学习》系列文章旨在讲帮助爱编程的你从零基础达到入门级水平。零基础意味着你不需要太多的数学知识，只要会写程序就行了，没错，这是专门为程序员写的文章。虽然文中会有很多公式你也许看不懂，但同时也会有更多的代码，程序员的你一定能看懂的（我周围是一群狂热的Clean Cod...

转载 池化方法总结（Pooling）

https://blog.csdn.net/mao_kun/article/details/50507376在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。为什么可以通过降低维度呢？因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值

转载 从此明白了卷积神经网络（CNN）

从今天起，正式开始讲解卷积神经网络。这是一种曾经让我无论如何也无法弄明白的东西，主要是名字就太“高级”了，网上的各种各样的文章来介绍“什么是卷积”尤为让人受不了。听了吴恩达的网课之后，豁然开朗，终于搞明白了这个东西是什么和为什么。我这里大概会用6~7篇文章来讲解CNN并实现一些有趣的应用。看完之后大家应该可以自己动手做一些自己喜欢的事儿了。一、引子————边界检测我们来看一个最简单的例子：“边界检测（edge detection）”，假设我们有这样的一张图片，大小8×8：图片中的..

转载 卷积神经网络超详细介绍

文章目录1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结11、VGGNet11.1 结构11.2 网络特点：11.3 分类框架：12、GoogLeNet12.1 GoogLeNet Inception V1——22层1