最近在尝试把WebRtc的NoiseSuppressor模块移植到嵌入式平台，现在已经移植了，尝试了下效果，降噪效果很显著，噪声带被显著抑制了。

网络编程开发1.简介两个协议，一个是TCP协议，一个是UDP协议先说TCP：TCP的话，服务器端需要端口监听，直到有客户端进行连接发送过来请求数据，然后客户端根据请求数据进行应答，之后就算tcp连接建立完成再说UDP:UDP的就比较简单：不用太纠结，Qt中已经封装好了，戴工也有一个完整的DEMO,到时候可以上传上来以下这里放个连接:////这里应该有个连接//用到了两个...

最近在尝试把WebRtc的NoiseSuppressor模块移植到嵌入式平台，现在已经移植了，尝试了下效果，降噪效果很显著，噪声带被显著抑制了。

1.关于在开发环境下COM组件的(来自 HRESULT 的异常:0x80080005 (CO_E_SERVER_EXEC_FAILURE))开发环境下，COM组件注册的文件 不一定是你自己现在程序调用的根文件夹下的COM组件程序。注意，COM组件的注册时在注册表中进行的注册，也就是说组件信息是存放在regedit中的，注册该COM组件不一定能够覆盖该原有COM组件，可能需要先注销后注册。比...

1、编码是为了将数据进行压缩，这样在传输的过程中就不会使资源被浪费。2、用一个简单的例子来说明编码的必要性：当你此刻显示器正在播放一个视频，分辨率是1280720，帧率是25，那么一秒所产生正常的数据大小为：1280720(位像素)*25(张) / 8(1字节8位)(结果:B) / 1024(结果:KB) / 1024 (结果:MB) = 2.75MB。显然一秒这么大的数据你是无法接受的，需要将数

最近在尝试把WebRtc的NoiseSuppressor模块移植到嵌入式平台，现在已经移植了，尝试了下效果，降噪效果很显著，噪声带被显著抑制了。

我们之前用的是均方差作为我们神经网络的损失函数评估值，但是我们对于结果，比如给定你一张应该是0的照片，它识别成了6，这个时候这个均方差表达了什么特别的含义吗？显然你识别成6并不代表它比识别成1的情况误差更大。所以说我们需要一种全新的方式，基于概率的方案来对结果进行规范。也就是我们说的交叉熵损失函数。

图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉的核心，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。图像分类在许多领域都有着广泛的应用，如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。这里简单讲讲LeNet我的推荐是可以看看这个视频，可视化的查看卷积神经网络是如何一层

这里实际上涉及到了挺多有关有关理论的东西，可以详细看一下paddle的官方文档。不过我这里不过多的谈有关理论的东西。在代码中，我们实际上是用不同的卷积核来造成不同的影响，我这里也是paddle中对于卷积核的几个比较简单的应用。实际上你也可以理解成通过卷积算子对图像进行了处理，而输出的参数矩阵也就是卷积核，卷积核会决定对图像的处理结果。卷积核对图像造成的影响可以参考上方常见卷积核汇总。飞桨卷积算子对

大伙既然都来做这个了，那配个CUDA环境肯定是必不可少的了吧（笑）最前面的最前面，