本篇为记录楼主在学习《TensorFlow 实战Google深度学习框架（第2版）》第6章 利用LeNet-5模型实现MNIST数字识别过程中遇到的一些问题的记录、汇总。mnist_train_cnn.py程序的输入数据格式应做调整。主要有两处：这里，在使用tf.placeholder时要指明张量第一维的长度，即shape里第一位不能像之前一样为None，否则会报错“Failed to conve

本篇为记录楼主在学习《TensorFlow 实战Google深度学习框架（第2版）》第6章 利用LeNet-5模型实现MNIST数字识别过程中遇到的一些问题的记录、汇总。mnist_train_cnn.py程序的输入数据格式应做调整。主要有两处：这里，在使用tf.placeholder时要指明张量第一维的长度，即shape里第一位不能像之前一样为None，否则会报错“Failed to conve

文章目录前言1. moveaxis2. rollaxis3. swapaxes4. transposeReference前言本篇总结、介绍Numpy数组（ndarray）的基本操作之一——类转置操作 [1]。1. moveaxisnumpy.moveaxis(a, source, destination)：将数组（a）的轴（source）移动到新的位置（destination），其他轴维持原有顺序

文章目录前言1. split2. array_split3. dsplit4. hsplit5. vsplitReference前言本篇总结、介绍Numpy数组（ndarray）的基本操作之一——拆分数组 [1]。1. splitnumpy.split(ary, indices_or_sections, axis=0)：将一个数组拆分为多个子数组，每个子数组都是原始数组的视图ary：类数组。待拆分

文章目录前言1. reshape2. ravel3. ndarray.flattenReference前言本篇总结、介绍数组的基本操作之一——改变数组形状[1]。1. reshapenumpy.reshape(a, newshape, order=‘C’)：在不改变数据的情况下为数组赋予新的形状a：类数组（array_like）。待重塑数组newshape：整数（一维数组）或者整数列表/元组（高维

文章目录前言1. CSI框架概述2. CSI资源配置2.12.22.32.43. CSI报告配置3.1 CSI报告配置类型3.23.3参考文献前言1. CSI框架概述2. CSI资源配置每个CSI资源配置CSI-ResourceConfig都包含一个CSI资源集列表（由高层参数csi-RS-ResourceSetList给出），其中每个CSI资源集列表包含S≥1S \geq1S≥1个CSI资源集。

线性反馈移位寄存器（Linear Feedback Shift Register，LFSR）LFSR是一种移位寄存器电路，其中间步骤的两个或多个输出的线性组合会反馈到输入值。这就是为什么LFSR被称为线性反馈移位寄存器，如下图1所示 [1]。图1. LFSR示例 [1]LFSR具有如下的性质 [1]：如果初始状态相同，那么我们将始终得到相同的输出序列（即输出序列是确定的）。输出序列趋向于随机序列（

在之前的【ns-3】零基础安装教程中，我们已经介绍了如何下载、安装、编译ns-3.37。但是，有细心的读者可能已经发现，在之前的编译过程中，PyViz可视化工具并未被打开，如下图所示：在这篇文章中，我们将介绍如何打开PyViz可视化工具。本文假设读者均已按照【ns-3】零基础安装教程安装了PyViz所需的依赖包，具体请参考【ns-3】零基础安装教程。

文章目录1. CSI-RS概述2. 序列生成3.1. CSI-RS概述2. 序列生成3.

文章目录参数集帧结构帧和子帧时隙Reference参数集参数集（Numerology）可以简单理解为子载波间隔（Sub-carrier Spacing） [1]。参数集基于指数可扩展的子载波间隔Δf=2μ×15\Delta f = 2^{\mu} \times 15Δf=2μ×15 kHz，其中μ={0,1,2,3,4}\mu = \{0,1,2,3,4\}μ={0,1,2,3,4}，如下表1所示