深度学习学习笔记导师博客：https://blog.csdn.net/qq_37541097/article/details/103482003导师github:https://github.com/WZMIAOMIAO/deep-learning-for-image-processing代码用的导师的，自己又加了些备注，就放在自己的github里了：https://github.com/Petr

深度学习学习笔记导师博客：https://blog.csdn.net/qq_37541097/article/details/103482003导师github:https://github.com/WZMIAOMIAO/deep-learning-for-image-processing代码用的导师的，自己又加了些备注，就放在自己的github里了：网络是以LeNet网络搭建的，文件分为三部分：

1.GoogLeNet网络详解网络中的创新点：（1）引入了Inception结构（融合不同尺度的特征信息）（2）使用1x1的卷积核进行降维以及映射处理 （虽然VGG网络中也有，但该论文介绍的更详细）（3）添加两个辅助分类器帮助训练（4）丢弃全连接层，使用平均池化层（大大减少模型参数，除去两个辅助分类器，网络大小只有vgg的1/20）Inception结构...

RCNNRCNN算法流程：1.一张图片生成1k~2k个候选区域(使用Selective Search方法)；2.对每个候选区域，使用深度网络(即图片分类网络)提取特征；3.特征送入每一类的SVM分类器，判别是否属于该类；4.使用回归器精细修正候选框位置。1.候选区域的生成利用Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的

0前言在YOLOv4论文中，作者其实就是把当年所有的常用技术罗列了一遍，然后做了一堆消融实验。1.YOLOV4的网络改进部分1、主干特征提取网络：DarkNet53 => CSPDarkNet53、使用Mish激活函数2、特征金字塔：SPP结构，PAN结构优化策略：1.Eliminate grid sensitivity2.Mosaic data augmentation3. IoU thr

1.MobileNetv3网络详解提出了MobileNetv3-Large和MobileNetv3-Small两种不同大小的网络结构，主要的区别是通道数的变化与bneck的次数。网络的创新点：(1)更新Block(bneck)(2)使用NAS搜索参数(Neural Architecture Search)(3)重新设计耗时层结构(1)更新Block加入了轻量级的注意力模型；利用h-swish代替s

1.EfficientNet网络设计思想在原论文中，作者通过网络搜索技术同时探索输入分辨率，网络的深度depth、channel的宽度width对准确率的影响，构建EfficientNet网络。根据以往的经验，增加网络的深度depth能够得到更加丰富、复杂的特征，但网络的深度过深会面临梯度消失，训练困难的问题。增加网络的width能够获得更高细粒度的特征并且也更容易训练，但对于width很大而深度

​位置环作为外环，通过编码器计数通过PID输出速度；位置环输出的速度作为目标速度输入速度环，与编码器测速的当前速度进行PID计算，从而完成电机的双PID控制。​​

FPGA的时序分析与约束需要设计者根据实际的系统功能，通过时序约束的方式提出时序要求；FPGA编译工具根据设计者的时序要求，进行布局布线；编译完成后，FPGA编译工具还需要针对布局布线的结果，套用特定的时序模型，给出最终的时序分析和报告；设计者通过查看时序报告，确认布局布线后的时序结果是否满足设计要求。

Avalon总线主要用于软核处理器NIOS Ⅱ与外设，常用于高速数据传输流、读写寄存器和存储器、控制片外器等。即用户自定义的逻辑与NIOS Ⅱ处理器之间进行通信常用的总线接口是Avalon-MM或者Avalon-STNIOS Ⅱ处理器和各外设之间通过Avalon-MM总线进行交互，而外设之间的点到点数据传输通过Avalon-ST总线完成Avalon-MMAvalon-STAvalon-TCAval