一.开发环境开发板：核心板：TQ210CoreB底板：TQ210 V4CPU：s5pv210内核：Linux_kernel_3.0.8交叉编译系统环境：操作系统：ubnutu16.04编译器：arm-embedsky-linux-gnueabi工具链4.4.6所需知识点：若你是刚入门的学生不太看得懂原理图与芯片手册，请先看下这篇文章中针对电路原理与芯片文档这块的教程：详细介绍如何读懂STM32开发

在核心板上若工作的时钟频率不同则无法正常驱动工作，这是很关键的知识点。频率我们可以通过开发板的原理图查看，或者在soc（CPU）的原理图上得到也可以。这里我用的是开发板的原理图，我使用的是TQ210开发板上接到soc的时钟这块有XXT1,XXTO等，soc是靠时钟提供主频率的，若接到这块上面的就代表要与这个频率一致，否则无法正常工作，产生调频的情况。我们在原理图上看下clock这块，可以看到PLL

诞生概念batch-size中文翻译是批量大小，所谓的批量是指学习样本的数量，因为在训练模型时需要将样本图像全部读入到内存中，这么做的原因是提升收敛速度。如果每次读一个图像到内存然后提取特征然后在取下一张，这样有一个问题：深度学习中是随机取样本，并且每次从磁盘读出来也挺耗时的，如果这次是一张图像，下次随机取样本不能保证图像不会重复，所以最好的方式是一次性将图像全部读入内存中然后进行特征提取。但是这

前言在Linux内核中设备号的作用是用来区分不同的设备类型。比如：设备号23，对应的是LED设备号17，对应的是某个存储设备等等...主次设备号主设备号：对应设备的主号码次设备号：对应设备的子号码比如：你有两个LED，你注册了主设备号14，代表使用这个设备号的驱动都是LED设备，那么怎么区分1和2呢？就是子设备号，通过子设备号来区分是LED1还是LED2。内核只认主设备号，最终调用时内核会通过主设

在神经网络中卷积是最常见的操作，通常情况下它应用在神经网络的Input层后面，所以我们多数情况下称这一层为卷积层或隐藏层，这里提一句什么是隐藏层，在神经网络中有输入层和输出层，这两层对于外界是可见的，并且它接收来自外界的输入或输出到外界里去，当然一个完整的神经网络不可能只有输入层和输出层，就以CNN卷积神经网络来说当图像输入到输入层之后会被传递给下一层做特征提取下一层一般是卷积层，随后卷积层会传递

最近在做Stm32方面的工作时发现使用HAL_UART_Receive函数去读取数据时出现了问题，代码如下：这段代码非常简单，就是在一定时间内读取满128个字符，但是会有一个问题，如果超时时buffer没有被读取到128个字节那么下次还可以读取，但是一旦超出或到达128个字节下次在读取就会没有数据，但是在中断情况下是可以正常读取的，随后我去查了一下USART寄存器，发现它有一个OVRDIS的功能，

这个问题是因为你在使用load_model时使用了单引号，在Python上一律使用双引号keras_model = tf.keras_models.load_model("./test.h5")写入时也使用双引号open("./test1.tflite","wb").write(tflite_model)

简介Zephyr为开发者们提供了一套简单的测试框架：Ztest，用于测试开发者们开发的Core，Ztest提供了断言以及一些基础的测试API，类似C语言的断言功能。开发者们可以用这套框架编写Test Case，可以编写自动化脚本来测试自己的Drier或其它API接口是否能够正常工作，同时Zephyr也提供了自动化测试的脚本：twister，它是使用Python编写，用于批量或指定运行Test Co

目录概述一、什么是计算机视觉？二、计算机视觉实现起来难吗？1.外部噪声：2.内部噪声(分为四种)：3.网络噪声4.根据特征切割场景重建二维图1. opencv还可以很好的修复图像中的畸变三.Opencv发展历程1.起源2.可移植性3.运行效率4.应用领域5.Opencv目标6.Opencv库组成体系(取自：学习Opencv图1-5)7. 版权8.预备四、什么是数字图像处理？它和计算机视觉的区别在哪

收敛的意思是指某个值一直在往我们所期望的阈值靠，就拿深度学习中loss损失来做示例，如下一张图是loss在每轮训练时的一个曲线图，可以看到loss一直从一开始的1.8在往1.0降，1.0就是我们期望的阈值，而1.8是最开始loss最大损失值。可以看到在训练过程中损失值一直在往我们期望的阈值上靠近，这个曲线非常平滑，没有出现曲线一直卡在某个点不下降或突然曲线上升了（这个情况是跑飞了）的原因，如果有可