它使用了一种称为设备映射器（Device Mapper, dm）的技术，将一个大的物理分区（即 super 分区）映射为多个独立的逻辑分区。最后嵌入式linux的分区，是挂载到某个文件夹，并不是盘符，这些都是和windows电脑分区的区别。里面有一些奇怪的地方，比如/dev/block/dm-*，/dev/fuse，selinuxfs，overlay，binder。第二点就是super -> /d

本文介绍了神经网络的基本概念和实际应用，通过哈佛TinyML课程展示了单层和双层神经网络的实现。文章详细解释了权重(w)和偏置(b)的作用，并比较了两种网络结构的性能差异。代码示例使用TensorFlow和Keras构建神经网络模型，训练后预测结果接近真实值18.999998。最后讨论了如何根据任务复杂度选择网络层数和神经元数量，提供了调试技巧：欠拟合时增加复杂度，过拟合时减少或加入正则化。全文以

用TP4056当然是简单方便，但是也存在设置不灵活的问题，回想最近做的商业级项目，都是可以直接在设备树中配置，应该是没用这种方法。这个真的是要根据电池的特性来看，不同类型的电池，甚至不同型号的电池可能管理策略都不同。其中，C表示电池额定容量对电流的表示，比如电池的容量是1000mAh，1C就是1000mA的充电电流。恒压充电（CV）：当电池电压达到4.2V时，调整充电器输出，维持电压恒定在4.2V

特性描述前后端完全分离可独立部署，方便对接第三方系统或替换 UI通信方式REST API + WebSocket，支持高并发与实时性易于二次开发可自定义仪表盘组件、后台业务逻辑、集成机器学习模型、接入外部系统等接口开放文档Swagger UI如果你希望：自定义前端组件（桥梁 3D 模型 + 传感器位置展示）开发自己的 API 或规则链节点将 ML 模型分析接入 ThingsBoard 决策流程我可

TinyML课程分为三部分：基础、应用和部署。基础部分介绍TinyML概念、与传统ML的区别，以及面临的硬件限制（如缺乏FPU）和软件挑战（库支持不足）。课程使用Google Colab和Arduino 33 BLE Sense硬件，重点讲解模型压缩技术（剪枝、量化等）和TensorFlow Lite部署流程。TinyML主要关注推理而非训练，强调在资源受限设备上的优化。课程还涉及AI伦理内容，整

最近开始投入Android的怀抱。说来惭愧，08年就听说这东西，当时也有同事投入去看，因为恶心Java，始终对这玩意无感，没想到现在不会这个嵌入式都快要没法搞了。为了不中年失业，所以只能回过头又来学。首先还是说Android是基于Linux内核的，所以说骨子里还是linux，但是针对移动端，进行了深度优化。

NDK 提供了更高性能的计算能力，特别是在图像处理和计算密集型任务中，与 OpenCV 结合可以充分利用高通平台的硬件资源（如 NEON SIMD 指令集和 GPU 加速）。类也可以直接在 C++ 层调用摄像头，但在 Android 上可能需要手动适配摄像头 ID 和权限管理。高通平台支持 Hexagon DSP，通过 Qualcomm SDK，可以进一步优化特定任务。通过这些步骤，你可以在高通安

树莓派其实有两个摄像头接口，一个是rpicam，另一个是libcamera。不过rpicam是以前的接口，而且貌似还是树莓派专用的，所以不用再花精力去看了。而libcamera是开源库，貌似现在用的还越来越普遍，所以学学完全没问题。现在树莓派在libcamera之上，又封装了picamera2，本来python又快又好的信条，所以先从picamera2开始学吧。

USB分为USB Host和USB Device两种，PC一般是USB Host，手机等终端数码设备一般是USB Device。OTG是指设备既可以作为USB Device，又可以作为USB Host。在Linux中，USB Device设备称为Gadget。这个代码是应用层的，在驱动层之上。还有一个代码是可以的话比对着一起看吧，兼听则明啊。。。

本质上其实就是两部分，设备提供什么能力，系统需要什么能力。然后看两者能否兼容匹配上。这两者都是使用xml进行描述。主要是Android8之后，system和vendor分离，为了确保两者的兼容性搞出来的。周末搞这玩意欲仙欲死，没办法只有看看。VINTF是供应商接口对象（VINTF 对象），准确的说，这个是属于兼容性矩阵概念。有点想起了以前看过的一个电影，异次元杀阵。下面是谷歌官方的图。我看说的一般