本文探讨了打造复古掌机的两种方案：安卓与Linux系统掌机的优劣势对比。安卓掌机兼容性更广，支持PS2模拟器和云游戏，但启动慢、UI割裂；Linux掌机启动快、界面统一，但功能有限。作者选择闲置小米9（性能优于主流掌机）搭配手机手柄，安装天马G前端（UI框架+模拟器整合），实现了低成本高性能的复古游戏方案。文章还分析了模拟器核心技术JIT的原理，并指出天马G本质是管理前端，实际运行仍依赖各模拟器A

过去两年看了很多算法，描述和之前的还是不同，国内好像用得不多。一直说抽时间总结总结。如果以后要去投稿，还要用这种写法。卡尔曼滤波的pseudocode。

本文介绍了基于嵌入式AI的多模型(Multi-Tenancy)视觉人形检测实现方案。系统采用OV7675摄像头获取176×144灰度图像，经裁剪处理成96×96尺寸并归一化到-128~128范围。模型推理后分别输出人形(person_score)和非人形(no_person_score)两个独立置信度分数，通过比较分值控制LED指示灯（红灯表示检测到人，绿灯反之）。相比多模态(MultiModal

本文介绍了一种高效的时间轮算法（Timing Wheel）实现定时器管理。传统队列方式遍历所有任务效率低（O(N)），时间轮通过哈希表思想将任务分配到时间槽中（时间复杂度O(1)）。核心实现包括：1）循环队列处理长时间任务；2）槽位计算和圈数管理；3）多线程安全操作。文中提供了Python实现代码，并给出槽数计算公式（槽数=最大延迟/时间粒度）和典型场景配置建议。该算法适用于网络心跳、游戏逻辑等需

生产测试软件则是用在生产流水线上。两者的功能其实大差不差，但是生产测试软件要考虑到自动化以及流水线的工序等等。之前把这个和安卓工程模式搞混了，现在才知道两个是不同的。工程模式是用在维修手机中的，发现手机的问题。后面空了再看吧，，，来不起了。

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

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。

用树莓派搞深度学习？TensorFlow启动！