【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        我们知道，easyx本身是作为图形库存在的。也就是说，在这个库上面，简单的api，就可以实现直线、圆形、矩形、运动小球的绘制。其实如果不挑平台的话，用python+opencv的方法其实也非常容易做到这一点的。而且，就算再转成c++的形式，也不难。下面，我们看看python+ope

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        最近因为工作的原因涉及到ai编程，觉得还蛮有意思的。特别是了解到，现在外面很多公司，都是默认应聘者需要有ai编程经验的，感触挺多的。因为不想翻墙，所以特地挑了一个免费的ai ide，也就是trae，使用下来还是非常顺畅的。

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        喜欢玩游戏的朋友，肯定对游戏手柄不陌生。特别是喜欢玩xbox、switch的朋友，很多的游戏都是需要游戏手柄的参与。但是除了游戏之外，有一些应用开发也是可可以通过游戏手柄来完成的。比如说有一些嵌入式设备，按键还没有是配合好，这个时候就可以通过上位机读取游戏手柄的信息，借助于串口发给

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        用过tensorflow、pytorch的同学都知道，这些框架是可以任意选择激励函数、任意选择优化方法的。要做到这一点，其实并不复杂，只需要把我们之前写的代码流程更新一下。也就是说基本上所有的函数，都要写成class的形式，在这个函数里面再添加forward函数和backward函

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        在soc前面添加一个fpga开发板，专门用来对接sensor。然后再用fpga对接soc，这不是一个新鲜的做法。只是现在有一种soc，它内部本身就集成了fpga，这样fpga和soc里的cpu本身就可以直接通过总线直接沟通，非常方便。

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        自己用python和numpy，虽然可以写出深度学习框架代码。但是实际用的时候，一般还是用tensorflow、pytorch这样的框架来完成。通常来说，训练和部署是分开来的，训练的时候为了速度，一般用gpu加速训练。部署的时候，需要确认终端是否有gpu、npu支持，即需要把模型翻

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        大家说神经网络的训练，本身是一个黑盒操作，主要一部分原因就是其中的训练，很多时候没有办法做出合理性解释。也就是说，不知道为什么要按照这个方向去进行收敛，这个方向收敛对最终特征的形成有什么作用，很多时候都是不知道的。假设有这么一个模型，即y=f(x)。这个函数，或者说模型，其实是预先

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        深度学习的model训练完之后，一般需要部署到pc或者是嵌入式开发板上面。这个时候，如果部署的环境是arm开发板，本身又没有加速ip的话，那就只能用ncnn来解决。反之，如果有npu的帮助，也就是硬件加速来帮忙，这样会好很多。npu硬件加速的原理，其实就是把常用的算子做一个加速而已

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        早期ddr的使用是非常麻烦的一件事情。而目前来说，这种情况正在改变，一方面soc厂家会推荐一些常用的ddr芯片给客户，这样客户自己就可以灵活进行选择和使用，毕竟是厂家验证过的。另外一方面，还有一些soc会自带ddr，小的有32MB，大的有64MB，甚至是128MB，一般情况下也是够

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】        既然目前深度学习大部分都是python开发为主，那我们就学习一下python好了。早前还有python2、python3之分，不过现在大部分都是使用python3了。本身python就是一门脚本语言，和我们之前说的lua很像。所有的细节，都放在了后面，用户只需要把这些脚本串起来就可