说技术有点过了，不然怎么把各位骗进来呢，哈哈哈！！！不过确实真的不难，就是要处理好各种对应关系，废话不多说，上！额，计划有变，时间不多，希望能看懂，具体可以参考我的github仓...

https://www.jianshu.com/p/d4d9d5b88c56

2019年就要结束了，来年的主角也已经到位，在此跟大家分享一下瑞芯微在2020年推出的RK35XX系列的新一代通用型SoC：RK3588、RK3566和RK3530，以及其应用场景，方便行业定制项目选型。在此附上一张瑞芯微的产品路线图，以供大家参考。瑞芯微旗下SoC路线图从上面这张图我们可以清晰的看出，在2020年瑞芯微推出的产品主要是面向物联网人工智能/机器视觉和机顶盒领域。鉴于在前不久瑞芯微刚

Low-level任务：常见的包括 Super-Resolution，denoise， deblur， dehze， low-light enhancement， deartifacts等。简单来说，是把特定降质下的图片还原成好看的图像，现在基本上用end-to-end的模型来学习这类ill-posed问题的求解过程，客观指标主要是PSNR，SSIM，大家指标都刷的很高。目前面临以下几点问题：泛化

优势减小模型尺寸（减少内存占用）：如8位整型量化可减少75%的模型大小，更小的模型大小意味着不需要更多的内存加快推理速度：1）8 位的访问次数要比 32 位多，在读取 8 位整数时只需要 32 位浮点数的 1/4 的内存带宽，例如，在 32 位内存带宽的情况下，8 位整数可以一次访问 4 个，32 位浮点数只能 1 次访问 1 个。而且使用 SIMD 指令(19.2节会加速介绍该指令集...

IF:Instruction Fetch,取指令ID:Instruction Decode,译码（应该是取数同时译码的过程）EX:Exec,执行MEM：访存，从数据存储器中读WB:Write Back,写回，将数据写到寄存器中。https://www.cnblogs.com/CorePower/p/CorePower.html链接贴上，日后来补！...

前言神经网络前向耗时主要由卷积的耗时决定，参考賈杨青毕业论文，那么如何对卷积加速便成了重要的一个点，主流的加速方法有以下几种：im2col+GEMM：目前几乎所有的主流计算框架包括 Caffe, MXNet 等都实现了该方法. 该方法把整个卷积过程转化成了GEMM过程，而GEMM在各种 BLAS 库中都是被极致优化的，一般来说，速度较快。Winograd： Winograd 是存在...

Python是一门解释语言，Python为我们提供了基于硬件和操作系统的一个虚拟机，并使用解释器将源代码转化为虚拟机可执行的字节码。字节码在虚拟机上执行，得到结果。Python解释器工作原理我们使用python example.py来执行一份源代码时，Python解释器会在后台启动一个字节码编译器（Bytecode Compiler），将源代码转换为字节码。字节码是一种只能运行在虚拟机上的文件，P

本人mac上在android NDK里的位置如下，可以写到环境变量里export PATH=${PATH}:/Users/admin/Library/Android/sdk/ndk/21.3.6528147/toolchains/arm-linux-androideabi-4.9/prebuilt/darwin-x86_64/bin使用方法：arm-linux-androideabi-addr2l

linux下vim 查找命令：/text --查找text, 按n查找下一个, N查找上一个?text --查找text(反向查找), 按n查找下一个, N查找上一个*/# --查找光标当前的单词,相当于/text:set ignorecase --查找忽略大小写:set noignorecase --查找不忽略大小写:nohlsearch --关闭当前的高亮显示,当再次查找时恢复高亮:set i