logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

告别插件安装!在Linux/Mac上手动分离式搭建ESP-IDF+VSCode环境(附环境变量持久化技巧)

本文详细介绍了在Linux/Mac系统上手动分离式搭建ESP-IDF+VSCode开发环境的方法,告别插件依赖,实现环境模块化管理。通过清晰的目录结构、独立工具链安装和环境变量持久化技巧,开发者可以灵活切换ESP-IDF版本,提升开发效率和维护性。特别适合ESP32物联网项目的长期开发和版本管理需求。

基于CircuitPython的交互式灯塔模型:从电容触摸到NeoPixel灯光控制

嵌入式系统开发的核心在于实现“感知-处理-执行”的闭环。通过微控制器(如Adafruit Circuit Playground Bluefruit)读取传感器数据,经过程序逻辑处理后,驱动执行器完成特定功能,这是物联网和智能硬件的技术基础。其技术价值在于将物理世界与数字世界连接,实现智能化交互。典型的应用场景包括智能家居控制、互动艺术装置和STEAM教育项目。本文以制作一个交互式灯塔模型为例,具体

从星座图到硬件实现:手把手仿真QPSK家族(MATLAB/Python代码附后)

本文详细介绍了QPSK及其衍生版本OQPSK、π/4QPSK的调制技术,从星座图到硬件实现的全过程。通过MATLAB和Python代码示例,展示了这三种调制方式的仿真流程,特别关注相位跳变特性和频谱效率。文章还提供了性能对比和硬件实现指南,帮助读者深入理解QPSK家族在数字通信系统中的应用。

从Pascal到Python:嵌入式开发中编程语言的选择与实战思考

本文探讨了嵌入式开发中从Pascal到Python的编程语言选择与实战思考,分析了不同语言在实时性、资源约束和开发效率等方面的优劣。通过实际案例和技术对比,为嵌入式系统设计师提供了实用的选型框架和混合编程策略,帮助开发者在资源受限环境下做出最优决策。

#编程语言
Rust做机器学习到底行不行?实测Candle、Burn、DFDX、tch-rs在M1 Mac/Windows/Linux上的训练速度与内存占用

本文对Rust机器学习框架Candle、Burn、DFDX和tch-rs在M1 Mac、Windows和Linux平台上的性能进行了全面评测。通过MNIST手写数字识别任务,实测了训练速度、内存占用和推理延迟,揭示了各框架在不同硬件上的优劣势。结果显示,tch-rs在NVIDIA显卡上表现最佳,而Candle在M1芯片上效率最高,为开发者提供了实用的选型建议。

从Echo到Epoll:我的第一个C++并发服务器踩坑实录(ET模式详解)

本文详细记录了从Echo服务器到Epoll边缘触发模式(ET)的C++并发服务器开发历程,分享了ET模式下的性能优化、非阻塞IO处理及高并发连接管理实践。通过解决EAGAIN陷阱、数据分片重组等难题,最终实现支持500+并发连接的高效服务器方案。

CodeWalkers:基于Tauri+Rust的轻量级桌面AI编程助手

桌面AI编程助手是一种运行在操作系统托盘中的本地化智能辅助工具,其核心原理是将代码分析、上下文感知与知识检索能力下沉至系统级进程,通过低延迟事件监听(如LSP流)实现对开发者行为的无感响应。技术价值在于突破传统对话式AI的交互瓶颈,以‘意图识别’替代‘提问驱动’,兼顾隐私性、实时性与开发流连续性。典型应用场景包括IDE内悬停提示、错误即时修复、本地知识库检索等,尤其适合追求低干扰、高可控性的专业开

Rust做机器学习到底行不行?实测Candle、Burn、DFDX、tch-rs在M1 Mac/Windows/Linux上的训练速度与内存占用

本文对Rust机器学习框架Candle、Burn、DFDX和tch-rs在M1 Mac、Windows和Linux平台上的性能进行了全面评测。通过MNIST手写数字识别任务,实测了训练速度、内存占用和推理延迟,揭示了各框架在不同硬件上的优劣势。结果显示,tch-rs在NVIDIA显卡上表现最佳,而Candle在M1芯片上效率最高,为开发者提供了实用的选型建议。

MATLAB/Simulink仿真实现自动驾驶轨迹跟踪控制器:从算法原理到工程实践

轨迹跟踪是自动驾驶与机器人运动控制领域的核心问题,其本质是通过实时计算控制指令,使系统实际运动轨迹精确跟随预设路径。从控制理论角度看,该问题可抽象为对非线性动力学系统的闭环控制,经典方法如PID、LQR以及前沿的模型预测控制(MPC)均在此有广泛应用。其技术价值在于,通过高精度的轨迹跟踪,能够保障自动驾驶车辆在结构化道路下的行驶安全性与乘坐舒适性,是实现高级别自动驾驶功能(如车道保持、自动泊车)的

Wasserstein几何统一视角:Hebbian学习与相位同步的神经动力学机制

在机器学习与神经科学交叉领域,概率分布之间的几何度量(如Wasserstein距离)为理解复杂系统提供了新视角。Wasserstein距离(又称推土机距离)通过衡量分布间转换的最小成本,能有效刻画分布演化过程,尤其适用于描述非重叠支撑集的情形。其技术价值在于为高维参数空间的连续演化提供了自然的几何框架,从而能更深刻地分析学习算法的收敛性与稳定性。这一原理在神经动力学中尤为重要,例如在描述神经元集群

    共 100 条
  • 1
  • 2
  • 3
  • 10
  • 请选择