SPI是由摩托罗拉公司开发的一种通用数据总线，其中由四根通信线，支持总线挂载多设备（一主多从），是一种的协议。主要是实现主控芯片和外挂芯片之间的交流。这样可以使得STM32可以访问并控制各种外部芯片。本文主要是实现STM32连接W25Q64外挂Flash芯片。I2C的优点是，无论外挂多少设备，只需要两根通信线就可以实现连接，但是由于其默认弱上拉的设计，其由低电平变换到高电平的时候会比较慢，这会使得

CAN总线是一种控制器局域网总线，每一个挂载在CAN局域网的设备，都可以利用CAN去发送信息，也可以接收局域网的各种信息，每个设备都是平等的，共享CAN的资源。广泛应用于汽车、嵌入式和工业控制等领域。CAN总线一共有五种帧。

但是这仍不能证明模型的泛化能力，因为上述过程类似于新增了一个参数d之后，再使用测试集进行模型训练选出最优d值，也就是说，这是使用测试集来选择模型，又使用相同的测试集来计算误差，对于模型多项式次数d的选择会存在过拟合的情况。想要了解自己训练出的模型对训练集外的实例的泛化能力，则我们可以将初试的数据集分为两部分：70%为我们的训练集，剩下30%为我们的测试集（当然比例我们可以灵活调整）。值最小的对应的

在阅读本文前，请确保你已经掌握代价函数、假设函数等常用机器学习术语，最好已经学习线性回归算法，前情提要可参考https://blog.csdn.net/weixin_45434953/article/details/130593910我们通常用y来表示分类结果，其中最简单y值集合为01，比如对于一个邮件是否为垃圾邮件，有“是垃圾邮件（1）”和“不是垃圾邮件（0）”两种y的取值。

接下来我们将要学习我们的第一个模型——线性回归。比如说我需要根据数据预测某个面积的房子可以卖多少钱m:训练样本数量x:输入值，又称为属性值y:输出值，是我们需要的结果我们会用xy(x,y)xy表示一整个训练样本，使用xiyixiyi来表示第i个样例我们将上图用表格表示出来如下：那么线性回归的预测模型如下：训练集输入到学习算法中，然后学习算法会根据数据训练出函数h。作为一个线性回归模型，其输出的h应

设备树是是Linux中一种用于描述硬件配置的数据结构，它在系统启动时提供给内核，以便内核能够识别和配置硬件资源。设备树在嵌入式Linux系统中尤其重要，因为这些系统通常不具备标准的硬件配置，需要根据实际的硬件配置来动态配置内核。在Linux中，设备树源文件的扩展名为.dts，其二进制编码文件为.dtb，将.dts编译成.dtb需要使用DTC工具，位于Linux内核的文件夹下。

ARMv8-A是ARM公司发布的第一代支持64位处理器的指令集架构，他在扩充64位寄存器的同时提供对上一代架构指令集的兼容，因而可以同时运行32位和64位应用程序的执行环境。

编译出来之后的U-Boot的文件结构及其作用如下：主要存放架构相关文件，存储着包括不同架构下不同CPU的内容，包括arm\x86等等。在存放着arm架构相关设置的文件夹arm下，（），包含着各个arm版本的设置文件夹，以及根本的ARM 芯片所使用的 u-boot 链接脚本文件u-boot.ldsboard 文件夹就是和具体的板子有关的，打开此文件夹，里面全是不同的板子，这是对开发板做的适配文件，本

QoS 1 需要在 PUBLISH 报文中设置 Packet ID，而作为响应的 PUBACK 报文，则会使用与 PUBLISH 报文相同的 Packet ID，以便发送方收到后删除正确的 PUBLISH 报文缓存。在这之后，发送方可以再次使用当前的 Packet ID 发送新的消息，而接收方再次收到使用这个 Packet ID 的 PUBLISH 报文时，也会将它视为一个全新的消息。QoS 2

接下来我们总结若干应对各种问题的方法：修正过拟合（高方差）：增加训练及数量、使用更少的特征、增加正则化参数的值修正欠拟合（高偏差）：增加额外的特征、增加假设函数的复杂度和次方数、减小正则化参数的值。