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
一、移植 OpenCV 到 I.MX6ULL 开发板上运行方式一:使用默认出厂系统(自带 OpenCV 3.1 版本)使用的开发板是 阿尔法Linux 开发板 【底板+核心板(EMMC)+ 7寸RGB屏(1024 * 600)】使用的 ubuntu 版本为 Ubuntu 18.04.6 LTS出厂系统自带的 OpenCV 版本为:3.1 版本参考文档 1:【正点原子】I.MX6U 出厂系统 Ope
对于文件的读写操作,C 和 C++ 都各有一套方式。而在 Qt 中也有一套,即使用 QFile 对文件进行读和写操作。首先创建一个新的工程,以下操作为了迎合 嵌入式Linux 开发,决定在 ubuntu 中进行,并使用 rsync 进行远程调试。首先,窗体中搭建一个场景,并且将窗体固定为开发板屏幕的大小为1024 * 600 。搭建步骤如下:首先,将控件 LineEdit 和 PushButton
显示所有行号::set number取消显示所有行号::set nonumber
在前面的课程中,我们知道为了实现非线性的任务,需要使用多层神经网络,而多层神经网络的损失函数不再是凸函数,而是一种比较复杂的不规则函数,这类函数求导数非常困难,在求解极值问题时很难通过计算得到解析解,因此,通常采用梯度下降法得到数值解。梯度下降法有着三种不同的形式,分别是批量梯度下降、随机梯度下降和小批量梯度下降。在下面,我们就来详细的介绍下这三种方法。为了便于理解,我们以...
通过单个感知机或者单层神经网络只能够实现线性分类的问题,而多层神经网络可以解决非线性分类问题。神经网络中的模型参数,是神经元模型中的连接权重以及每个功能神经元的阈值,这些模型参数并不是我们人工设计或者指定的,而是通过算法自动学习到的。和其他机器学习算法一样,神经网络的训练,就是给定训练集,通过学习算法,确定学习参数的过程。可以直接使用梯度下降法需要计算损失函数的梯度,在没有隐含层的单层神经网络中,
卷积神经网络是一种多层、前馈型神经网络。从功能上来说,可以分为两个阶段,特征提取阶段和分类识别阶段。特征提取阶段能够自动提取输入数据中的特征作为分类的依据,它由多个特征层堆叠而成,每个特征层又由卷积层和池化层组成。处在前面的 特征层捕获图像中局部细节的信息,而后面的特征层能够捕获到图像中更加高层、抽象的信息。分类识别阶段通常是一个简单的分类器,例如全连接网络或者支持向量机。它更加提取出的特征完成分
在 TensorFlow 中,提供有一个高阶 API —— tf.keras ,使用它可以快速的构建神经网络模型,而且程序具有很好的可读性和易用性。Keras 是由 Python 编写的开源人工神经网络库。要注意的是,Keras 只是一个前端工具,是介于程序员与后端计算引擎之间的接口,它不能离开后端计算引擎而独立工作。Keras 默认的后端是 TensorFlow,也可以指定其他深度学习工具作为其
要将对象移动到主线程,请使用QApplication::instance()来检索指向当前应用程序的指针,然后使用QApplication::thread()来检索应用程序所在的线程。1、创建一个类继承自QObject类或其子类,并在其中定义所要执行的多个任务,执行多个任务就要定义相应的信号。思考改进:使用定时器代替sleep,在定时器事件中执行任务函数。2、任务通过moveToThread指定所