显示所有行号：:set number取消显示所有行号：:set nonumber

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

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

下图在英文手册中。

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