由于最近在移植u-boot2016.05的am335x nand 版本，所以相关的知识都要梳理一下。
nandflash ECC 原理记录。nand ECC 全称是Error Checking and correction.该算法分为列校验和行校验。列校验有下图所示：* 如上图所示， CP0 == 所有的 Bit0 ^ Bit2 ^ Bit4 ^ Bi
转载
2023-07-12 22:31:15
0阅读
1. BN层的作用优势： （1）BN使得网络中每层输入数据的分布相对稳定，加速模型学习速度 （2）BN使得模型对网络中的参数不那么敏感，简化调参过程，使得网络学习更加稳定 （3）BN允许网络使用饱和性激活函数（例如sigmoid，tanh等），缓解梯度消失问题 （4）BN具有一定的正则化效果劣势： （1）batch_size较小的时候，效果差 （2）RNN中效果差 （3）测试阶段 训练和测试详细内
一、需求背景云服务项目，MySQL水平分库，由于各种历史原因，各个分库的数据量不均衡，新增分库数据量低，需要一种负载均衡算法能自动平衡数据分布二、解决方案基于数据库权重的负载均衡算法三、代码实现权重存储结构表定时同步权限信息的任务基于权重的负载均衡算法public class DbKeyWeightDto implements Serializable {
private static
转载
2024-06-21 08:52:19
77阅读
计算机视觉是一种涉及计算机处理和分析数字图像和视频的技术和方法。计算机视觉领域的目标是使计算机能够模拟人类视觉，从而可以理解和解释数字图像和视频中的信息。计算机视觉可以应用于许多领域，包括机器人、医学图像处理、安全检测、自动驾驶汽车、视频监控等。什么是计算机视觉？有哪些方向？计算机视觉通常涉及以下步骤：图像获取：计算机视觉系统首先需要从数字摄像机、扫描仪或其他数字源中获取数字图像或视频。图像预处理
转载
2023-07-14 19:29:22
950阅读
DNN 其实就是多层感知机，并没有什么特殊的地方。DNN 按不同层的位置划分，其内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图示例，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。 层与层之间是全连接的，也就是说，第 $i$ 层的任意一个神经元一定与第 $i+1$ 层的任意一个神经元相连。虽然 DNN 看起来很复杂，但是从小的局部
转载
2023-09-07 21:41:11
259阅读
本文基于VS2015平台，新建MFC项目工程，通过利用MFC建立可视化的人脸检测以及相似度检测程序。 首先放图，最终的结果界面如下图所示。 为了能够实现该效果，进行了如下的工作。认真看完，你会有很大的启发。 （一）首先需要在VS2015中新建MFC以及环
DNN全连接层（线性层）计算公式：y = w * x + b W和b是参与训练的参数 W的维度决定了隐含层输出的维度，一般称为隐单元个数（hidden size） b是偏差值（本文没考虑） 举例： 输入：x （维度1 x 3） 隐含层1：w（维度3 x 5） 隐含层2: w（维度5 x 2）个人思想如下：比如说如上图，我们有输入层是3个，中间层是5个，输出层要求是2个。利用线性代数，输入是【1×3
转载
2023-08-16 20:07:53
288阅读
一、原理 Exact and Consistent Interpretation for Piecewise Linear Neural Networks: A Closed Form Solution KDD2018的这篇文章，指出对于采用分段线性激活函数如Relu、最后接softmax的深度学习网络，都等效于分段线性分
转载
2024-04-08 22:46:49
64阅读
又是Ｎ久不来了，因为最近真是很不求上近的，在这个行业里感觉到越来越力不从心，脑子也不好用，困惑呀！
以前一直做着asp，但是做得越多，越头疼。asp+access，很简单，上手也很快，但是这样的程序做的网站安全性能不是很好，在相同的条件下，用这种结构做的网站比asp.net的差很多。所以想把网站全部更换了。
想用一个安全性好一些，又要用免费的，真是应了那句俗话，要想好，要想巧，还想
原创
2008-05-05 11:16:54
688阅读
✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。文章目录表示图像将图像转换为结构化数组和标量为什么要利用神经网络进行图像分析？为图像分类准备我们的数据训练神经网络缩放数据集以提高模型准确性了解改变批量大小的影响批量大小 32批量大小为 10,000了解改变损失优化器的影响了解改变学习率的影响学习率对缩放数据集的影响高学习率中等学习率学习率低不
转载
2024-06-17 06:51:13
181阅读
神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。早期感知机的推动者是Rosenblatt。（扯一个不相关的：由于计算技术的落后，当时感知器传输函数是用线拉动变阻器改变电阻的方法机械实现的，脑补一下科学家们扯着密密麻麻的导线的样子…）但是，Rosenblatt的单层感知机有一个严
转载
2024-08-08 10:37:06
76阅读
需求背景使用流行的NCNN, DNN， MNN， SNPE， torch_c++ 等框架将主流的Yolo，Nanodet， MobileSSD等模型部署到Android设备上。代码实践百度云：Android APK版本 （备用地址： https://pan.baidu.com/s/1ZZrF9CuJ2YQ0cwuWmtTMCA?pwd=sbpt）涉及内容NanoDetPlus 模型模型训练Nano
转载
2024-06-03 10:15:39
233阅读
Logistic回归所谓回归,就是给一组数据,构建一个多项式对整个数据进行拟合.建立多项式f=θ0x0+θ1x1+⋯+θnxn=θTX
f
=
θ
0
x
转载
2024-09-20 16:42:59
54阅读
基于DNN-HMM的语音识别声学模型结构如下图所示，与传统的基于GMM-HMM的声学模型相比，唯一不同点在于用DNN替换了GMM来对输入语音信号的观察概率进行建模。DNN与GMM相比具有如下优点：DNN不需要对声学特征所服从的分布进行假设；DNN的输入可以采用连续的拼接帧，因而可以更好地利用上下文的信息；DNN的训练过程可以采用随机优化算法来实现，而不是采用传统的批优化算法，因此当训练数据规模较大
转载
2023-10-28 13:14:51
251阅读
关于模型OpenVINO自带的表情识别模型是Caffe版本的，这里使用的模型是前面一篇文章中训练生成的pytorch全卷积网络，模型基于残差网络结构全卷积分类网络。输入格式：NCHW=1x3x64x64输出格式：NCHW=1x8x1x1支持八种表情识别，列表如下：["neutral","anger","disdain","disgust","fear","happy","sadness","sur
转载
2024-04-04 09:19:25
143阅读
深度神经网络（Deep Neural Networks， 以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。 1. 从感知机到神经网络 在感知机原理小结中，我们介绍过感知机的模型，它是一个有若干输入和一个输出的模型，如下图: 输出和输入之间学习到一个线性关系，得到中间输出结果： 接着
转载
2024-08-09 17:33:49
84阅读
目录1. DNN-HMM语音识别系统2. 深度神经网络前馈神经网络FNN卷积神经网络CNNCNNTDNN循环神经网络RNNLSTM混合神经网络3. 总结4. 作业代码 1. DNN-HMM语音识别系统 DNN-HMM语音识别系统的训练流程是在我们上一节所学的GMM-HMM语音识别系统的基础上，加上了对齐和DNN训练的方式。其流程图如下图所示： 2. 深度神经网络 首先来了解一些神经网络
转载
2024-04-06 20:27:17
617阅读
WindowsDNN模块需要opencv版本是3.3以上。配置VS环境加入opencv路径。代码逻辑：预设文件加载路径；加载图片；读取标签文件类别名称，存储到vector变量中。API调用caffe模型；输入图片数据需要格式转换；前向推理模型，得到结果；对结果数据进行reshape，找到结果中比例最大值位置信息；打印对应位置类别名称；main.cpp#include <opencv2/ope
转载
2024-07-01 16:31:49
179阅读
递归神经网络上一讲讲了CNN的架构，那么当我们把时间这个维度考虑进来了以后，我们就得到了递归神经网络（RNN）。RNN的输入输出可以是一对多、多对一、多对多，分别对应不同的应用场景RNN的核心部分是如下公式，旧状态+当前输入，经过一个函数，得到了新状态，新状态会被送到下一个时候参与运算。我们的这个函数fw在不同时间是固定的。普通RNN一般来说这个fw函数是tanh函数，W是我们需要学习的权重，分别
转载
2024-04-07 22:26:43
127阅读
在深度学习领域中，已经经过验证的成熟算法，目前主要有深度卷积网络（DNN）和递归网络（RNN），在图像识别，视频识别，语音识别领域取得了巨大的成功，正是由于这些成功，能促成了当前深度学习的大热。与此相对应的，在深度学习研究领域，最热门的是AutoEncoder、RBM、DBN等产生式网络架构，但是这些研究领域，虽然论文比较多，但是重量级应用还没有出现，是否能取得成功还具有不确定性。但是有一些
转载
2024-04-26 15:26:02
165阅读
