First Blog

入行嵌入式不到三个月,第一篇博客。

入职的部门做治具,主要用到MSP430和STM32. 大学里写过写51单片机的C程序,也有听过嵌入式(大概是STM32吧,从没听过)的课。入职第一天,浏览着同事给我的学习资料,意识到自己还是一张白纸。三脚猫的C语言编写水平,对MSP430和STM32的一无所知。“我的智慧之处在于能意识到自己是无知的。”忘记是谁说过的话了,看来我现在也是智慧满满,呵呵。(写了这么点就已经觉得CSDN的排版超级不爽了)

羡慕一些大牛们,在大学期间就完成了从单片机到ARM的过渡,毕业便拿到了一份薪水相当可观的工作。羡慕归羡慕更是钦佩他们超强的自制力,在大家都在混的大环境下却能一直让自己充实着,兴趣使然吧。

说起兴趣,我到底对嵌入式这行有多少兴趣呢?目前我并不确定。目前学习的知识还是相当底层的,大多是基于硬件,写通信协议或配置寄存器,相对于系统级的或应用级的嵌入式还是要枯燥些。但进入这行也不过两个多月的时间,新鲜感还没过去,兴趣什么的,以后再评估吧。

现在一直在进行的MSP430和C语言的学习,C语言主要是看《C primer plus》,相当基础的入门级的书。逛知乎时发现大家一直在黑谭浩强的书,说错误又多又难以理解,作为我的真正C入门书,我对其印象并没有那么糟。说说其最主要的优点吧:薄。全书度下来不需要太多时间但也能对C语言的整体有个大概的了解,但也只是大概的了解。与《C primer plus》比起来,内容真是太少了,都是点到为止。而且内容过旧,貌似都没支持到C90标准吧。

在进行纯C语言学习的时候用的是C-Free编译器,大学里一直用VC++6.0,现在用气这个感觉好用上天了!!!具体细节就不讲了,没用过的,又是C初学者的可以体验一下。

在讲讲MSP430,学习阶段用的是MSP430f149, 这个芯片好像也能运行μcos等操作系统但还是处于单片机级别的芯片,但也比51强大太多了,4种低功耗模式,时钟的选择也是超级灵活,IO也更多。

为什么开这个博客,首先是为了好玩儿,就是没写过博客,耍一把。

其次,为了加深学习吧,要去跑步了,不想写了,大家看下图吧。拜拜


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值