随便写点

今天调试程序有点起色,突然想写点什么。

调试硬件程序不必软件,调纯上位机软件基本可以做到所见即所得,感觉比调硬件要容易的多,调过一段时间驱动,但是开始时候也是比较纯粹的软件调试的思路,不过个人感觉这个区别不是很大,唯一印象深刻的是调PCI驱动时候,DMA的开启与关闭部分,DMA有两个通道,再接到上位机指令后根据相应标志位开启,再传输玩数据后关闭,如果关闭失败后便影响下一次开始,并导致失帧,整个一轮操作的周期是20ms,导致失去数据帧的原因可能是操作之间超过了20ms,这个问题比较容易查找和解决,而对于DMA通道的关闭失败问题是我万万没有想到的,PCI官方驱动中关闭DMA是在一个循环中反复关闭的,直到关闭成功后便返回一个值,当时我遇到这个问题根本没往此处想,关闭DMA通道的是个函数,以为执行完了便也关闭了,没成想会关闭失败,而帮我们调试程序的张老师不愧是有经验之人,半天的查找与反复调试中将此问题查出并解决。

还做了个Ubuntu字符界面视频显示的东西,最终代码虽然很少,可也花了我一段时日,这里涉及到对显卡的写操作,Linux系统是开源开放的系统,对显卡的操作当然是可以的,但为了安全起见,Linux做了帧缓存,即framebuffer,是显卡在内存的映射,对framebuffer操作就等于对显卡操作,我们的视频源是格式是yuv422,当前显卡基本都是支持rgb的,若是显示到屏幕上需要将yuv转换成RGB来显示,有相应的转换格式,我有篇博客有相应的源代码,可以直接运行,但是这里有个问题是转换的效率问题,我们是实时性系统,因为要做到视频显示频率达到50HZ,所以每一轮包括数据传输,存储,处理,和显示,每一个环节的时间都要精打细算,最好留出余量,我没有找到更好的方法,我的方法是化整移位操作,避免了浮点类型数据耗时的问题,可是又是在非实时的ubuntu系统上,用不太确定的Linux下测程序运行时间的函数测得竟然光转换就要花掉7个ms左右,这个是不可忍受的,光时间的缩减问题便想了又想,再一次会议探讨中,一语惊醒梦中人,我们需要显示的视频是黑白的!。。为啥不早告诉我。。让我做了那么多无用功,两个格式间的转换及显示我是花费了不少精力,还有如何在framebuffer写数据从一片茫然到手到擒来。。yuv格式中y是灰度值,代表图像本身的信息,UV是两个亮度值,共同承载色彩的信息,我们的视频源是来自红外热像仪,黑白的,那我们只要传输Y数据就可以了,显示也只显示Y就行了,这样数据传输量少了一半,时间也缩短了一半,而且更重要的是我这里可以不用转换了,这样时间便大大缩减了。可是由于是对屏幕的每个矩阵点写数据,宽度值和高度值两个循环来控制,由于数据量太大,也很耗时,曾经想过用汇编来做,可是成本太高,因为我对于汇编可为太陌生了,而且是Linux下的汇编,但是我想到了个好方法,就是通过将这段程序反汇编,参照反汇编后的汇编语句和指令来调整我的句法,很见效,时间缩短了一半,最后只要4个ms便能完成。这件事就算告一段落了。

在DSP上调试编程花的时间最多了,也有很多心得,但是时间太晚了,明天还有要事,就明天写了。。。

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论 5
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