WinCE文件系统及注册表项设置(HIVE-basedRegistry和RAM-based Registry设置方法)

HIVE-basedRegistryRAM-based Registry设置方法

一、硬件平台

友善之臂Tiny6410开发板(7寸)

二、软件平台

VS2005PB6.0R3,安装方法在另一篇文章中详细说明。

三、说明

WinCE6.0系统默认是HIVE-basedRegistry,友善之臂系统自带的也是HIVE-based Registry。但是文档中并没有详细讲述如何创建自己的操作系统,只是提供了官方的版本。为了满足不同用户的需求,本文详细说明两种模式下的操作系统如何创建。如果有什么不对的地方,欢迎拍砖。

四、RAM-based Registry模式系统创建

1、新建PB6.0项目,本例取名“SW6410

 

2、点击确定,进入下一个界面

 

3、直接点击下一步

 

4、选择BSP包,SamsungSMDK6410

 

 

5、选择模板,PDADevice

 

 

6、选择Mobile Handheld

 

 

7、如果上网的话,请选择ie6,这里不做选择

 

 

8、去掉IPv6IrDA

 

 

9、点击完成,弹出下面界面

 

 

10、点击Acknowledge

 

 

11、进入vs2005PB环境

 

 

12、选择发行版本Samsung_SMDK6410_Release

 

 

13、点击解决方案SW6410,右键进入属性界面

 

 

14、配置属性->Locale中,点击ClearAll

 

 

15Locales中选择中文(中国),Defaultlocale中也选择中文(中国),Codepages中选择437.

 

 

16、在BuildOptions中,只选择IMGEBOOT=1,其他均去掉。

下面进入组件选择环节:

 

17、在这里进行系统组件的选择

 

 

去掉help,选择CAB File Installer/Uninstaller

 

 

去掉Battery Driver,选择USB组件(选择USBHost SupportUSB HID Keyboard and MouseUSB Storage Class Driver

 

 

此处选择文件系统和注册表组件,选择RAM and ROM File SystemRAM-basedRegistryFAT File System

 

 

选择语种的支持,选择National Language SupportNLS),SimSun&NSimSunSubset2_50),GB18030 DataConverterDouble Spelling(shuang pin)softkeyboard-smallMonotype Imaging AC3 FontCompression

 

 

添加对SD卡的支持,选择SD Bus DriverSDIO Standard Host ControllerSDMemory;选择USB Function中的serial

 

 

选择Active Template LibraryATL

 

 

选择DirectDraw

 

 

修改环境变量,文件SMDK6410下面的SMDK6410.bat,将以上三个变量设置为0

以上设置均已完成,开始生成系统文件NK.bin(注意:使用Build and Sysgen)。

五、HIVE-based Registry模式系统创建

 

添加组件,Promise Controller ATAPI driverSerialATASATA),Flash MDD

 

 

将注册表项选择Hive-based Registry,其余不变。注意:如果选择了文件系统为ROM-only File System,则系统内所有文件夹的修改均可以保存。如果选择RAM and ROM File System,只有NANDFLASH目录下(映射只ROM中)的修改可以保存,其他文件夹均不能保存(映射在RAM中)

 

 

修改环境变量,以上三个变量均设置为1.

以上设置均已完成,开始生成系统文件NK.bin(注意:使用Build and Sysgen)。

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