嵌入式学习正式开始了

去年3月就开始学习嵌入式系统,但是一直没有实验工具(开发板),因此在这一年多的学习当中,没有什么实际的开发经验,最大的收获就是熟悉了LINUX操作系统、熟悉了Linux下的开发工具,shell编程语言,熟悉了嵌入式系统开发的流程,熟悉了嵌入式开发中常用的编程语言C和汇编,主要是针对ARM的。

今年6月终于把梦寐以求的开发板(s3c2410)买回来了,买了一个非常便宜的,外围硬件非常的少,可以说能减少的外围电路都被减少了,因此一些基础的实验几乎都无法开展,在仔细阅读完开发板的说明书之后开始进行一些简单的测试,这个测试主要是针对开发板的好坏,虽然我学习了一年多了,但是拿到开发板之后才知道实践是多么的重要,因此我又得从头开始学习,到处查资料,不过有了这一年多的理论基础,学起来还是挺快的!

我的开发板上没有配置NOR FLASH,因此要做一些简单的实验还不是那么容易的,后来经过上网查询,借阅书刊,才慢慢的开始了我的实验。

我报名参加了今年的《全国计算机技术与软件专业技术资格(水平)——嵌入式系统设计师考试》,113日就要考试,不得不把手上的实验搁在一边,在我复习考试资料的时候,发现自从动手操作了几次之后,很多以前看书不明白的地方都豁然开朗了^_^!现在考试成绩还没有下来,不过估计能过,这点信心还是有的,嘿嘿^_^

考完之后我开始了我的嵌入式 LINUX 移植与开发,第一个遇到的就是移植 BOOTLOADER ,并在 BOOTLOADER 的基础上做了一些基础的实验!
<script type=text/javascript charset=utf-8 src="http://static.bshare.cn/b/buttonLite.js#style=-1&uuid=&pophcol=3&lang=zh"></script> <script type=text/javascript charset=utf-8 src="http://static.bshare.cn/b/bshareC0.js"></script>
阅读(517) | 评论(2) | 转发(0) |
0

上一篇:没有了

下一篇:s3c2410的Bootloader(Vivi)简介

给主人留下些什么吧!~~

chinaunix网友2008-09-12 17:02:43

正要学习,祝你一切顺利!

Kernel Honey2008-01-07 17:39:38

看贴要回贴是最基本的 吸取别人的经验教训更要回贴才行

评论热议
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