woneday嘿-CSDN博客

原创 STM32学习笔记3---ADC,DMA

根据引脚定义表,PAO到PB1这10个引脚是ADC的10个通道，但是其他的这些引脚。18个输入通道，可测量16（16GPIO）个外部（最多）和2个内部（内部温度传感器，内部参考电压）信号源。，多路开关（左边通道，接入右边的规则组）（点菜）（指定通道通道0，序列，指定通道采样时间）数据转运的路径：12个独立可配置的通道： DMA1（7个通道）， DMA2（5个通道）依次启动四次转换，并在转换前，指定转换通道，每次转换完成，把结果存在四个里面。，0-2的12次方减1）逐次逼近型（工作模式）ADC，1us（

2024-08-27 23:01:26 895

原创以GD32F103C8T6为例的核心板原理图PCB绘制学习笔记简单总结

重点在supplier part是立创商城的编号，可以搜到。

2024-08-23 22:27:45 865

原创 STM32学习笔记3 ---中断，定时器

中断，定时器

2024-08-13 12:47:14 984

原创 STM32学习笔记2 --- GPIO输入

按键，传感器，c补，AD/DA,OLED

2024-08-06 22:27:33 963

原创 STM32学习笔记1---LED,蜂鸣器

LED,蜂鸣器

2024-08-02 14:15:08 1009

原创联邦聚合算法代码详解（第四期resnetcifar.py部分）

块的设计是为了在保持计算量相对不变的同时增加模型的深度。它通常包含一个 1x1 的卷积用于减少通道数（瓶颈），然后是一个 3x3 的卷积用于提取特征，最后是一个 1x1 的卷积用于恢复通道数。这个过程模拟了数据在网络中的流动，从输入层开始，通过一系列的卷积层、批归一化层、激活函数层、以及可能的池化层和全连接层，最终产生输出。在 ResNet-18 的典型实现中，网络被划分为四个这样的阶段，每个阶段的特征图大小逐渐减小（通过步长为 2 的卷积或池化操作实现），同时特征图的数量（即通道数）逐渐增加。

2024-07-12 16:04:39 967

原创联邦聚合算法代码详解（第三期clients.py部分）！

fromutilsimport *（自定义的模块ClientDataset（）封装数据集GetDataSet（）加载不同数据集。

2024-07-12 14:39:11 504

原创联邦聚合算法代码详解（第二期utils.py部分）

联邦聚合算法代码详解（第二期utils.py部分）

2024-07-12 10:26:45 583

原创联邦聚合算法代码详解（第一期getData.py部分）

联邦聚合算法

2024-07-11 23:45:14 1052

原创联邦学习快速入门知识点总结，超详细FedAvg算法解读学习笔记

FedAvg算法解读，联邦学习快速入门，学习笔记

2024-07-11 14:04:25 940

原创 CNN卷积神经网络代码实现及解析（卷积层池化层全连接层）

在第一层卷积层提取的基础特征上，第二层卷积层能够捕捉到更复杂的图像模式。这样做的目的是为了确保模型在训练时正确地应用特定的层行为。二维卷积核（输入通道数，输出通道数，卷积核大小，移动步长，输入图像的边界填充的像素数）这会影响模型中某些特定层的行为。二维最大池化层（池化窗口的大小，移动步长，输入图像的边界填充的像素数）全连接层将卷积层和池化层提取到的特征进行综合处理，最终。随着网络层数的增加，卷积层会逐渐提取。的特征，从而更好地进行图像识别任务。在初始层，卷积层提取图像中的。池化层通过减少特征图的尺寸，

2024-07-10 15:38:37 801