算力计算 DMPS

算力名词:

CPU 计算能力表示:

DMPIS:MIPS(Million Instructions Per Second):字面理解为百万条指令/秒,即每秒执行百万级指令数。这是衡量CPU速度的一个指标。像是一个Intel 80386 电脑可以每秒处理3百万到5百万机器语言指令,既我们可以说80386是3到5MIPS的CPU。MIPS只是衡量CPU性能的指标。
DMIPS(Dhrystone Million Instructions executed Per Second):Dhrystone是测量处理器运算能力的最常见基准程序之一,常用于处理器的整型运算性能的测量。Dhrystone是一种整数运算测试程序。
MFLOPS:(Million Floating-point Operations per Second),主要用于测浮点计算能力

GPU计算能力表示

TOPS: Tera Operations Per Second
处理器每秒钟可进行10^12操作,包括整数的运算和浮点数运算,和FLOPS有一定差别。

算力解释
https://blog.csdn.net/a1809032425/article/details/121120859
各架构算力
https://blog.csdn.net/lgh0824/article/details/106802352

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
下面是一个关于Dynamic Movement Primitives(DMP)的简单Python例程,它展示了如何使用DMP函数来生成一系列连续的运动轨迹。 首先,我们需要导入所需的库和模块: ```python import numpy as np import matplotlib.pyplot as plt from dmp import DMPs_discrete ``` 然后,我们定义一些常量和变量: ```python # 定义DMP的时长和采样率 T = 5.0 dt = 0.01 # 定义DMP的起始位置和目标位置 start = 0.0 goal = 1.0 # 定义DMP的数量和每个DMP的参数 n_dmps = 1 params = { 'k': 100.0, 'd': 2.0 * np.sqrt(100.0), 'alpha': -np.log(0.01), 'beta': 0.0, 'w': np.zeros((n_dmps, 25)), 'g': np.zeros(n_dmps), 'y0': start, 'dy0': 0.0, 'ddy0': 0.0, } ``` 接下来,我们初始化DMP: ```python # 初始化DMP dmp = DMPs_discrete(n_dmps=n_dmps, dt=dt, T=T) # 设置DMP的参数 dmp.set_params(params) ``` 现在,我们可以生成DMP的运动轨迹,并将其可视化: ```python # 生成DMP的运动轨迹 y_track, dy_track, ddy_track = dmp.rollout() # 可视化DMP的运动轨迹 t = np.arange(0, T, dt) fig, ax = plt.subplots(nrows=3, ncols=1, sharex=True) ax[0].plot(t, y_track) ax[0].set_ylabel('Position') ax[1].plot(t, dy_track) ax[1].set_ylabel('Velocity') ax[2].plot(t, ddy_track) ax[2].set_ylabel('Acceleration') ax[2].set_xlabel('Time') plt.show() ``` 完整的代码如下: ```python import numpy as np import matplotlib.pyplot as plt from dmp import DMPs_discrete # 定义DMP的时长和采样率 T = 5.0 dt = 0.01 # 定义DMP的起始位置和目标位置 start = 0.0 goal = 1.0 # 定义DMP的数量和每个DMP的参数 n_dmps = 1 params = { 'k': 100.0, 'd': 2.0 * np.sqrt(100.0), 'alpha': -np.log(0.01), 'beta': 0.0, 'w': np.zeros((n_dmps, 25)), 'g': np.zeros(n_dmps), 'y0': start, 'dy0': 0.0, 'ddy0': 0.0, } # 初始化DMP dmp = DMPs_discrete(n_dmps=n_dmps, dt=dt, T=T) # 设置DMP的参数 dmp.set_params(params) # 生成DMP的运动轨迹 y_track, dy_track, ddy_track = dmp.rollout() # 可视化DMP的运动轨迹 t = np.arange(0, T, dt) fig, ax = plt.subplots(nrows=3, ncols=1, sharex=True) ax[0].plot(t, y_track) ax[0].set_ylabel('Position') ax[1].plot(t, dy_track) ax[1].set_ylabel('Velocity') ax[2].plot(t, ddy_track) ax[2].set_ylabel('Acceleration') ax[2].set_xlabel('Time') plt.show() ``` 注意,这个例程使用了另一个Python模块`dmp`,它是一个开源的DMP实现。你需要先安装这个模块,然后才能运行这个例程。
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