1月15日作业

task2

void StartTask02(void *argument)
{
  /* USER CODE BEGIN StartTask02 */
  /* Infinite loop */
  for(;;)
  {
		if(osSemaphoreAcquire (myCountingSem01Handle, osWaitForever) == osOK)
		{
			//HAL_GPIO_TogglePin(GPIOB,GPIO_PIN_0);
			printf("A car was brought,residue:%d\r\n",osSemaphoreGetCount(myCountingSem01Handle));
		}
		else
		{
			printf("waitting for brought\r\n");
		}
		osDelay(500);
  }
/* USER CODE END StartTask02 */
}

task3

void StartTask03(void *argument)
{
  /* USER CODE BEGIN StartTask03 */
  /* Infinite loop */
  for(;;)
  {
		if(osSemaphoreRelease (myCountingSem01Handle) == osOK)
		{
			printf("A car was produced,residue:%d\r\n",osSemaphoreGetCount(myCountingSem01Handle));
		}
		else
		{
			printf("waitting for produced\r\n");
		}
		osDelay(1000);
  }
  /* USER CODE END StartTask03 */
}

API整理

  • 9
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
吴恩达的L1W1作业2是关于反向传播和正则化的。在这个作业中,他提供了一个反向传播的实现示例,其中使用了六个方程式来构建向量化实现。这个实现可以帮助我们理解反向传播在深度学习中的应用。\[1\] 此外,作业中还介绍了正则化的概念。正则化是为了减小模型的过拟合而引入的一种技术。在损失函数中增加L1或L2正则项,可以通过调节参数α来控制损失函数和正则项的权重。\[2\] 除此之外,作业还包括了特征映射的示例代码。特征映射是将原始特征转化为更高维度的特征的过程。在示例代码中,通过对两个特征进行最多power次特征映射,将原始的二维特征转化为28维特征。\[3\] 总结来说,吴恩达的L1W1作业2主要涉及反向传播、正则化和特征映射的概念和实现。这些内容对于深度学习的理解和应用都非常重要。 #### 引用[.reference_title] - *1* [吴恩达深度学习L1W3](https://blog.csdn.net/weixin_47798560/article/details/117395790)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [2.吴恩达机器学习课程-作业2-逻辑回归](https://blog.csdn.net/wujing1_1/article/details/123070995)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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