- 博客(86)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 深度学习模型keras第二十讲：使用KerasCV中的Stable Diffusion进行高性能图像生成
Stable Diffusion是一种基于潜空间扩散的图像生成模型，它能从文本描述中生成详细的图像，并广泛应用于图像修复、绘制和转换等领域。其优点在于稳定性高、训练速度快且易于优化。最新版本的Stable Diffusion XL在高分辨率图像生成上表现出色，并显著提高了生成效率。然而，学习Stable Diffusion需要一定时间和经验，且在某些特定任务上可能仍有挑战。尽管如此，Stable Diffusion凭借其强大的功能和灵活性，仍具有广阔的应用前景。
2024-05-22 11:47:53
356
原创 深度学习模型keras第十九讲：在 KerasCV 中使用CutMix、MixUp 和 RandAugment 图像增强技术
本文讨论了使用CutMix、MixUp和RandAugment等先进图像增强技术，结合ResNet50模型在牛津花卉数据集上进行图像分类的训练。讨论了标签平滑在MixUp中的应用，以提高模型泛化能力。强调了在模型训练过程中调整超参数和优化策略的重要性。介绍了自定义增强流程的概念，以适应不同任务和数据集的需求。最后，强调了通过验证集评估模型性能并进行迭代优化的必要性。这些技术和策略在图像分类等计算机视觉任务中具有广泛应用前景。
2024-05-22 09:00:34
686
原创 深度学习模型keras第十八讲：使用 KerasCV 进行分类
KerasCV在图像分类领域表现出色，其模块化设计使组件易于组合和重用。它支持主流深度学习框架，提供预训练模型和迁移学习技术，加速模型开发。KerasCV的数据增强和正则化技术增强了模型的泛化能力。其简洁的API方便模型的训练、验证和评估，并支持多GPU和分布式训练。KerasCV的模型可轻松从研究过渡到生产，且持续更新以满足最新需求。总之，KerasCV为图像分类提供了高效、灵活且易于使用的解决方案，是计算机视觉开发者的有力工具。
2024-05-21 10:40:33
610
2
原创 深度学习模型keras第十七讲：使用 KerasCV 进行目标检测
KerasCV简化了先进目标检测管道的构建。通过KerasCV的边界框规范，我们编写了数据加载器，并创建了生产级数据增强管道。KerasCV组件易于独立使用或深度集成，支持高质量的边界框增强、模型训练、可视化和度量评估。为进一步提升模型性能，读者可尝试添加更多增强技术、调整超参数和数据增强，并在自有数据集上训练模型。最后，通过展示KerasCV API的趣味代码片段，我们领略了其强大功能。
2024-05-21 09:03:54
849
原创 深度学习模型keras第十六讲：使用Keras 3进行分布式训练
Keras分布式API中的ModelParallel类和LayoutMap提供了用于在多个设备上分发模型权重和激活张量的机制，支持大型模型的水平扩展。ModelParallel允许在DeviceMesh上的所有设备上分散模型权重，而LayoutMap则允许用户从全局角度为任何权重和中间张量指定TensorLayout。通过调整网格的形状，可以轻松地在数据并行和模型并行之间调整计算，而无需修改其他代码。这种灵活性使得在分布式环境中训练大型模型变得更加高效和灵活。
2024-05-20 10:37:34
1007
原创 深度学习模型keras第十五讲：使用PyTorch进行多GPU分布式训练
PyTorch支持单主机多GPU的同步训练，通过torch.nn.parallel.DistributedDataParallel模块，每个GPU上运行模型的一个副本。全局数据批次被分割并分配给各个GPU，每个GPU独立处理并计算梯度，最后同步更新所有模型副本的权重。这通过启动多个Python进程并使用分布式数据加载器实现。此方法充分利用了多GPU的并行计算能力，从而显著加速了深度学习模型的训练过程。
2024-05-20 05:57:09
536
原创 深度学习模型keras第十四讲：使用TensorFlow进行多GPU分布式训练
在进行TensorFlow分布式训练时，优化数据加载是关键。使用tf.data.Dataset对象加载数据，确保数据按全局批量大小进行批处理。使用dataset.cache()将数据缓存至内存或本地文件以加快迭代速度。dataset.prefetch(buffer_size)使数据预取与模型训练异步进行，减少延迟。此外，使用ModelCheckpoint回调定期保存模型以实现容错性。这些技术结合使用，可显著提高分布式训练的效率和性能。
2024-05-19 08:28:05
1136
原创 深度学习模型keras第十三讲：使用JAX进行多GPU分布式训练
在单主机多设备同步训练中，使用JAX的sharding功能并行训练Keras模型。首先，创建设备网格并定义分区策略，确保模型和优化器变量在所有设备上复制，数据按批次分片。接着，初始化模型和优化器变量，并在训练循环中，对每个数据批次进行分片并分发到设备上。然后，每个设备独立处理数据并计算梯度，梯度合并后同步更新模型权重。训练循环迭代处理数据，直至满足训练要求。这种设置通过利用多设备计算能力有效加速训练过程。
2024-05-19 07:43:05
846
原创 深度学习模型keras第十二讲：迁移学习与微调
迁移学习和微调是深度学习中的关键技术。迁移学习利用预训练模型的知识加速新任务的学习，而微调则通过解冻并重新训练部分或全部层来优化模型以适应新任务。这两种技术特别适用于标注数据稀缺或计算资源有限的场景，能够显著提高模型在新任务上的训练效率和性能。结合使用迁移学习和微调，深度学习模型能够更有效地处理各种复杂任务，并在各种应用场景中取得优异的结果。
2024-05-18 08:38:02
958
1
原创 深度学习模型keras第十一讲：构建自定义回调函数(callback)
Keras的自定义Callback允许在训练过程中动态调整模型参数、保存最佳模型或监控训练指标。通过继承keras.callbacks.Callback类并重写相应方法，可以实现自定义回调。常见用途包括早停、学习率调度、模型检查点等。在回调中，可以访问模型的属性和方法，如改变学习率或保存权重。使用自定义Callback时，需注意避免副作用，并确保在适当时候访问模型状态。这种灵活性使Keras在复杂的深度学习项目中非常有用。
2024-05-18 08:14:46
1067
原创 深度学习模型keras第十讲：自定义保存和序列化
本文介绍了自定义模型保存和加载的方法。save_own_variables和load_own_variables实现自定义状态的保存与加载，save_assets和load_assets处理额外信息的存储和恢复。get_build_config和build_from_config保存和恢复模型结构，而get_compile_config和compile_from_config（虽非标准API）概念性地描述了保存和恢复模型编译状态的方式。这些方法提供了对模型保存加载过程的高级控制，满足复杂模型需求。
2024-05-17 10:20:54
1111
原创 深度学习模型keras第九讲：保存、序列化以及导出模型
Keras提供了灵活的模型保存、序列化和导出功能。通过model.save()，可以完整保存模型结构和权重到HDF5或SavedModel格式，便于后续加载和复用。model.get_config()方法能够序列化模型结构为JSON字典，而from_config()类方法可据此重新创建模型。对于模型权重的单独保存和加载，可以使用model.save_weights()和model.load_weights()。Keras还支持将模型导出为TFLite格式，适用于移动和嵌入式设备。这些功能大大简化了模型的部署
2024-05-17 09:31:57
847
原创 深度学习模型keras第八讲：编写自定义训练和评估循环
编写自定义训练和评估循环是深度学习中的一项关键任务，它允许开发者对模型的训练过程进行细粒度控制。这种灵活性使得我们能够集成自定义的损失函数、优化器以及评估指标，从而优化模型的性能。同时，自定义循环也为数据加载、预处理和异常处理提供了更多可能性。尽管编写自定义循环需要一定的技术储备，但它带来的精确控制和性能优化使得这一努力变得值得。总之，自定义训练和评估循环是深度学习实践者探索模型性能、优化训练过程的重要工具。
2024-05-17 07:53:13
1084
原创 深度学习模型keras第七讲：在PyTorch中自定义fit()函数中的操作
在PyTorch中，自定义fit函数是模型训练过程中常见的做法。当需要控制训练循环的细节或集成自定义功能时，我们通常会编写一个自定义的fit函数。这个函数负责加载数据、设置优化器、执行前向和后向传播、更新模型参数，并跟踪训练过程中的损失和性能指标。通过自定义fit函数，我们可以更灵活地控制训练流程，包括学习率调度、模型保存和加载、梯度累积等。这使得PyTorch成为了一个强大且灵活的深度学习框架，适用于各种复杂的训练场景。
2024-05-16 14:30:38
896
原创 深度学习模型keras第六讲：在TensorFlow中自定义fit()方法中的操作
TensorFlow允许开发者自定义fit()函数，以满足特定训练需求。通过自定义fit()，用户可以完全掌控训练循环，包括前向传播、损失计算、反向传播和参数更新。这种方式使得开发者能够灵活地调整学习率、添加自定义的回调函数，或实现特定的训练策略。自定义fit()还提供了更大的灵活性，比如在不同数据集上应用不同的训练方法，或在训练过程中动态地改变模型结构。通过编写自定义的fit()函数，开发者能够根据自己的需求构建更高效、更准确的深度学习模型。
2024-05-16 13:45:43
904
原创 深度学习模型keras第五讲：在JAX中自定义fit()函数中的操作
在JAX中自定义fit()函数的行为需要从头开始构建训练循环，包括定义模型架构、损失函数和优化器。训练循环涉及数据的前向传递、损失计算、梯度计算和参数更新。你需要手动处理数据加载和批处理，并跟踪训练指标。虽然这增加了初始的复杂性，但也赋予了更大的灵活性和控制权。通过自定义fit()函数，你可以深入了解深度学习训练的底层机制，并根据具体需求进行定制，从而实现更高效、更准确的模型训练。
2024-05-16 08:58:11
925
原创 深度学习模型keras第四讲：使用内置方法进行训练和评估(2)
Keras是一个用户友好的深度学习库，其内置了高效的训练和评估功能。在Keras中，通过构建模型后，使用compile方法设置优化器、损失函数和评估指标，即可准备模型进行训练。随后，通过fit方法传入训练数据和标签，模型将开始迭代优化过程。训练完成后，可使用evaluate方法在验证集或测试集上评估模型的性能，包括损失值和准确率等指标。Keras的内置训练和评估功能使得深度学习模型的构建、训练和测试过程更加简便和高效。
2024-05-16 07:49:40
919
原创 深度学习模型keras第四讲：使用内置方法进行训练和评估(1)
如果需要API中没有提供的评估指标，可以通过继承类来轻松地创建自定义评估指标。，在其中将为评估指标创建状态变量。，该方法使用目标值y_true和模型预测值y_pred来更新状态变量。，该方法使用状态变量来计算最终结果。，该方法重置评估指标的状态。将状态更新和结果计算分开（分别在和result()方法中）是因为在某些情况下，结果计算可能非常昂贵，并且只会定期执行。下面是一个简单的示例，展示了如何实现一个Epoch 1/3Epoch 2/3Epoch 3/3。
2024-05-15 13:11:42
624
原创 深度学习模型keras第三讲：通过子类化来创建新的层和模型
通过子类化，我们可以灵活地创建新的神经网络层和模型，以满足特定任务的需求。子类化Layer或Model基类允许我们定义自定义的前向传播逻辑、状态变量以及训练方法。这种方式不仅提供了高度的可定制性，还使得我们能够轻松地整合自定义的损失函数、正则化项以及优化策略。通过组合多个自定义层，我们可以构建出复杂的神经网络模型，从而更有效地处理复杂的机器学习任务。子类化方法使得神经网络的设计和训练过程更加直观和模块化，为深度学习应用提供了强大的工具集。
2024-05-15 10:15:24
755
原创 深度学习模型keras第二讲：Sequential模型
Sequential模型是一种非常基础且常用的模型结构。它实际上是一种线性的、顺序的模型，由一系列层按照顺序堆叠而成。每个层的输入都来自上一层的输出，形成了一种线性的堆叠结构。Sequential模型适用于简单的线性堆叠网络，如全连接神经网络。然而，通过堆叠不同种类的层，Sequential模型也可以构建出更复杂的神经网络，如卷积神经网络（CNN）和循环神经网络（RNN）等。在Sequential模型中，每一层都拥有一个唯一的输入tensor和输出tensor。通过不同层的堆叠，可以构建出神经网络。
2024-05-14 13:31:54
773
原创 深度学习模型keras第一讲：API介绍
Keras 是一个用 Python 编写的深度学习 API，能够在 JAX、TensorFlow 或 PyTorch 之上运行。作为多框架 API，Keras 可以用来开发与任何框架兼容的模块化组件——JAX、TensorFlow 或 PyTorch。：在我们的基准测试中，我们发现 JAX 通常在 GPU、TPU 和 CPU 上提供最佳的训练和推理性能——但结果因模型而异，因为非 XLA 的 TensorFlow 偶尔在 GPU 上更快。
2024-05-14 12:05:58
961
原创 ARM微控制器DMA控制器使用示例(2)
DMA控制器是为嵌入式系统设计的高效数据传输硬件，它通过提供16个流和16个通道（每个DMA控制器8个通道）的灵活组合，来满足各种应用需求。其双AHB端口架构显著减少了数据传输的总延迟，并且通过直接路径到APB桥的设计，避免了CPU在AHB1访问上的停滞，特别是在DMA服务低速APB外设时。此外，DMA中FIFO的实现为固件配置提供了更大的灵活性，允许在源和目的地之间配置不同的数据大小，并且在使用增量突发传输模式时显著加快了传输速度。这些特性共同确保了DMA在提高数据传输效率和性能方面的关键作用。
2024-05-13 13:36:47
580
原创 ARM微控制器DMA控制器使用示例(1)
DMA（Direct Memory Access，直接存储器访问）是一种硬件特性，允许外设直接向内存发送或接收数据，而无需中央处理单元（CPU）的介入。这种机制可以减轻CPU的负担，提高数据传输效率，尤其在高速数据流或大量数据传输时效果显著。DMA通过专用的DMA控制器来管理，该控制器能够优先处理多个外设的传输请求，并通过仲裁机制决定数据传输的顺序。DMA传输可以配置为突发模式或循环模式，支持内存到外设或外设到内存的数据移动，并允许在传输过程中动态更新内存地址。
2024-05-13 11:02:49
563
原创 arm带蓝牙模块的微控制器BlueNRG-1 低功耗模式
BlueNRG-1是意法半导体推出的一款低功耗蓝牙（BLE）SoC，专为需要低能耗和长电池寿命的无线应用设计。这款SoC集成了射频、基带、微控制器和内存，支持蓝牙4.0及以上版本，包括所有核心BLE特性，适用于物联网(IoT)、可穿戴设备、智能家居和医疗设备等。BlueNRG-1的低功耗特性主要得益于其优化的电源管理、低活动模式和深度睡眠模式。它能够在保证无线通信的同时，最大限度地减少能耗。SoC还提供了灵活的电源电压选项，进一步降低功耗。
2024-05-12 11:30:25
548
原创 ARM单片机如何通过共模滤波器解决天线去感问题
共模滤波器是一种电子元件，专门设计用于减少或抑制电子设备中差分信号对上的共模噪声。这些噪声通常由外部电磁干扰引起，如电源波动、开关动作或射频干扰，它们会在差分对的两条线上产生相同方向的干扰信号。共模滤波器通过提供高阻抗路径来衰减共模信号，同时对差模信号（有用的传输信号）影响很小，保持其低阻抗特性。它们通常包含电感和电容元件，这些元件对共模和差模信号的响应不同，从而实现信号的分离。共模滤波器在多种应用中至关重要，尤其是在高速数据通信和无线技术中，它们可以显著提高信号的完整性和通信的可靠性。
2024-05-12 11:09:17
897
原创 ARM单片机校准内部 RC 振荡器的方法
通过精确配置参考信号源和定时器（如TIM16），我们成功实现了HSI16/MSI振荡器的校准。在中断服务程序中，利用多次捕获和计算，我们准确测量了内部振荡器的频率，并基于测量结果与参考信号的频率比，精确调整了振荡器的微调值。整个校准过程不仅提高了振荡器的频率准确性和稳定性，还确保了系统的高性能运行。通过这一校准流程，我们有效确保了振荡器输出频率的精确性，为系统提供了可靠的时钟源。
2024-05-11 21:26:32
814
原创 ARM微控制器振荡器设计指引（2）
在设计微控制器单元（MCU）的晶振电路时，关键在于确保振荡器的稳定性和精确性。首先，选择与MCU兼容的基频晶体，并确定适当的负载电容。其次，PCB布局至关重要，应包括稳定的地平面和围绕振荡器的保护环，以减少噪声干扰。走线应尽量短且直接，避免长路径和环路，以降低信号损耗和串扰风险。此外，去耦电容应靠近MCU的电源引脚放置，确保电源稳定性。在设计中还需考虑热管理，避免振荡器区域过热。测试点应尽量减少并妥善保护。环境因素如温度、湿度也需关注，以免影响晶体性能。对于恶劣环境，应用共形涂层保护晶体。
2024-05-11 12:11:34
980
原创 ARM微控制器振荡器设计指引（1）
单片机振荡电流设计是确保系统时钟精确且稳定的关键环节。设计时，首先需根据晶体振荡器的规格书确定最大允许驱动电平 𝐼𝑄𝑚𝑎𝑥I Qmax 。在不超过此电平的前提下，通过外部电阻 𝑅𝐸𝑥𝑡R Ext 调整电流，以控制晶体的驱动强度。同时，必须考虑晶体的等效串联电阻 𝐸𝑆𝑅ESR 和负载电容 𝐶𝐿CL，它们共同影响振荡频率和电路的稳定性。设计过程中，应使用增益余量比（大于5）来验证振荡器的可靠性，并进行充分测试，以保证设稳定工作。
2024-05-10 09:43:58
1467
原创 ARM微控制器使用FSMC 硬件直接驱动TFT_LCD示例（2）
在本案例中，MCU外设的多功能能力得到了很好的利用，目的是简化TFT-LCD应用并降低其成本。MCU以其强大的DMA（直接内存访问）控制器和高度灵活的FSMC（灵活静态存储控制器）周边设备相结合，为驱动QVGA TFT-LCD提供了一种成本效益高的解决方案，对于静态图像显示，CPU负载仅为1%。
2024-05-09 22:46:41
943
原创 ARM微控制器使用FSMC 硬件直接驱动TFT_LCD示例（1）
MCU微控制器利用其内置的FSMC和DMA通道，能够高效地直接驱动TFT-LCD显示器。FSMC作为一个灵活的静态存储控制器，与外部SRAM协同工作，作为帧缓冲区，而DMA通道则负责将图像数据快速传输到TFT-LCD，减轻CPU负担。MCU支持高达40帧每秒的帧率，适用于幻灯片和动画横幅等显示模式。此外，MCU通过定时器生成的PWM信号控制TFT背光，调节占空比实现亮度控制。整个显示控制过程通过MCU的硬件和软件优化，确保了高性能的图像显示和低CPU负载。
2024-05-09 16:23:58
698
原创 ARM微控制器的USART自动波特率检测使用技巧
波特率自适应是指通讯设备在数据传输过程中，根据当前通信环境自动调整波特率的技术。它允许设备在遭遇干扰或信号质量变化时，通过调整波特率来保证数据的稳定传输。这种技术通过实时监测信道质量，动态调整数据传输速率，从而在确保传输效率的同时，提高了通信的可靠性和稳定性。在复杂多变的通信环境中，波特率自适应技术为数据传输提供了强有力的保障。
2024-05-08 14:50:44
778
原创 ARM微控制器模拟EEPROM的方法实践
在嵌入式系统中，为了模拟EEPROM（电可擦除可编程只读存储器）功能，我们可以使用内部Flash存储区。通过定义特定的Flash区域作为“EEPROM”存储空间，并编写特定的驱动函数来模拟EEPROM的读写和擦除操作。这种方法允许我们在不需要外部EEPROM芯片的情况下，实现数据的持久存储。模拟EEPROM的Flash区域提供了与真实EEPROM相似的接口和性能，同时利用了内部Flash的高速和可靠性。通过这种方式，我们可以灵活地管理和存储关键数据，满足嵌入式应用的实时性和持久性需求。
2024-05-08 13:31:43
972
原创 ARM单片机红外线应用方案2（SIRC)
本应用说明提供了一种使用通用定时器在软件中实现红外接收器的解决方案。红外驱动程序允许红外解决方案集成到HDMI-CEC模块中，以支持给定环境中各种音视频产品的高级控制功能。
2024-05-07 18:57:23
963
原创 ARM单片机红外线接收应用案例
本文提供了两种实现软件RC5接收器的解决方案：一种使用外部中断（EXTI）和通用定时器（TIMx），另一种使用配置为PWM输入模式的定时器。该驱动程序使用非常简单，并且它支持标准和扩展的RC5格式。
2024-05-07 17:37:03
669
原创 ARM单片机软件测试之路径测试（Walkpath test）
路径测试是一种软件测试方法，旨在确保软件系统中的每个重要执行路径都经过充分测试。它模拟用户在实际使用场景中的操作行为，以验证系统在不同路径下的稳定性和正确性。通过精心设计的测试用例，路径测试能够发现潜在的错误和缺陷，从而提高软件的质量和用户体验。路径测试适用于各种复杂业务流程的软件系统，如电商平台、金融应用等，是确保软件系统稳定性和可靠性的重要手段。
2024-05-06 14:30:35
790
原创 ARM单片机应用系统软故障改善设计探讨
软故障，又称瞬态故障，是由外部因素如电磁干扰、宇宙射线等引起的暂时性错误，对电子系统的安全运行构成了严重威胁。防止软故障的关键在于采用硬件和软件相结合的多重冗余策略。硬件层面，使用纠错码（ECC）和奇偶校验位可以检测并纠正单比特错误。此外，设计中应采用双RAM结构，通过比较器实时校验数据一致性。软件层面，定期执行内存清洗（scrubbing）算法，主动检测并修复潜在的软故障。同时，采用路径测试（Walkpath test）确保数据路径的正确性。
2024-05-05 15:24:59
599
2
原创 ARM单片机系统设计之热管理
电子热设计在现代电子设备中扮演着至关重要的角色。随着集成度的提高和功耗的增加，热量管理成为确保设备性能稳定、延长使用寿命的关键因素。合理的热设计能有效防止过热导致的性能下降、故障甚至损坏。它不仅涉及散热片、风扇等硬件设计，还包括软件层面的热管理策略。通过优化散热结构、提升散热效率，电子热设计能够确保设备在复杂工作环境下稳定运行，提高产品的可靠性和竞争力。
2024-05-05 12:22:04
1184
原创 ARM单片机触摸传感器原理和应用（4）
本节详细描述了触摸系统采样电容电阻的选取，VDD噪声和纹波的去除，以及噪声水平差异值的来那个花等方法的使用
2024-05-04 14:13:37
629
原创 ARM单片机触摸传感器原理和应用（3）
本文主要讨论了提升触摸按键系统的可靠性技术，展宽频谱、通道阻塞、阈值调整、应用肖特基二极管、减少VDD纹波、减少VDD影响和跳频技术的一部分
2024-05-04 12:30:58
1076
《深度学习模型keras第九讲：保存、序列化以及导出模型》源代码
2024-05-17
《深度学习模型keras第十二讲：迁移学习与微调》源代码
2024-05-17
《深度学习模型keras第八讲：编写自定义训练和评估循环》配套代码tensorflow
2024-05-17
《深度学习模型keras第八讲：编写自定义训练和评估循环》配套代码Pytorch
2024-05-17
《深度学习模型keras第八讲：编写自定义训练和评估循环》配套代码jax
2024-05-17
深度学习模型keras第十讲：自定义保存和序列化配套代码
2024-05-17
深度学习模型keras第十一讲：构建自定义回调函数(callback)配套代码
2024-05-17
ARM微控制器使用FSMC 硬件直接驱动TFT-LCD代码
2024-05-11
汽车控制器电压监控功能规范
2024-04-28
ISO 26262 -3 道路车辆-功能安全-第三部分-功能安全概念设计
2024-04-26
ISO 26262-4 道路车辆-功能安全-系统级产品开发
2024-04-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人