嵌入式Linux系统相关练习

一练习

二 格式化SD卡

之后点击是  

 

三、烧录镜像

  • 打开烧录的工具raspberry pi
  • 点击CHOOSE OS,选择到刚才下载的镜像文件,然后点击CHOOSE SD CARD 选择刚才格式化的SD卡,接着就点击WRITE

 需要一段时间

四、配置网络  

  • 插入网线
    这种方法我进行说明,网上有很多相关的文章,自己可以去查看。
  • 使用手机热点
    ①在电脑上,打开刚才烧录镜像的SD卡
    ②在boot目录下,建立一个ssh的空文件
    ③在boot目录下,先建立一个文本文件
    ④打开文本文件,将下面的内容复制到文本中

country=CN
ctrl_interface=DIR=/var/run/wpa_supplicant GROUP=netdev
update_config=1

network={
    ssid="你的无线网名称"
    psk="你的无线网密码"
    key_mgmt=WPA-PSK
    priority=1
}

其中,将ssid的内容改成手机热点的名称,psk的内容改成手机热点的密码。
⑤将刚才的文本保存,并将名称修改为wpa_supplicant.conf
⑥取出SD卡,将SD卡插入树莓派中,同时打开手机热点和给树莓派接上电源
⑦可以在手机上查看得到树莓派的ip地址

 五、Putty远程连接

 

对弹出的对话框进行选择,选择否  

 

 

报错原因:

树莓派官方在2022年4月7日进行了一次系统更新,这次更新删除了默认账户pi,删除原因是为了降低树莓派系统被骇入的风险。

到目前为止,Raspberry Pi OS的所有安装都有一个名为“Pi”的默认用户。这并不是一个很大的弱点,因为如果有人想侵入你的系统,仅仅知道一个有效的用户名并没有多大帮助,他们还需要知道你的密码,而且你首先需要开启允许远程访问。
但尽管如此,默认账户依然会使暴力攻击稍微容易一些。为了应对这一点,一些国家现在正在引入立法,禁止任何连接互联网的设备具有默认登录凭证。
因此,在最新版本中,默认的“pi”用户将被删除。
 

因此还是用旧版本来完成实验吧!

 开启树莓派VNC服务,输入指令,进行树莓派配置
指令:sudo raspi-config

 

 

 接着上下键选择VNC,左右键选择Select

 

 

 上下键选择Advanced Options,左右键选择Select

 

 上下键选择Resolution,左右键选择Select

 接着是分辨率选择,选择DMT Mode 16,接着选择ok

 

 

 六、VNC Viewer远程界面显示

安装VNC Viewer

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