Qualcomm&机智云沙龙

       如果在参加技术沙龙之前不进行预习,到时你会很懵逼并且被秀一脸;如果你在参加前花个把小时了解下这个活动,哈哈,你会发现你可以秀给那些不预习的人看了。这篇文章就是我的预习总结,希望能成功帮助大家快速了解。~~(0 ^ 0)~~

       首先我们需要调查下这个沙龙的背景。参与举办的其实共有三方:高通(Qualcomm)、移远(Quectel)、机智云(提供接入物联网后的计算服务)。他们联合起来想提供一个开发物联网设备的方法。好吧我不懂物联网是啥,赶紧查查。

       IoT(物联网)其实就是想实现所有仪器间的通信。以前我们说的通信都是只关注重要的东西,比如城市与城市间的通信、人与人之间的通信,具体到手表、空调、灯之类的东西我们是不会考虑的,毕竟只有人才有交流的需求啊。然而随着周围设备的智能化程度提高,手表都可能有充当显示屏的需求了,我们就需要考虑的更细致,考虑到那些曾经并不重视的机器之间传递信息的需求(让它们也能联网)。设想一下,如果全部电器都联网了,也就意味着我们可以用电脑操控所有东西了。我觉得这在工业上将会是很大的变革,大老板能够掌控到每个商品的动态了。对于个人生活其实并没有那么诱人,在建筑也智能化之前,家具智能化其实显得没有必要。

       从上面的分析可以知道,物联网的核心就是通信。目前物联网有多种通信手段,蓝牙、2G也被包括在内。可以参考https://blog.csdn.net/twjy1314/article/details/72845696

这里我们只讨论跟高通这款芯片相关的。这款MDM9206总在宣传多模,意思是可以支持多种通信协议。它支持的通信协议是由3GPP这个组织制定的标准,与此同时还有许多组织也在定义自己的标准,要看最后谁的拳头大了。3GPP制定的标准叫LTE,其中有分类Category 1(即Cat 1)跟NB-IoT。这两个小分类就是9206支持的哦。Cat 1的设计简单并且省电,最大速率10Mbps,但不太受欢迎,实际上没什么人用啊。NB-IoT工作带宽只有180KHz,且仅能和支持NB-IoT的设备通信(其他协议则可以相互兼容)。难怪9206要多模了,否则一买就要买一对了啊。

       那么高通只是做芯片的,只是芯片还不能直接用。就好像你有51单片机还不够,你还要有51最小系统。移远通信就是做这个最小系统的。也就是把芯片封装成模块嘛。

       机智云涉足的则是极客们更熟悉的领域:GoKit开发板(类似Arduino一样的东西)。开发板接上刚刚说的移远的通信模块,就能实现物联网通信的功能了(人家物联网模块其实可以自己联网,不需要你这个开发板插一脚,所以这次沙龙用的其实不是开发板而是扩展板)。除了提供开发套件,机智云相当于一个服务器,可以帮你处理通信模块上传的信息,并通过它们自己的APP通知你。此外机智云简化了写代码的流程,能够自动生成通信模块需要的程序。

 

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