weixin_63163242的博客

序列长度 用于for循环 或者补0操作等。生成0序列 用于补0 或者生成模板。横坐标的量化（pw是时基）

在循环 或者其他任务循环中可以判断cnt是否为15 15ms之后肯定cnt达到15 这时候再判断 key的值是否还是低 就判断出来了key是否按下了 这样做的消抖 我认为优点是不用等待传统的HAL_delay 带来的阻塞问题 因为syshandler是肯定要执行的 不如利用这个 来进行一些改进 甚至还可以利用这个中断来进行时间片的轮询任务等等都是值得学习的。注意：在syshandler里面 判断flag是否为高 若为高 说明启动了按键开始计数。申明计数变量 cnt和 计数标志位 flag。

减小功耗 就得减小电流 电流和CF有关（ C: 电容（被门数目和布线长度影响） F:时钟频率）方法大纲 减小功耗：1 时钟控制 2输入控制 3减小供电电压 4双沿触发器 5修改终端同步数字电路降低动态功耗：动态禁止在特定区域中的时钟：利用触发器的时钟使能引脚，或利用全局时钟的多路选择器。时钟使能触发器输入或全局时钟多路选择器）替代直接时钟选通（因为直接的时钟选通大多是不好的）时钟树利用缓冲器使得时钟到达各个寄存器的时间差最小。在执行时序分析时必须考虑时钟偏移。时钟偏移与时钟速度是无关的。

不对，我们超参数就变成了lambad，这张图告诉我们左图L2正则化带来的是w的衰退，而右图就是L1带来的不仅是衰退，还有稀疏性，因为调整lambad甚至可以让一个feauture不起作用，不用考虑！因为w过大，之后测试或者验证的时候，你如果引入了噪声，噪声也会被放大，我们不要那么敏感，引入了正则项，也就是w的欧式距离(L2)或者曼距离（l1）。不用担心这样做，会以为本来的w很大，结果故意限制了w的大小，带来的偏差，因为本来就可以等价，因为很多w和b的值都能够成为最值，我们要做的 限制他的大小罢了。

【代码】pytorch第三天（线性回归初阶）lm老师版。

【代码】pytorch第二天（矩阵的乘法和求导）lm老师版。

他是跑到上一个级创建的dir。

用回归来预测分类，因为回归会惩罚那些太正确的分类，反而得到的结果是不好的，还有一个问题 如果你把class 1当作1，class 2当作2，class 3当3，这样做就相当于默认了 class 1 2相近。二维空间不是很好，看更高维，结果做了更高层发现效果也一般，不同系给同一个方差，减少overfitting的概率。L(u,$)是衡量不同的高斯分布sample出这79个点的几率大小好坏=f0*f1*f2*****等。做人脸辨识也可以是分类，手写字识别也可以是。找到最大的u和$的值 也就是最好的高斯分布。

torchvison中有很多model，用于图形处理现成的，包括alexmodel，可以直接调用，语音方面也会有，但是文字当面没有。recurrent layers一般是特定的结构，在语音识别和创作用的比较多，又RNN,LSTM,GRU一些东西。CIF10图片的神经网络：卷积--最大池化--卷积--池化--卷积--池化--展平变换--全连接。distance function是计算两个点的误差，用什么函数来衡量的。dropout层，是为了防止过拟合，把其中的一些值以概率为p转换成0。

把全部能想象到的参数都加进去，因为我们不知道有哪些参数是影响的，这样做，我们在train上可以得到很低，但是又可能会过拟合！forward执行的就是前向网络，就是往前推进的，当然也有反向转播，那就是用来就gradient dicent了，求导计算了。直到你用更高次的model来拟合，train 的结果更高了，但是test的结果更差了，这个就是过拟合了overfitting了。mxpool是下采样，mxunpool是上采样，dilation是空洞卷积，ceil——mode来保留，用来对应下面情况。

dataset如同扑克牌 完好的新的，而dataloder就如同打乱了 拿在手中的牌，batch_size指的就是我每次抓牌 抓两张牌，shuffle为1的话，就打乱牌，num_workers有时候在windows下运行会出问题，这时候设置成0试试看，drop_last是如果100张牌，每次取3张，最后一张牌是否舍去？randomcrop是随机裁剪，随机裁剪可以用于数据增强，学习transform就是先看输入输出，再看案例，再试着用用，看看效果，即使不知道是什么类型的输出，直接就是那个打印。

这里是将tensorboard里面加入图片的显示，HWC指定图片类型是长宽通道数，不然只能加入tensor型后面会讲 如何将tensorform来转换图片类型。writer为申明的实例，这里做的画线操作 第一个是tags是图片的标签，第二个参数是y值，第三个是步长，x值。这样操作是引入tensorboard，申明一个类，logs是生成日志的文件夹，事件就在这里产生。在同一个tag标签下面 两个图。就转换图片类型大小等的一个工具。transform的功能。关闭writer编写。

【代码】深度学习（一）读取数据 图片数据。

【代码】ESP32---定时器+消息队列的使用。

lvgl

下面就基本上可以驱动成功 最主要是修改后的u8g2的图。这里可以驱动u8g2 具体作用后续学习。移植u8g2到stm。