小吴学汇编之第一章基础知识(1)

    本人小白一枚,刚入职场,职业嵌入式开发。在学校学习Linux操作系统与ARM编程的一些基础知识。也不是什么985,211名校毕业,只是一个普通的本科生,在生活中为了那么一丝生存而努力着。

    由于工作需要,以后涉及到Linux系统中的底层驱动或者uboot启动文件,所以想把以前略懂的汇编再捡起来,重新学习。这也是小吴第一次写博客,有不好地方,还望多多包涵,相信写着写着,就会越来越好了。

    本系列博客是基于王爽著的汇编语言(第3版)中,对重要内容提取,顺手做笔记而来。有需要的可以一起学习,有问题大家一起探讨,谢谢。下面开始我们的第一章。以后每天晚上不定时更新,如果没有更新,以后会慢慢补回来的。

第一章             基础知识

1.1机器语言

         机器语言是机器指令的集合。机器指令展开来讲就是一台机器可以正确执行的命令。

1.2汇编语言的产生

         汇编语言是为了解决机器语言带来的麻烦而产生。汇编语言的主体是汇编指令。汇编指令和机器指令的差别在于指令的表示方法上。

         例如:机器指令1000100111011000表示把寄存器BX的内容送到AX中。汇编指令则写成movax,bx。

         操作:寄存器BX的内容送到AX中

         机器指令:1000100111011000

         汇编指令:mov ax,bx

         (寄存器,简单来讲是CPU中可以存储数据的器件,一个CPU中有多个寄存器。AX、BX只是其中的寄存器的代号。)

1.3汇编语言的组成

         汇编语言发展至今,有以下3类指令组成。

(1)      汇编指令:机器码的助记符,有对应的机器码。

(2)      伪指令:没有对应的机器码,由编译器执行,计算机并不执行。

(3)      其他符号:如+、*、-、/等,由编译器识别,没有对应的机器码。

汇编语言的核心是汇编指令,它决定了汇编语言的特性。

1.4存储器

         CPU是计算机的核心部件,它控制整个计算机的运作并进行运算。要想让一个CPU工作,就必须向它提供指令和数据。指令和数据在存储器中存放,也就是我们平时说的内存。

         要灵活的运用汇编语言,我们首先要了解CPU是如何从内存中读取信息,以及向内存中写入信息的。

1.5指令和数据

         指令和数据是应用上的概念。在内存或者磁盘中,指令和数据没有任何区别,都是二进制信息。CPU在工作的时候,会把信息看做指令或者数据。

         例如,内存中的二进制信息1000100111011000.,算机可以看做大小为89D8H的数据来处理,也可以将其看作指令mov ax,bx来执行。

         1000100111011000 89D8H(数据)

         1000100111011000 mov ax,bx(程序)

    不早了,今天先到这里。明天继续,虽然今天的东西挺基础的。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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