weixin_43458628的博客

原创 Colab网上免费GPU

Colab网上免费GPU1、科学上网2、登录https://colab.research.google.com/3、开始上传文件上传后，（以压缩包的形式上传）。4、修改为gpu运行5、实际使用介绍解压文件!unzip /content/huoyanv1.zip -d /content/huoyan移动目录%cd /content/test安装依赖包!pip install -r requirements.txt使用tensorboard%reload_ext ten

原创 自动驾驶场景要求（速度方面和检测速度方面）

自动驾驶场景要求（速度方面和检测速度方面）汽车从运动到静止状态需要一个制动距离，为了安全起见，根据国际标准中制动距离的要求，一辆满载的小车在正常泊油路上以30K m/h的速度行驶，制动距离不得大于9米，若行驶速度50Km/h，制动距离不得高于19米。即在自动驾驶的场景下，主要考虑视觉检测的检测距离、检测速度和输入图像尺寸:1）检测距离决定自动驾驶在发现目标后，做出决策的时间点。考虑车辆在生活区行驶，交通限速为50Km/h。若车辆行驶速度为50Km/h，需要的制动距离最大为19米。在制动操作前需要处理指令

原创 Jetson nano运行Yolov5排坑（deepstream部分）

Jetson nano运行Yolov5排坑（deepstream部分）使用deepstream加速时报错deepstream-app -c deepstream_app_config_yoloV3_tiny.txt使用上述代码进行测试YoloV3-tiny能否进行deepstream加速时。若不能运行时，大部分原因是deepstream_app_config_yoloV3_tiny.txt文件没有权限。运用如下代码进行权限开放。sudo chmod 777 deepstream_app_confi

原创 .Trash-1000文件删除（99.99%适用）

.Trash-1000文件删除（99.99%适用）很简单：使用DiskGenius将其打开，找到要删除的文件，右击，选择彻底删除文件。1，使用DiskGenius.exe。网上下载DiskGenius即可，超级好用的一个软件。2，左侧找要删除的文件。3，找到后，双击.Trash-1000文件夹。此时，会在右侧现实细节。4，右击彻底删除文件。删除底层文件后，再重新使用win+E快捷方法打开我的电脑。找到. Trash-1000文件夹，删除即可。如果有帮助，点个赞，关注一下呗。...

原创 论文笔记一（Maximizing CNN Accelerator Efficiency Through Resource Partitioning）

论文笔记一

原创 代码行运行python代码

命令行运行python代码python 运行代码名.py

原创 An unexpected error has occurred. Conda has prepared the above report.报错，修改方法

出现这种情况把代理（科学上网关闭即可）。

原创 创建python新环境（容器）

创建python新环境1）点击window开始菜单，找到Anaconda Prompt。2）输入如下图所示的代码。

原创 查看CUDA安装情况及版本

cmd命令行查看cuda版本win+R 打开cmd命令行输入nvcc --version即可nvidia-smi 命令查看版本号及gpu使用情况

原创 MATLAB信息熵计算方法

%%信息熵计算方法A = imread('222.JPG');[M,N]=size(A);temp=zeros(1,256);for m=1:M; for n=1:N; if A(m,n)==0; i=1; else i=A(m,n); end temp(i)=temp(i)+1; endendtemp=temp/(M*N);result=0;for i=1:length(temp) if temp(i)==0; res

原创 均值滤波Simulink实现

原创 图像平均梯度计算

%% Load imageclc;close all;clear all;% Load raw image data img = imread('222.JPG');img = im2double(img);imx = [img(:,end,:) - img(:, 1,:),-diff(img,1,2)];imy = [img(end,:,:) - img(1, :,:);-diff(img,1,1)];imnorm = sqrt(imx.^2 + imy.^2);s1 = mean(im

原创 MATLAB图像处理

MATLAB图像处理%灰度转换、噪声、锐化、直方图均衡化处理、边缘检测clear;clc;%读取图像[filename,filepath]=uigetfile({'*.*','*.jpg'},'打开文件');%gui中打开文件filep=strcat(filepath,filename);I=imread(filep);figuresubplot(2,2,1); imshow(I)title('原图');%转换灰度图try I=rgb2gray(I); %如果是RG

原创 Spectral谱聚类

谱聚类聚类问题可以分为两种思路：Compactness，这类有 K-means，GMM 等，但是这类算法只能处理凸集，为了处理非凸的样本集，必须引入核技巧。Connectivity，这类以谱聚类为代表。谱聚类是一种基于无向带权图的聚类方法。这个图用 G=(V,E)G=(V,E)G=(V,E) 表示，其中 V={1,2,⋯ ,N}V=\{1,2,\cdots,N\}V={1,2,⋯,N}，E={wij}E=\{w_{ij}\}E={wij​}，这里 wijw_{ij}wij​ 就是边的权重，这里权

原创 NN前馈神经网络

前馈神经网络机器学习我们已经知道可以分为两大流派：频率派，这个流派的方法叫做统计学习，根据具体问题有下面的算法：正则化，L1，L2 等核化，如核支撑向量机集成化，AdaBoost，RandomForest层次化，神经网络，神经网络有各种不同的模型，有代表性的有：多层感知机AutoencoderCNNRNN这几种模型又叫做深度神经网络。贝叶斯派，这个流派的方法叫概率图模型，根据图特点分为：有向图-贝叶斯网络，加入层次化后有深度有向网络，包括Sig

原创 RBM受限玻尔兹曼机

受限玻尔兹曼机玻尔兹曼机是一种存在隐节点的无向图模型。在图模型中最简单的是朴素贝叶斯模型（朴素贝叶斯假设），引入单个隐变量后，发展出了 GMM，如果单个隐变量变成序列的隐变量，就得到了状态空间模型（引入齐次马尔可夫假设和观测独立假设就有HMM，Kalman Filter，Particle Filter），为了引入观测变量之间的关联，引入了一种最大熵模型-MEMM，为了克服 MEMM 中的局域问题，又引入了 CRF，CRF 是一个无向图，其中，破坏了齐次马尔可夫假设，如果隐变量是一个链式结构，那么又叫线性链

原创 BayesianLR贝叶斯线性回归

贝叶斯线性回归我们知道，线性回归当噪声为高斯分布的时候，最小二乘损失导出的结果相当于对概率模型应用 MLE，引入参数的先验时，先验分布是高斯分布，那么 MAP的结果相当于岭回归的正则化，如果先验是拉普拉斯分布，那么相当于 Lasso 的正则化。这两种方案都是点估计方法。我们希望利用贝叶斯方法来求解参数的后验分布。线性回归的模型假设为：KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲f(x

原创 GaussianNetwork高斯网络

高斯网络高斯图模型（高斯网络）是一种随机变量为连续的有向或者无向图。有向图版本的高斯图是高斯贝叶斯网络，无向版本的叫高斯马尔可夫网络。高斯网络的每一个节点都是高斯分布：N(μi,Σi)\mathcal{N}(\mu_i,\Sigma_i)N(μi​,Σi​)，于是所有节点的联合分布就是一个高斯分布，均值为 μ\muμ，方差为 Σ\SigmaΣ。对于边缘概率，我们有下面三个结论：对于方差矩阵，可以得到独立性条件：xi⊥xj⇔σij=0x_i\perp x_j\Leftrightarrow\sigm

原创 CRF条件随机场

条件随机场我们知道，分类问题可以分为硬分类和软分类两种，其中硬分类有 SVM，PLA，LDA 等。软分类问题大体上可以分为概率生成和概率判别模型，其中较为有名的概率判别模型有 Logistic 回归，生成模型有朴素贝叶斯模型。Logistic 回归模型的损失函数为交叉熵，这类模型也叫对数线性模型，一般地，又叫做最大熵模型，这类模型和指数族分布的概率假设是一致的。对朴素贝叶斯假设，如果将其中的单元素的条件独立性做推广到一系列的隐变量，那么，由此得到的模型又被称为动态模型，比较有代表性的如 HMM，从概率意义

原创 particleFilter粒子滤波

粒子滤波Kalman 滤波根据线性高斯模型可以求得解析解，但是在非线性，非高斯的情况，是无法得到解析解的，对这类一般的情况，我们叫做粒子滤波，我们需要求得概率分布，需要采用采样的方式。我们希望应用 Monte Carlo 方法来进行采样，对于一个概率分布，如果我们希望计算依这个分布的某个函数 f(z)f(z)f(z) 的期望，可以利用某种抽样方法，在这个概率分布中抽取 NNN 个样本，则 E[f(z)]≃1N∑i=1Nf(zi)\mathbb{E}[f(z)]\simeq\frac{1}{N}\sum\

原创 LDS线性动态系统

线性动态系统HMM 模型适用于隐变量是离散的值的时候，对于连续隐变量的 HMM，常用线性动态系统描述线性高斯模型的态变量，使用粒子滤波来表述非高斯非线性的态变量。LDS 又叫卡尔曼滤波，其中，线性体现在上一时刻和这一时刻的隐变量以及隐变量和观测之间：KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲z_t&=A\cdot z_…类比 HMM 中的几个参数：KaTeX pars

原创 HMM隐马尔可夫模型

隐马尔可夫模型隐马尔可夫模型是一种概率图模型。我们知道，机器学习模型可以从频率派和贝叶斯派两个方向考虑，在频率派的方法中的核心是优化问题，而在贝叶斯派的方法中，核心是积分问题，也发展出来了一系列的积分方法如变分推断，MCMC 等。概率图模型最基本的模型可以分为有向图（贝叶斯网络）和无向图（马尔可夫随机场）两个方面，例如 GMM，在这些基本的模型上，如果样本之间存在关联，可以认为样本中附带了时序信息，从而样本之间不独立全同分布的，这种模型就叫做动态模型，隐变量随着时间发生变化，于是观测变量也发生变化：#m

原创 MCMC 马尔可夫链蒙特卡洛

马尔可夫链蒙特卡洛MCMC 是一种随机的近似推断，其核心就是基于采样的随机近似方法蒙特卡洛方法。对于采样任务来说，有下面一些常用的场景：采样作为任务，用于生成新的样本求和/求积分采样结束后，我们需要评价采样出来的样本点是不是好的样本集：样本趋向于高概率的区域样本之间必须独立具体采样中，采样是一个困难的过程：无法采样得到归一化因子，即无法直接对概率  p(x)=1Zp^(x) p(x)=\frac{1}{Z}\hat{p}(x) p(x)=Z1​p^​(

原创 VI变分推断

变分推断我们已经知道概率模型可以分为，频率派的优化问题和贝叶斯派的积分问题。从贝叶斯角度来看推断，对于 x^\hat{x}x^ 这样的新样本，需要得到：p(x^∣X)=∫θp(x^,θ∣X)dθ=∫θp(θ∣X)p(x^∣θ,X)dθp(\hat{x}|X)=\int_\theta p(\hat{x},\theta|X)d\theta=\int_\theta p(\theta|X)p(\hat{x}|\theta,X)d\thetap(x^∣X)=∫θ​p(x^,θ∣X)dθ=∫θ​p(θ∣X)p(

原创 EM期望最大算法

期望最大期望最大算法的目的是解决具有隐变量的混合模型的参数估计（极大似然估计）。MLE 对 p(x∣θ)p(x|\theta)p(x∣θ) 参数的估计记为：θMLE=argmaxθlog⁡p(x∣θ)\theta_{MLE}=\mathop{argmax}\limits_\theta\log p(x|\theta)θMLE​=θargmax​logp(x∣θ)。EM 算法对这个问题的解决方法是采用迭代的方法：θt+1=argmaxθ∫zlog⁡[p(x,z∣θ)]p(z∣x,θt)dz=Ez∣x,θt[

原创 GMM 高斯混合模型

高斯混合模型为了解决高斯模型的单峰性的问题，我们引入多个高斯模型的加权平均来拟合多峰数据：p(x)=∑k=1KαkN(μk,Σk)p(x)=\sum\limits_{k=1}^K\alpha_k\mathcal{N}(\mu_k,\Sigma_k)p(x)=k=1∑K​αk​N(μk​,Σk​)引入隐变量 zzz，这个变量表示对应的样本 xxx 属于哪一个高斯分布，这个变量是一个离散的随机变量：p(z=i)=pi,∑i=1kp(z=i)=1p(z=i)=p_i,\sum\limits_{i=1

原创 PGMIntro概率图模型

概率图模型概率图模型使用图的方式表示概率分布。为了在图中添加各种概率，首先总结一下随机变量分布的一些规则：KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲&Sum\ Rule:p(x…可以看到，在链式法则中，如果数据维度特别高，那么的采样和计算非常困难，我们需要在一定程度上作出简化，在朴素贝叶斯中，作出了条件独立性假设。在 Markov 假设中，给定数据的维度是以时间顺序出现的

原创 Exponentialfamily指数族分布

指数族分布指数族是一类分布，包括高斯分布、伯努利分布、二项分布、泊松分布、Beta 分布、Dirichlet 分布、Gamma 分布等一系列分布。指数族分布可以写为统一的形式：p(x∣η)=h(x)exp⁡(ηTϕ(x)−A(η))=1exp⁡(A(η))h(x)exp⁡(ηTϕ(x))p(x|\eta)=h(x)\exp(\eta^T\phi(x)-A(\eta))=\frac{1}{\exp(A(\eta))}h(x)\exp(\eta^T\phi(x))p(x∣η)=h(x)exp(ηTϕ(x

原创 SVM支撑向量机

支撑向量机支撑向量机（SVM）算法在分类问题中有着重要地位，其主要思想是最大化两类之间的间隔。按照数据集的特点：线性可分问题，如之前的感知机算法处理的问题线性可分，只有一点点错误点，如感知机算法发展出来的 Pocket 算法处理的问题非线性问题，完全不可分，如在感知机问题发展出来的多层感知机和深度学习这三种情况对于 SVM 分别有下面三种处理手段：hard-margin SVMsoft-margin SVMkernel MethodSVM 的求解中，大量用到了 Lagrange 乘

原创 DimentionReduction 降维

降维我们知道，解决过拟合的问题除了正则化和添加数据之外，降维就是最好的方法。降维的思路来源于维度灾难的问题，我们知道 nnn 维球的体积为：CRnCR^nCRn那么在球体积与边长为 2R2R2R 的超立方体比值为：lim⁡n→0CRn2nRn=0\lim\limits_{n\rightarrow0}\frac{CR^n}{2^nR^n}=0n→0lim​2nRnCRn​=0这就是所谓的维度灾难，在高维数据中，主要样本都分布在立方体的边缘，所以数据集更加稀疏。降维的算法分为：直接降维，

原创 LinearRegression 线性回归算法

线性回归假设数据集为：D={(x1,y1),(x2,y2),⋯ ,(xN,yN)}\mathcal{D}=\{(x_1, y_1),(x_2, y_2),\cdots,(x_N, y_N)\}D={(x1​,y1​),(x2​,y2​),⋯,(xN​,yN​)}后面我们记：X=(x1,x2,⋯ ,xN)T,Y=(y1,y2,⋯ ,yN)TX=(x_1,x_2,\cdots,x_N)^T,Y=(y_1,y_2,\cdots,y_N)^TX=(x1​,x2​,⋯,xN​)T,Y=(y1​,y2​

原创 机器学习算法

Introduction对概率的诠释有两大学派，一种是频率派另一种是贝叶斯派。后面我们对观测集采用下面记号：XN×p=(x1,x2,⋯ ,xN)T,xi=(xi1,xi2,⋯ ,xip)TX_{N\times p}=(x_{1},x_{2},\cdots,x_{N})^{T},x_{i}=(x_{i1},x_{i2},\cdots,x_{ip})^{T}XN×p​=(x1​,x2​,⋯,xN​)T,xi​=(xi1​,xi2​,⋯,xip​)T这个记号表示有 NNN 个样本，每个样本都是 ppp

原创 题目：用Verilog实现异步复位同步释放电路。

题目：用Verilog实现异步复位同步释放电路。module Sys_Rst( input clk, input rst, output sys_rst);reg rst_r0;reg rst_r1;always @(posedge clk or posedge rst)begin if(rst)begin rst_r0 <= 1'b1; rst_r1 <= 1'b1; end else begin rst_r0 <= 1'b0; rst_r1 &lt

原创 题目：用Verilog实现三分频电路，要求输出50%占空比。

题目：用Verilog实现三分频电路，要求输出50%占空比。module Div_three( input clk, input rst_n, output div_three);reg [1:0] cnt;reg div_clk1;reg div_clk2;always @(posedge clk or negedge rst_n)beginif(rst_n == 1'b0)begin cnt <= 0; endelse if(cnt == 2) cnt <= 0;

原创 题目： 用verilog实现4bit环形计数器：复位有效时输出0001，复位 释放后依次输出0010，0100，1000，0001，0010...

题目： 用verilog实现4bit环形计数器：复位有效时输出0001，复位释放后依次输出0010，0100，1000，0001，0010…module cnt( input clk, input rst_n, output reg [3:0] cnt);always @(posedge clk or negedge rst_n)begin if(rst_n == 1'b0)begin cnt <= 4'b0001; end else begin cnt <= {cnt

原创 题目：用verilog实现4bit约翰逊(Johnson)计数器。

题目：用verilog实现4bit约翰逊(Johnson)计数器。module Johnson_Counter( input clk, input rst_n, output reg [3:0] johnson_cnt);//----------------------------------------------------//johnson_cntalways @(posedge clk or negedge rst_n)begin if(rst_n == 1'b0) johns

原创 题目：编写Verilog代码描述跨时钟域信号传输，慢时钟域到快时钟 域

题目：编写Verilog代码描述跨时钟域信号传输，慢时钟域到快时钟域reg [1:0] signal_r;always @(posedge clk or negedge rst_n)begin if(rst_n == 1'b0)begin signal_r <= 2'b00; end else begin signal_r <= {signal_r[0], signal_in}; endendassign signal_out = signal_r[1];...

原创 题目：reg和wire的区别

题目：reg和wire的区别reg是寄存器类型可以存储数据，wire是线网型。reg型在always块和initial块中赋值，wire型用assign赋值。reg型可用于时序逻辑和组合逻辑赋值，wire型只能用于组合逻辑赋值。wire表示直通，即只要输入有变化，输出马上出现结果，reg表示一定要有触发，输出才会反映输入。...

原创 题目：什么是亚稳态，产生的原因，如何消除？

题目：什么是亚稳态，产生的原因，如何消除？亚稳态：是指触发器无法在某个规定时间段内达到一个确定的状态。原因：由于触发器的Tsu和Th不满足，当触发器进入亚稳态，使得无法预测该单元的输出，这种不稳定是会沿信号通道的各个触发器级联传播。消除：两级或多级寄存器同步。理论上亚稳态不能完全消除，只能降低，一般采用两级触发器同步就可以大大降低亚稳态发生的概率，再加多级触发器改善不大。reg data_d1;reg data_d2;always @(posedge clk or negedge rst_n)b

原创 题目：输入一个8bit数，输出其中1的个数。如果只能使用1bit全加 器，最少需要几个？

题目：输入一个8bit数，输出其中1的个数。如果只能使用1bit全加器，最少需要几个？7个1bit全加器module number_one( input clk, input rst_n, input [7:0] din, output [3:0] num_one);wire [1:0] sum0;wire [1:0] sum1;wire [2:0] sum2;full_adder_one u0( .dina (din[0]), .dinb (din[1]), .cin (d