SD卡-SD卡驱动移植
SD卡底层驱动移植最近希望了解一下文件系统与存储器读写是怎样勾搭起来的,写两篇文章做个记录,本篇文章简单陈述底层驱动的移植,下一篇文章记录移植文件系统的过程通信方式SD卡的通信方式主要有两种:四线SPI接口与SDIO接口,SDIO接口具有四根数据线,可以具有更高的通信速率,但是部分单片机没有SDIO接口,为了可移植性,大多数单片机会用SPI的通信方式与SD卡通信(主要我手上的平台也只能满足SPI协
SD卡底层驱动移植最近希望了解一下文件系统与存储器读写是怎样勾搭起来的,写两篇文章做个记录,本篇文章简单陈述底层驱动的移植,下一篇文章记录移植文件系统的过程通信方式SD卡的通信方式主要有两种:四线SPI接口与SDIO接口,SDIO接口具有四根数据线,可以具有更高的通信速率,但是部分单片机没有SDIO接口,为了可移植性,大多数单片机会用SPI的通信方式与SD卡通信(主要我手上的平台也只能满足SPI协
入门神经网络三C环境部署为什么要部署到C环境上面两篇文章中,我们详细讲解了采集样本与样本训练,生成了一个模型文件,经过测试我们的模型成功率在90%以上,但是我们想将这个模型利用起来,实时检测我们的运动姿态,在ESP32上运行torch显然是不现实的。因此我们将参数保存下来,用C语言复现一遍,在esp32上运算这样才有实际使用价值。网络结构中的数据变化我们的第一层网络结构为5个卷积核的卷积层(包含r
入门神经网络二网络搭建使用哪种深度学习框架目前主流的神经网络框架有tensorflow、kears,国产的有百度的PaddlePaddle,但是我是从yolov5入坑的,yolov5官方代码使用的是pytorch框架,所以我使用torch,而且torch框架上手很简单,资源较多坑较少。建立一个怎样的网络结构网络层网络层很简单,只有一个卷积层和一个全连接层,一个卷积层包括卷积、激活、下采样。我是用5
入门神经网络一样本采集在本科的时候对神经网络颇有兴趣,感觉很神秘,特别是当时的yolov5目标检测算法,让我感觉特别震撼,计算机在图像识别上已经超过了人眼。但是这么长时间以来一直停留在跑demo的阶段,没有静下心来学习,为此我计划搭建一个属于自己的神经网络作为入门标志,这是第一章,主要讲了说明采集样本的过程。建立一个怎样的网络我计划建立的网络结构,输入参数为陀螺仪三轴传感器的数据,输出内容为可能进
最近项目上需要混音算法,上网查阅了四种常用的混音算法,用python运行来做测试,测试完成的语音数据放在结尾可以下载混音算法一:加权平均这种方法很简单,直接将两个PCM样本相加,为了防止溢出再除以二,但是这种方式会导致声音细节丢失声音会变小,并且混入通道数越多,声音衰减越严重,毕竟原始音频直接右移了八位,实际测试下来也是如此,实现方法为:for i in range(0,sample_nums):
opus是一款优秀的音频编解码算法,具有很高的压缩率,尝试在ESP32平台运行opusESP-IDF开发环境运行opusESP-IDF开发环境已经有大佬做好了移植,并且制作了makefile文件,做好了第三方的components,下载地址 点击我,我们只用将文件夹下载先来拖放到components文件夹根目录即可,如下图所示下面我们来创建一个demo用来运行,新建一个hello world工程,
Numpy矩阵基本运算1、python矩阵操作引入库:import numpy as np创建一个二维矩阵:>>>a = np.mat([[1, 2, 3], [4, 5, 6]])打印a矩阵:>>>a matrix([[1, 2, 3], [4, 5, 6]])打印a矩阵形状:>>>a.shape (2,3)转置a矩阵:>&
Makefile简单实用最近公司项目可能涉及到Makefile,今天来浅学一下!1、GCC使用当我们只有一个C文件时,可以用gcc编译直接生成文件,例如写一个main.c#include <stdio.h> int main() { printf("this is main.c\r\n"); return 0; }我们在命令行输入sudo gcc -c main.c
前言,过度依赖typecho的工具,写不出好看的布局,typecho刚好也支持Markdown,记录一下学习过程Markdown标题在文本下方使用多个=======表示标题 例如: 这是一级标题 =========== 演示:这是一级标题在文本下方使用多个----表示小一些的标题 例如: 这是二级标题 -------- 演示:这是二级标题使用 # 号可表示 1-6 级标题,一级标题对应一个 # 号
Numpy简单应用创建一个一维数组a = np.array([0, 1, 2, 3, 4]) b = np.array((0, 1, 2, 3, 4)) c = np.arange(5) d = np.linspace(0, 2*np.pi, 5) print(a) >>>[0 1 2 3 4] print(b) >>>[0 1 2 3 4] print(