Native程序中引入Binder库

目前最新的ndk环境中,不包含binder库。下载安卓源码,将下面两句加入Android.mk文件,在源码中利用mm命令作为子模块进行单独编译,优点:简单,缺点:编译速度慢,需要依赖安卓源码,不利于协同开发LOCAL_SHARED_LIBRARIES := libutils libcutils libbinder liblog LOCAL_C_INCLUDES += frameworks/nati

- 阅读全文 -

机器学习 | 决策树 理论篇

决策树学习的目的是为了产生一棵泛化能力强,即处理未见示例能力强的决策树。决策树学习的关键在于如何选择最优划分属性。我们希望决策树的分支结点所包含的样本尽可能属于同一类别,即结点的“纯度”(purity)越来越高。经典的属性划分方法信息增益增益率基尼指数信息增益“信息熵”是度量样本集合纯度最常用的一种指标。 <div align=center></div>属性a对样本集D进行

- 阅读全文 -

嵌入式 | ARM中断异常

<div align=center></div> <div align=center></div> 异常优先级:<div align=center></div> ARM处理器的异常空间:<div align=center></div> 在所有异常的入口,IRQ 中

- 阅读全文 -

嵌入式 | ARM工作模式详解

ARM v4版本的处理器有以下两个工作状态:ARM状态:32位,执行字对准的ARM指令。(性能好,代码密度小Thumb状态:16位,执行半字对准的Thumb指令。(性能差,代码密度大) 进入Thumb状态的方法是:执行BX指令,并设置操作数寄存器的状态(位[0])为1。在Thumb状态进入异常(所有的异常都是ARM状态),当异常处理返回时自动转换Thumb指令。进入ARM状态的方法是:执

- 阅读全文 -

嵌入式 | ARM嵌入式微处理器概论

ARM内核是一种32位RISC微处理器,具有功耗低、性价比高、代码密度高等三大特色。ARM处理器具有RISC体系结构的典型特征,同时具有以下特点:在每条数据处理指令当中,都控制算术逻辑单元ALU和移位器,以使ALU和移位器获得最大的利用率。自动递增和自动递减的寻址模式,以优化程序中的循环。同时Load和Store多条指令,以增加数据吞吐量;所有指令都可以条件执行,以增大执行吞吐量。 各版

- 阅读全文 -

嵌入式 | 嵌入式系统概论

嵌入式系统的硬件是以嵌入式微处理器为核心,主要由嵌入式微处理器、总线、存储器、输入/输出接口和设备组成。嵌入式系统的软件是由初始化代码及驱动、嵌入式操作系统和应用程序等软件有机地结合在一起形成系统特定的一体化软件。 总线是CPU与存储器和设备通信的机制,是计算机各部件之间传送数据、地址和控制信息的公共通道。 <div align=center></div>&nbs

- 阅读全文 -

嵌入式 | U-Boot的源码stm_flash.c详细剖析

FLASH存储器FLASH存储器又称为闪存,它也是可重复擦写的储器,部分书籍会把FLASH存储器称为FLASH ROM,但它的容量一般比EEPROM大得多,且在擦除时,一般以多个字节为单位。根据存储单元电路的不同,FLASH存储器又分为NOR FLASH和NAND FLASH。<div align=center></div>支持XIP,才能直接运行代码,SD卡,硬盘,U盘其

- 阅读全文 -

深度学习 | 神经网络概论-Demystification

在许多领域中,人工神经网络运用是很广泛的,比如:语音识别、机器翻译、人脸图像识别、癌细胞的识别、疾病的预测和股市走向的预测等领域。人工神经网络听起来very高大上,其实它本质上是一种有向图,只不过它这有向图有点特殊。有向图包括 节点 和 有向弧 。人工神经网络神经元其实是有向图的节点,不过是换种代名词。下面我谈一下这种有向图的特殊性:  1. 所有的节点是分层的(同一层节点没有

- 阅读全文 -

机器学习 | 线性模型之Logistic回归

对数几率回归:(Logistic回归)解决二分类问题<div align=center></div> 单位阶跃函数:(不连续、理想状态)<div align=center></div><div align=center>y代表输出标记,z代表预测值</div>预测值大于零就判为正例,小于零就判为反例,预测值为临界值零

- 阅读全文 -