世至其美Linux内核 | 进程管理
1. 进程和线程1.1 定义进程是处于运行状态的程序和相关资源的总称，是资源分配的最小单位。线程是进程的内部的一个执行序列，是CPU调度的最小单位。有一段可执行程序代码。有一段进程专用的系统堆栈空间和系统空间堆栈。有进程描述符，用于描述进程的相关信息。有独立的存储空间，也就是专有的用户空间，相应的又会有用户空间堆栈。Linux系统对于线程实现非常特殊，他并不区分线程和进程，线程只是一种特殊的进程罢
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
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
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
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
机器学习 | 线性回归模型拟合bodyfat数据代码实现及泛化误差评估
线性回归模型来拟合bodyfat数据,数据集介绍可阅读：https://www.mathworks.com/help/nnet/examples/body-fat-estimation.html在matlab中，在命令行中输入[X,Y] = bodyfat_dataset; 即可获得一个拥有13个属性，252个样本的数据集。使用前200个样本来获得模型，并写出你所获得的模型。使用后52个样本做测试
机器学习 | k-近邻算法原理及代码实现
k-近邻算法原理存在一组带标签的训练样本集，输入未带标签的新数据，将新数据每个特征属性与样本集中数据对应的特征属性进性比较，取k个最相似数据中出现次数最多的分类，做为新数据的分类。**代码实现from numpy import * import operator def createDataSet(): group = array ([[1.0,1.1],[1.0,1.0],[0,0],
比赛 | URC国际水中机器人大赛经验之谈
URC国际水中机器人大赛是在合肥举办，收获满满，同时也是遗憾退场。最后虽斩获国家一等奖，但痛失冠亚季。（当时我哭了。。。enenn真丢人） <center>赛前篇</center>对于合肥之行，我觉得是挺不（nan）错（shou）的经历。人生第一次坐火车，22个小时的火车，躺到腰断，差点。可能是水土不服，还经常闹肚子。（可能我肚子矫情叭叭）在即将比赛的
机器学习 | 模型评估与选择之性能度量
性能度量是衡量模型泛化能力的评价标准，反映了任务需求；使用不同的性能度量往往会导致不同的评判结果。回归任务最常用的性能度量是“均方误差”：<div align=center></div>一般式子对于数据分布D和概率密度函数p(.)均方误差可描述成：<div align=center></div>对于分类任务,错误率和精度是最常用的两种性能度量：错误率