qq_28576837的博客

原创 嵌入式LINUX开发成长计划

嵌入式LINUX开发成长计划

原创 嵌入式MCU开发成长计划

单片机工程师的2年成长计划

原创 认识下计算机视觉中的人脸识别

人脸识别技术已取得显著进展，但其应用需平衡技术能力与伦理责任。未来，随着算法优化、硬件升级和法规完善，人脸识别将在更多领域发挥作用，同时也需要社会共同努力确保其合法、公正地使用。

原创 使用Tensorflow和CNN进行猫狗图片训练的实战总结

依赖关系：现代图像识别系统（尤其是高精度系统）几乎都以 CNN 为基础架构，没有 CNN，就没有当前图像识别的实用化水平。本质作用：CNN 通过卷积、池化等操作，将高维度、强关联的图像数据转化为可用于分类 / 识别的抽象特征，让计算机能高效 “理解” 图像的语义信息。简单来说：图像识别是目标，CNN 是实现这一目标的最有效工具。

原创 Netron的基本使用介绍

原创 Tensorflow的安装记录

CUDA （Compute Unified Device Architecture）是一套软硬件结合的解决方案，包括硬件架构（GPU 中的计算核心）和软件编程模型（API、工具链、库），旨在让开发者用类似 C/C++ 等主流语言编写并行计算程序，而非仅用于图形渲染。注意，这里说的不是哪个几点几的小版本号，而是Tensorflow分为两大类版本，CPU版本和GPU版本，它们在安装方式、依赖和性能上有明显区别。安装后建议通过示例代码验证环境，确保模型能正常训练和推理。同样，安装完成后可以在Python中导入。

原创 图像识别之图像的卷积

在图像处理中，卷积是一种重要的特征提取和处理手段。图像是一个二维的像素矩阵，卷积核（也叫滤波器）是一个小的二维矩阵。对图像进行卷积运算时，卷积核在图像上滑动，在每个位置，将卷积核与图像对应区域的像素值进行元素相乘，然后将结果相加，得到卷积后的输出像素值。作用：不同的卷积核可以实现不同的图像处理效果，比如使用高斯卷积核进行卷积运算，可以对图像进行平滑处理，减少噪声；使用边缘检测卷积核（如 Sobel 算子、Canny 算子），可以检测出图像中的边缘信息，突出物体的轮廓。

原创 深度学习之迁移学习

迁移学习通过 “知识复用” 打破了传统机器学习 “每个任务孤立训练” 的限制，尤其适合数据有限或计算资源受限的场景。从预训练模型微调（如 BERT、GPT）到跨领域知识迁移，它已成为现代 AI 的核心技术之一，推动了医疗、自动驾驶、NLP 等领域的快速发展。未来，随着多模态预训练模型（如 CLIP、GPT-4）的兴起，迁移学习的应用范围将进一步扩大。

原创 认识神经网络和深度学习

神经网络（Neural Network）是一种模仿生物神经系统（如大脑神经元连接方式）设计的计算模型，通过多层 “人工神经元” 的互联，实现对数据的非线性关系建模，是机器学习和人工智能的核心技术之一。其核心能力是从数据中自动学习规律（如分类、预测、特征提取），无需人工编写具体规则。一、神经网络的基本结构神经网络由多个 “层” 组成，每层包含若干 “神经元”（Neuron），神经元之间通过 “权重”（Weight）连接，形成类似生物神经网络的信号传递路径。

原创 机器学习：无监督学习之聚类

Kmeans（K - 均值聚类）是机器学习中最经典的无监督学习算法之一，用于将无标签数据自动划分为 K 个不同的簇（类别）。核心思想：假设数据由 K 个高斯分布混合生成，通过 EM 算法估计每个分布的参数（均值、协方差），样本属于概率最高的分布对应的簇。核心思想：DBSCAN 的改进，通过计算 “可达距离” 生成聚类顺序图，可在不同密度下识别簇，减少对参数的依赖。“均值” 的含义： 每个簇的中心是该簇所有样本在特征空间中的平均值（例如二维空间中，质心是所有点的坐标平均值）。

原创 机器学习：更多分类回归算法之决策树、SVM、KNN

决策树是一种强大且直观的机器学习算法，适合处理非线性关系和需要可解释性的场景。虽然它存在过拟合风险，但通过剪枝、集成学习等优化手段，决策树在实际应用中仍然表现出色，尤其是作为集成模型（如随机森林）的基础组件。

原创 机器学习之逻辑回归

逻辑回归（Logistic Regression）是一种用于解决分类问题的统计学习方法，尽管名称中带有 “回归”，但它本质上是一种分类算法，尤其适用于二分类问题（即结果只有两种可能，如 “是 / 否”“正 / 负”）。核心思想逻辑回归的核心是通过Sigmoid 函数（也称为 Logistic 函数）将线性回归的输出（连续值）映射到 [0,1] 区间，从而表示 “属于某一类别的概率”。与线性回归的区别适用场景。

原创 机器学习之线性回归

适用于小规模数据且特征数较少的情况。

原创 注意区分传统机器学习和深度学习

原创 CMake之CMakeLists.txt语法规则

而第三个参数则是一个数学运算表达式，支持的运算符包括：+（加）、-（减）、*（乘）、/（除）、%（求余）、|（按位或）、&（按位与）、^（按位异或）、~（按位取反）、<<（左移）、>>（右移）以及这些运算符的组合运算，它们的含义与 C 语言中相同。需要注意的是，源文件路径既可以使用相对路径、也可以使用绝对路径，相对路径被解释为相对于当前源码路径（注意，这里源码指的是 CMakeLists.txt 文件，因为 CMakeLists.txt 被称为 cmake 的源码，若无特别说明，后续将沿用这个概念！

原创 Cmake简介与基本使用概述

大都数的 IDE 都有这个工具，譬如 Visual C++的 nmake、linux 下的 GNU make、Qt 的 qmake 等等，这些 make 工具遵循着不同的规范和标准，对应的 Makefile 文件其语法、格式也不相同，这样就带来了一个严峻的问题：如果软件想跨平台，必须要保证能够在不同平台下编译，而如果使用上面的 make 工具，就得为每一种标准写一次 Makefile，这将是一件让人抓狂的工作。还好每一个都不复杂！所以，意味着最终生成的库文件对应的名字会自动添加上前缀和后缀。

原创 windows下安装和使用git

对于绝大多数用户日常使用的桌面电脑（Windows PC、传统 x86 架构的 Mac 等），x64 是当前的主流架构。只有少数特殊设备（如苹果 M 系列 Mac、部分 ARM 架构的轻薄本）采用其他架构，但整体占比不高。

原创 在开发板I.MX6U上进行QT开发

选择 fsl-imx-x11-qt5 工具链：若开发 i.MX 平台的 Qt 应用，特别是需要硬件加速或 X11/Wayland 支持。选择 arm-linux-gnueabihf-g++：若开发简单 ARM 程序，或需自行控制所有依赖的编译过程。关键点：fsl 工具链是为 i.MX 平台深度定制的 “一站式” 解决方案，而。

原创 QT常用类和模块

Qt 对数据库的基本操作流程大概是这样子，当然 Qt 提供了很多操作数据库的类，我们只讲解基本的与常用的就已经足够了。Qt SQL 模块里包含了很多个类，可以轻松实现数据库的连接、执行 SQL 语句，获取数据库里的数据与界面显示等功能，一般数据与界面之间会采用 Model/View架构，从而很方便的显示数据界面和操作数据库。绘图和图表的内容本章主要介绍绘图和图表的基本操作，以简单的例子呈现绘图与图表的用法，目的就是快速入门绘图与图表，关于绘图与图表详解最好是看 Qt 官方的帮助文档。

原创 QT入门基础知识总结

Qt 是原生应用开发框架，通过 C++ 直接操作操作系统和硬件，适合高性能、深度定制的界面；前端是Web 生态的界面层，依赖浏览器或容器，适合快速迭代、跨平台部署的轻量级应用。二者虽都涉及界面交互，但技术路径和适用场景截然不同，选择取决于具体需求：若需开发桌面软件、嵌入式系统或高性能应用，选 Qt；若需开发网站、小程序或跨平台 Web 应用，选前端技术栈。

原创 认识OpenCV视觉处理库

OpenCV（Open Source Computer Vision Library）是一个广泛用于计算机视觉任务的开源库，其核心代码主要使用 C++ 编写，同时提供了多种语言的接口。一、OpenCV 的底层语言：C++性能优先：C++ 是一种高性能语言，适合处理计算机视觉中的大量计算任务（如图像滤波、特征提取、深度学习推理等）。跨平台支持：C++ 代码可在 Windows、Linux、macOS、Android、iOS 等多种操作系统上编译运行。API 基础：OpenCV 的原生 API（如。

原创 认识Scikit-learn/PyTorch/TensorFlow这几个AI框架

PyTorch 提供了。

原创 认识NumPy/Scipy/Pandas/Matplotlib这几个Python库

数据清洗（Data Cleaning） 是数据分析与机器学习流程中的关键步骤，指的是识别并纠正（或删除）数据集中的不准确、不完整、不一致或重复信息的过程。通俗来说，就是把 “脏数据” 变成 “干净数据”，为后续分析和建模打下基础。

原创 图像和视频处理基础知识总结

自然光线（含RGB三色） → 拜耳滤镜选择性过滤（仅允许单一颜色透过） → 感光二极管感知光强并产生电荷 → ADC转换为数字信号（单一颜色的强度值） → 插值算法根据相邻像素估算缺失色彩 → 合成完整RGB像素 → 色彩校正（白平衡、伽马变换等）→ 最终彩色图像核心结论：感光单元与光电效应是色彩记录的基础，但仅能提供单通道光强信号；色彩信息的完整记录依赖滤光片的分光作用和后期插值算法，二者缺一不可。

原创 数字图像与视频压缩编码

原创 RV1126开发之基础知识总结

MIPI 摄像头凭借高速、低功耗和抗干扰的特性，成为移动设备和嵌入式场景的主流选择；而其他接口（如 USB、GigE Vision、Camera Link 等）则根据传输距离、带宽需求、成本和应用场景的不同，在工业、医疗、消费电子等领域发挥作用。选择摄像头接口时，需结合设备尺寸、画质要求、传输距离和系统兼容性综合考量。

原创 AI应用：计算机视觉相关技术总结

计算机视觉通过融合传统算法与深度学习，从基础的图像特征提取发展到复杂的场景理解与推理，已广泛应用于各行业。未来，随着大模型、多模态技术的发展，计算机视觉将向更智能、更贴近人类认知的方向演进，同时在边缘计算、实时性等领域面临更多工程挑战。

原创 嵌入式AI？

嵌入式 AI（Embedded AI）是指将人工智能技术与算法集成到嵌入式系统中，使设备能够在本地（无需依赖云端服务器）实现数据处理、分析和决策的技术形态。它融合了嵌入式系统的实时性、低功耗特性与AI 的智能化能力，让传统硬件设备具备 “边端智能”，适用于对响应速度、隐私保护、网络依赖性要求高的场景。核心特点本地化运行无需联网即可完成数据处理和决策，避免网络延迟和断网风险（如自动驾驶汽车在隧道中实时避障）。保护用户隐私：敏感数据（如人脸、医疗信息）无需上传云端，直接在设备端处理。低功耗与轻量化。

原创 C++面向对象（二）

在 C++ 中，

原创 C++标准模板库

原创 C++类的嵌套详解

外层类大小不受影响： 如果内层类只是在外层类的作用域内定义，但未被声明为外层类的成员变量，则外层类的实例化对象不会包含内层类的空间。内层类此时仅是一个类型声明，不占用外层类的内存。示例代码。

原创 C++创建对象过程

在看到C++的类成员被调用时，比如一个类的成员变量被调用，我总是会下意识地去想这个到底是局部变量还是全局变量，这是C语言的惯性思维，而在C++中，成员是随着对象的位置而存在的，对象在哪片内存上，成员就在哪片内存上，访问成员，都需要通过对象来调用，当然，除了静态对象。注意：对象在栈或者堆上整体分配的，那么类里面的成员就在哪个位置存着，对象是局部的，那么成员就是局部的，对象是全局的，那么成员就是全局的。注意：如果使用了构造函数的初始化列表，则会在初始化时直接就赋予对应的值，而不必分成初始化和赋值两个步骤了。

原创 蓝牙和wifi相关的杂项内容总结

蓝牙技术的传输速率随着版本的演进不断提升，不同版本和模式（经典蓝牙 BR/EDR 和低功耗蓝牙 BLE）的速率差异显著。）是无线通信（如Wi-Fi、蓝牙、5G等）和电子系统中至关重要的概念，直接影响通信质量和数据传输的可靠性。例如，Wi-Fi 信道 6（2.437 GHz）干扰 BLE 信道 18-21（2.430-2.440 GHz）。：高端耳机（如索尼 WH-1000XM5）同时支持蓝牙（音乐）和 Wi-Fi（固件更新）。：蓝牙 2.0 的核心突破，实际传输速率可达 800 kbps（适合音频传输）。

原创 Wi-Fi设备的发现和连接过程

WIFI扫描方式分为主动扫描和被动扫描两种，主动扫描是指STA主动去探测搜索无线网络；被动扫描则是指STA只会被动的接收AP发送的无线信号。下面分别对两种扫描方式进行简要介绍。主动扫描情况下，STA会主动在其所支持的信道上依次发送探测信号，用于探测周围存在的无线网络，STA发送的探测信号称为探测请求帧（Probe Request）。探测请求帧又可以分为两类，一类是未指定任何SSID，一类是指定了SSID的。（注意：Probe Request帧发送方式是广播）1) 探测请求帧不指定SSID。

原创 Arduino和树莓派等平台简介

什么是Arduino定义上来说Arduino是包含硬件就是这个开发版和ArduinoIDE编程软件。理论上来说，Arduino也是单片机，就是51那种，但Arduino非常友好，给单片机封装了一些好东西，这导致你学习起来可以直接调用各种端口各种现成的库和函数。因此Arduino像是一个平台，你想吃水果，它给你准备好了水和土，想吃什么种什么！对于新手来说，那就是学习开源硬件的利器，神器，重器！不需要你单独学习寄存器、数字逻辑、等各种专业知识。严谨点来说：请移步百度百科Arduino。

原创 websocket简介与基本使用

WebSocket 是现代实时应用的基石技术，结合后端框架（如 Socket.IO、WebSocket API）可轻松构建高效的双向通信系统。它是 HTTP 协议的补充，专为低延迟、高效率的实时通信设计。（WebSocket Secure，基于 TLS/SSL）。：实时性强、节省带宽（相比 HTTP 轮询）。需要服务器持续维护连接（可能增加资源消耗）。（如 Google Docs 多人编辑）（Frame）传输数据，无需重复握手。确认升级为 WebSocket。（如智能家居实时状态更新）

原创 ASR和TTS技术简单总结

近年来，语音技术在人工智能领域的发展极为迅速，语音识别（ASR）和文本转语音（TTS）作为两项重要的核心技术，被广泛应用于智能助手、客户服务系统、翻译设备以及教育平台等多个领域。这两种技术各自解决了语音交互中的不同问题，共同助力于实现自然、流畅的人机对话。

原创 关于NLP自然语言处理的简单总结

目前，国内的自然语言处理研究机构和企业有很多，如中科院计算所、清华大学、百度、腾讯等，其中百度的ERNIE、阿里巴巴的BERT等预训练模型在多种中文自然语言处理任务上表现出色。在这个代码示例中，我们使用了Python的TensorFlow库来实现了一个基于深度学习的情感分析算法，该算法可以对电影评论进行情感分类，这个demo比较简单，但是也说明了基于深度学习的自然语言处理算法的实现思路。未来的发展方向包括更深入的语义理解、更好的对话系统、更广泛的跨语言处理和更强大的迁移学习技术。

原创 关于AI人工智能的知识图谱简介

神经网络是一种受生物神经元启发而设计的计算模型，由。

原创 音频/AI/BLE/WIFI/玩具/商业等方向的论坛网站总结

我爱音频网中国人工智能学会AIIA人工智能网世界人工智能论坛36氪。