1.项目基于 MNIST 数据集，使用 VGG-19 网络模型，将图像进行风格迁移，实现去噪功能。 2.项目运行环境：Python 和 TensorFlow 运行环境。需要 Python 3.6 及以上配置，使用conda安装环境 conda create -n tensorflow python=3.8.10 3.项目包括 3 个模块：图片处理、模型构造、迭代更新。项目用到的网络模型为预训练好的VGG-19，使用过程中抛弃最后三个全连接层，取出前面各层的参数，构建网络结构。损失函数，由内容损失、风格损失构成。内容损失采用 L2范数损失，风格损失用 Gram 矩阵计算各通道的相关性，以便更好的捕捉笔触、纹理等细节信息，利用 adam 梯度下降算法进行优化。 4.准确率评估：对于图像风格迁移这种模糊算法，并没有客观的评判标准。损失函数可以反映出一部分情况，更多的是人为观察运行结果。经测试，经过 40 次迭代风格迁移已很明显，可根据自身需求，合理调节迭代次数。

YOLOv5的资源描述 YOLOv5是由Ultralytics公司开发和维护的一个先进的实时目标检测模型。它是YOLO（You Only Look Once）系列的第五个版本，相较于之前的版本，YOLOv5在速度和准确性上都有了显著的提升。 YOLOv5提供了10个不同版本的模型，这些模型在网络深度和宽度上有所不同，但整体结构相似。模型主要由以下几个部分组成： 输入端：使用了Mosaic数据增强方法，该方法通过随机裁剪、缩放和排列多张图片来丰富数据集，并增加小样本目标，提升网络训练速度。 Backbone：采用New CSP-Darknet53结构，用于提取图像特征。 Neck：使用FPN（特征金字塔网络）+PAN（路径聚合网络）的结构，融合不同尺度的特征，提升模型对多尺度目标的检测能力。 Head：采用YOLOv3的检测头，用于输出检测结果。 此外，YOLOv5还使用了多种训练策略，如CIoU loss（在DIoU loss的基础上增加了检测框尺度的损失）、多尺度训练、Warmup和Cosine学习率调度器、混合精度训练等，以进一步提升模型的训练速度和检测精度。 项目源码 ### YOLOv5概要介绍与分析 #### 一、YOLOv5概述 YOLOv5（You Only Look Once version 5）是由Ultralytics公司开发的一款高性能实时目标检测框架，它作为YOLO系列的最新迭代版本，在速度与准确度方面取得了显著的进步。相比于前几代YOLO模型，YOLOv5不仅提高了处理速度，同时也增强了检测精度，特别是在复杂场景下的多目标检测方面表现更为突出。 #### 二、YOLOv5的架构设计 ##### 2.1 输入端：Mosaic数据增强 YOLOv5在输入端采用了Mosaic数据增强技术，这是一种非常有效的增强方式，能够显著提升模型的泛化能力。Mosaic通过将四张图片按照随机的角度拼接在一起形成一张新的训练图片，这样既增加了训练数据的多样性，又保留了原始图片的信息。这种方式特别有助于改善模型对小目标的检测性能，因为小目标在拼接后的图像中可能会占据更大的比例。 ##### 2.2 Backbone：New CSP-Darknet53 YOLOv5的主干网络（Backbone）采用了改进版的CSP-Darknet53结构。CSP-Darknet53是在Darknet53的基础上引入了Cross Stage Partial Network (CSPNet)的概念，旨在减少计算量的同时保持足够的表达能力。这种结构通过分割主干网络为两个分支并重新连接的方式，有效地减少了网络参数数量，从而加速了训练过程。 ##### 2.3 Neck：FPN + PAN Neck层的作用在于融合不同层次的特征图，以提高模型对于不同尺寸目标的检测能力。YOLOv5采用了FPN（Feature Pyramid Networks）和PAN（Path Aggregation Network）相结合的设计。FPN通过自顶向下的路径添加横向连接来融合多尺度特征，而PAN则通过自底向上的路径加强低层次特征的信息传播，这两种结构结合可以更好地捕捉到不同尺度的目标特征。 ##### 2.4 Head：YOLOv3检测头 YOLOv5的检测头沿用了YOLOv3的设计，这是一个基于锚点（anchor boxes）的检测方法，通过在不同的尺度上设置多个不同大小的锚点来预测目标的位置和类别。这种方法能够很好地适应不同尺寸的目标，提高检测效率。 #### 三、YOLOv5的训练策略 YOLOv5除了在模型架构上有许多创新之外，在训练过程中也采用了多种优化策略来提升模型性能。 - **CIoU Loss**：在原有的IoU损失基础上加入了中心点距离和长宽比约束，使得模型更加关注检测框的几何形状，从而提高了检测框的回归精度。 - **多尺度训练**：为了使模型能够更好地适应不同尺寸的目标，YOLOv5采用了多尺度训练的方法，在不同的输入尺寸下进行训练，这有助于模型学习到更丰富的特征表示。 - **Warmup和Cosine学习率调度器**：Warmup策略是指在训练初期缓慢增加学习率，以避免模型在初始阶段更新过快导致梯度爆炸；Cosine学习率调度器则是在训练后期根据余弦函数逐渐减小学习率，帮助模型收敛到更好的解。 - **混合精度训练**：通过使用半精度浮点数（例如FP16）来进行计算，可以在不牺牲太多精度的情况下大幅加快训练速度，同时也能减少GPU内存占用。 #### 四、项目源码及使用 YOLOv5的源代码已经开源，并托管于GitHub平台（[https://github.com/ultralytics/YOLOv5](https://github.com/ultralytics/YOLOv5)）。该项目提供了完整的模型构建、训练、评估和部署流程。用户可以通过修改配置文件来调整训练参数，如学习率、批次大小等，以满足特定的需求。此外，项目中还包含了大量的文档和示例代码，这对于初学者来说是非常有帮助的，可以帮助他们快速上手并深入了解YOLOv5的工作原理和使用方法。 YOLOv5凭借其高效的速度和优秀的检测精度，在实时目标检测领域占据了重要的地位，成为了一个广泛使用的工具和技术栈。无论是对于学术研究还是实际应用，YOLOv5都展现出了巨大的潜力和价值。

LSTM 长短期记忆 序列数据分类 神经网络 深度学习

实验一 PCM编译码实验 一、实验目的 1、 掌握脉冲编码调制与解调的原理。 2、 掌握脉冲编码调制与解调系统的动态范围和频率特性的定义及测量方法。 3、 了解脉冲编码调制信号的频谱特性。 二、实验内容 任务一 PCM 编码规则验证 概述：该任务是通过改变输入信号幅度或编码时钟，对比观测 A 律 PCM 编译码和μ律 任务二 PCM 编码时序观测 概述：该任务是从时序角度观测 PCM 编码输出波形。 三、实验原理 1、 实验原理框图 图1 M01号模块的PCM编译码实验 2、 实验框图说明 图1中描述的是采用软件方式实现PCM编译码，并展示中间变换的过程。PCM编码过程是将音乐信号或正弦波信号先经抽样、量化，之后再进行编码，输出PCM码组，PCM译码过程是PCM编码逆向的过程，不再赘述。 3、 PCM 编码基本原理 模拟信号进行抽样后，其抽样值还是随信号幅度连续变化的，当这些连续变化的抽样值通过有噪声的信道传输时，接收端就不能对所发送的抽样准确地估值。如果发送端用预先规定的有限个电平来表示抽样值，且电平间隔比干扰噪声大，则接收端将有可能对所发送的抽样准确地估值，从而有可能消除随

标题 "MNIST用神经网络实现" 涉及的核心知识点主要集中在使用TensorFlow构建神经网络模型来处理手写数字识别任务。MNIST数据集是机器学习领域的经典基准，包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的灰度图像，代表0到9的手写数字。 **1. TensorFlow框架** TensorFlow是由Google开发的一个开源库，用于数值计算和大规模机器学习。它通过数据流图进行计算，其中节点表示数学操作，而边则表示在这些操作之间流动的多维数据数组（张量）。在MNIST任务中，TensorFlow被用来定义神经网络的结构、训练过程以及预测。 **2. 神经网络** 神经网络是一种模仿人脑神经元结构的计算模型，由多个层次的节点（神经元）组成。在这个例子中，神经网络通常包含输入层、隐藏层和输出层。输入层接收MNIST图像的像素值，隐藏层进行特征提取，输出层则通过激活函数（如softmax）将结果转化为0到1之间的概率分布，代表每个数字的可能性。 **3. MNIST数据预处理** 在实际应用中，通常需要对MNIST数据进行预处理，包括将图像像素归一化到0到1之间，以及将标签进行one-hot编码，即将10个数字类别转换为10维向量，只有一个元素为1，其他为0。 **4. 构建模型** 在`mnist_train.py`中，会定义模型的结构，可能包括一个或多个全连接层（Dense）和激活函数（如ReLU），以及一个输出层。损失函数通常选用交叉熵（cross-entropy），优化器可能选择随机梯度下降（SGD）或Adam，以最小化损失函数。 **5. 训练与验证** 描述中提到的“训练和验证不能同时运行”可能是由于模型的训练循环和验证循环没有正确分离，或者资源管理不善导致的。正常的流程是在每个训练周期后，对验证集进行一次评估，以检查模型是否过拟合。 **6. `mnist_eval.py`** 这个文件通常包含模型的评估逻辑，比如计算模型在测试集上的准确率，以便了解模型的泛化能力。 **7. `mnist_inference.py`** 此文件可能涉及模型的推理部分，即如何使用已经训练好的模型对新的未知数据进行预测。这可能包括加载模型权重、读取新图像、预处理图像，然后通过模型进行预测。 **8. `data`** 这个文件夹可能包含了MNIST数据集的下载和预处理代码，通常包括训练集和测试集的图片数据以及对应的标签。 以上是MNIST手写数字识别任务中涉及到的关键技术和概念。解决描述中的问题可能需要调整训练和验证的并行执行逻辑，确保两个过程能够和谐共存，不影响模型的训练效果。对于初学者来说，这个项目是一个很好的实践平台，可以深入理解TensorFlow和神经网络的基础知识。

STM32是一款基于ARM Cortex-M内核的微控制器，广泛应用于嵌入式系统设计。在本项目中，我们将探讨如何使用STM32实现与PC之间的RS485串口通信，并通过Proteus进行仿真验证。RS485是一种常用的工业通信协议，具有较高的数据传输速率和较长的传输距离，常用于设备间的网络通信。 我们需要了解STM32的硬件接口。STM32内部通常包含多个串行通信接口（如USART或UART），这些接口可以配置为RS485模式。在STM32的开发过程中，我们需要选择一个合适的USART或UART端口，并通过GPIO引脚控制RS485的A和B线，实现数据的发送和接收。配置时要注意设置正确的波特率、奇偶校验位、数据位和停止位，以匹配PC端的通信参数。 接着，我们需要编写STM32的固件。使用STM32CubeMX工具可以快速配置外设并生成初始化代码。在代码中，我们要实现RS485的发送和接收函数，以及数据的错误检测和处理。发送数据时，需要在数据传输前切换到发送模式，发送完毕后切换回接收模式。接收数据时，需检查数据的完整性，并处理可能的通信错误。 然后，是Proteus仿真部分。Proteus是一款强大的电子电路仿真软件，可以模拟硬件电路的行为。在这里，我们需要在Proteus中搭建STM32、RS485收发器（如MAX485）以及虚拟PC串口的电路模型。确保每个组件的连接正确无误，包括STM32的USART引脚与RS485芯片的连接，以及RS485芯片的A和B线连接到虚拟PC串口。 在Proteus环境中，可以编写和加载STM32的固件，运行仿真。通过观察波形图和串口通信窗口，可以实时监控数据的发送和接收情况，调试通信协议和固件代码。如果在仿真过程中发现问题，可以针对性地修改固件或电路设计，再次运行仿真进行验证。 此外，为了在实际PC上实现串口通信，我们需要使用串口通信库，如Windows平台下的SerialPort类或Linux下的libserialport库。在程序中，设置相应的串口参数，并实现数据的读写功能。当STM32与PC的通信在Proteus中得到验证后，可以将固件烧录到真实的STM32开发板上，然后与PC进行实际的串口通信测试。 总结来说，"STM32+RS485-PC串口通信proteus仿真"项目涉及STM32微控制器的串行通信配置、RS485协议的理解与应用、Proteus仿真环境的利用，以及PC端串口通信的编程。通过这个项目，可以深入学习嵌入式系统的通信技术，并提升硬件和软件的综合设计能力。

联想网络同传EDU 7.5.5

给出了一个较为复杂的网络拓扑图。有兴趣的可以自己研究配置。

在信息时代，数据存储和访问速度是衡量一个企业信息化水平的重要指标。而SAN（Storage Area Network，存储区域网络）作为一种高效的数据存储技术，能够为企业提供高速、可靠的网络连接。FC-SAN（Fibre Channel Storage Area Network，光纤通道存储区域网络）则是SAN技术的一种重要实现方式，它利用光纤通道连接存储设备和服务器，提供了高性能的数据传输能力。本套FC-SAN基础课件，旨在为学习者提供一套全面的FC-SAN网络知识体系。 课件内容覆盖了FC-SAN网络的基础介绍，其中详细讲述了FC-SAN网络的工作原理、结构组成和主要特点，为学习者打下了坚实的理论基础。接着，课件深入到博科和思科这两大业界主流厂商的产品介绍和配置方法上，让学习者能够掌握主流设备的操作技能。在此基础上，课件进一步介绍了授权文件的申请与使用，这对于保障网络安全和合规性具有重要意义。 在维护方面，课件提供了基础维护知识，以及如何进行SAN交换机的基础配置，包括硬件安装、固件升级、远程管理、健康检测与日志收集等内容，这些都是日常运维中不可或缺的技能。同时，还介绍了NPIV配置，这是实现虚拟存储区域网络（VSAN）的关键技术之一，能够为虚拟化环境提供更高效和灵活的数据访问。 此外，课件对于如何在博科交换机上配置license，以及如何进行alias（别名）、zone（区域）、zone set（区域集）和VSAN（虚拟存储区域网络）的设置也有所涉及，这些高级配置能够帮助用户更好地管理和优化存储资源，以满足不同业务场景的需求。 为了加强实践操作能力，课件中的每个理论知识模块都配合了相应的配置指导，使得学习者能够通过实践操作来加深理解，并提高解决实际问题的能力。整个课程的设置科学合理，由浅入深，适合不同层次的学习者。 这套FC-SAN基础课件为学习者提供了一套完整的学习路径，无论你是刚接触FC-SAN的初学者，还是需要提升专业技能的在职工程师，都能从中获得宝贵的知识和实践经验。通过对这套课件的学习，你将能够熟练掌握FC-SAN网络的配置与管理，为实现高效稳定的数据存储和访问环境打下坚实的基础。

DL_T_860_10-2018 电力自动化通信网络和系统 第10部分：一致性测试