@TOC 1.选择新的芯片型号在MDK5中打开target，在device标签中选择新的芯片型号，这里以STM32F103RC为例，选择后点击OK确认。 2.更换启动文件在官方提供的库中SSTM32F10x_StdPeriph_Lib_V3.5.0\Libraries\CMSIS\CM3\DeviceSupport\ST\STM32F10x\startup\路径下可找到启动文件，也可在我上传的STM32F10x启动文件下载链接中下载。根据使用的芯片型号选择合适的启动文件进行替换，参考下表。 文件名 适用芯片 startup_stm32f10x_hd.s 大容量的STM32F101xx，STM32F102xx，STM32F103xx startup_stm32f10x_hd_vl.s 大容量的STM32F100xx startup_stm32f10x_ld.s 小容量的STM32F101xx，STM32F102xx，STM32F103xx startup_stm32f10x_ld_vl.s 小容量的STM32F100xx startup_stm32f10x ...

在需要发送的文件的路径上打开cmd，输入python -m http.server 8080（端口可以自定义） -m表示的是以模块引入，m表示module，在这里的作用是让编译器自行查找http.server的文件位置；当然也可以找到这个模块的绝对路径再直接用python ...运行，但这样会变得很麻烦2. 在cmd中执行ipconfig命令找到发送端的IPv4地址，这里假设是192.168.1.1 在接收端浏览器中直接访问192.168.1.1:8080即可查看发送的文件，点击需要的文件下载

参考：(文中部分图/文字/代码来自以下文章，部分内容由于时间久远已经找不到原作者，可联系注明或删除)PYTHON串口数据打包发送STM32接收数据解析openmv中文文档 这里以openmv循迹代码为例main.py THRESHOLD = (74, 100, -128, 127, -128, 127) # 识别白线import sensor, image, timefrom pyb import LED,UARTuart = UART(3, 115200)uart.init(115200, bits=8, parity=None, stop=1) # 定义串口sensor.reset()sensor.set_vflip(True)sensor.set_hmirror(True)sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QQQVGA)clock = time.clock()def sending_data(rho_err,theta_error): #发送函数 ...

Pytorch一小时教程中的图像分类器（GPU版本）的原代码为： import torch.optim as optimimport torchimport torchvisionimport torchvision.transforms as transformstransform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, ...

@TOC 1.Unresolved attribute reference ‘next’ for class ‘Iterator’神经网络中使用dataiter.next()时出现笔者尝试了下面两种方法都没有成功 方法一File → Settings → Editor → File Types → Ignore files and folders，去除框中的：init.py;，然后确认，等待文件重新扫描（笔者这个框中没有__init__.py，所以尝试了第二种方法依然没有成功） 方法二File → Invalidate Caches，选择Invalidate and Restart，等待重启参考/引用 此文指出这是个pycharm的bug笔者的pycharm版本为2021.3 (Community Edition)目前还没有解决这个问题 2.OSError: [WinError 1455] 页面文件太小，无法完成操作。https://www.cnblogs.com/blue-lin/p/14982097.html 3.Unused import statement ...

转载自https://www.cnblogs.com/sbj123456789/p/10839020.html，侵删 Pytorch中的Tensor常用的类型转换函数（inplace操作）： （1）数据类型转换 　　在Tensor后加 .long(), .int(), .float(), .double()等即可，也可以用.to()函数进行转换，所有的Tensor类型可参考https://pytorch.org/docs/stable/tensors.html （2）数据存储位置转换 　　CPU张量 —-> GPU张量，使用data.cuda() 　　GPU张量 —-> CPU张量，使用data.cpu() （3）与numpy数据类型转换 　　Tensor—->Numpy 使用 data.numpy()，data为Tensor变量 　　Numpy —-> Tensor 使用 torch.from_numpy(data)，data为numpy变量 （4）与Python数据类型转换 　　Tensor —-> 单个Python数据，使用data.it ...

@TOC 以下神经网络构建均以上图为例 一、关键部分代码分解1.定义网络import torchimport torch.nn as nnimport torch.nn.functional as F# 注释均为注释下一行class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 第一个卷积，输入1通道，用6个5×5的卷积核 self.conv1 = nn.Conv2d(1, 6, 5) # 第二个卷积，输入6个通道（因为上一层卷积中用了6个卷积核），用16个5×5的卷积核 self.conv2 = nn.Conv2d(6, 16, 5) # 第一个全连接层，输入16个5×5的图像（5×5是因为最开始输入的是32×32的图像，然后经过2个卷积2个池化变成了5×5），用全连接将其变为120个节点（一维化） self.fc1 = nn.Linear(16 * 5 * 5, 120) # ...

Epoch使用训练集的全部数据样本进行一次训练，称为一次epoch，即所有训练集的样本都在神经网络中进行了一次正向传播和一次反向传播神经网络中需要有多次epoch，每次epoch中会进行一次更新权重(weight)，多次epoch后权重多次更新会变得更加准确训练集中样本数量可能非常多，所以需要分成很多小块来进行训练，分成的小块就是batch Batch将所有的训练集的样本分成若干个batch Batch_Size每个batch的大小 Iteration（一次迭代）训练一个batch就是一次为lteration batch数量计算公式：$$batch数量=\frac{trainingSet_size}{batch_size}$$ 举例↓：原文链接 mnist 数据集有 60000 张图片作为训练数据，10000 张图片作为测试数据。假设现在选择 Batch Size = 100 对模型进行训练。迭代30000次。 每个 Epoch 要训练的图片数量：60000(训练集上的所有图像) 训练集具有的 Batch 个数： 60000/100= ...

@TOC 1.安装anaconda见【CV】Anaconda 安装教程-CSDN博客 2.更新显卡驱动，查询CUDA版本 如果很久没有更新显卡驱动，建议更新。 在cmd中输入nvidia-smi即可查询到显卡信息如下，其中就有CUDA版本 3.使用清华镜像1.生成.condarc文件 在anaconda prompt中输入conda config --set show_channel_urls yes 然后可以在 C:\Users\xxx 中找到.condarc文件 用记事本打开.condarc文件，将其中的内容替换为以下内容并保存 channels: - defaultsshow_channel_urls: truedefault_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anacond ...