2019年11月27日
Cortex-A9 Timing
摘要： 在Cortex-A9的文档《Cortex-A9 NEON Media Processing Engine》Technical Reference Manual中有关于Instruction Timing的信息，解释如下： （1）assembly-关于arm指令计时 https://ask.helpl 阅读全文
posted @ 2019-11-27 09:13 闪电gogogo 阅读(203) 评论(0) 推荐(0)
2019年11月19日
Cortex-A8/A76
摘要： Cortex-A8 关于Cortex-A8的微处理架构参考《ARM_Cortex-A8微处理器的架构和实现》 其中关于NEON有两段话摘录如下： NEON媒体引擎拥有自己的10段流水线，它从ARM整数流水线结束处开始。由于ARM整数单元中已解决所有错误预测和异常，所以向NEON媒体引擎发送指令后，因 阅读全文
posted @ 2019-11-19 14:36 闪电gogogo 阅读(623) 评论(0) 推荐(0)
2019年11月14日
【《超标量处理器基础》学习笔记一】处理器设计
摘要： 本系列为《超标量处理器基础》学习笔记，多数为书中内容，摘取感兴趣的部分稍作整理。 体系结构指指令集体系结构，即指令集的规范，而微体系结构是指体系结构的具体逻辑实现，同一种指令集体系结构可以用不同的微体系结构，并采用不同的流水线设计，不同的分支预测算法等。 微体系结构的多样性使得同一种体系结构能够不断 阅读全文
posted @ 2019-11-14 09:28 闪电gogogo 阅读(1661) 评论(0) 推荐(0)
2019年11月13日
[转]SIMD、MMX、SSE、AVX、3D Now!、NEON
摘要： 转载来源《【整理】SIMD、MMX、SSE、AVX、3D Now！、neon》 本文摘取部分内容，详细请看原文。 SIMD NEON是通用的SIMD（单指令多数据）引擎。 对于SISD，每个指令只能处理一个数据，而SIMD一个指令可以处理多个数据，因为多个数据的处理是平行的，因此从时间来说，一个指令 阅读全文
posted @ 2019-11-13 17:44 闪电gogogo 阅读(1246) 评论(0) 推荐(0)
[转]嵌入式系统
摘要： 来源自《嵌入式系统组成结构简介》，稍作整理和摘取。 嵌入式系统的组成结构 嵌入式系统由：嵌入式微处理器、外围硬件设备、嵌入式操作系统（可选）以及应用软件系统等四个部分组成。 软件是计算机系统中与硬件相互依存的另一部分，包括程序、相关数据及其说明文档。 程序是按照事先设计的功能和性能要求执行的指令序列 阅读全文
posted @ 2019-11-13 16:41 闪电gogogo 阅读(325) 评论(0) 推荐(0)
2018年12月20日
《统计学习方法》笔记十一 条件随机场
摘要： 条件随机场是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔可附随机场，条件随机场可用于不同的预测问题，书中仅讨论在标注问题的应用，主要讲述线性链条件随机场，问题变成由输入序列对输出序列预测的判别模型，形式为对数线性模型，学习方法通常是极大似然估计或正 阅读全文
posted @ 2018-12-20 14:31 闪电gogogo 阅读(293) 评论(0) 推荐(0)
2018年12月17日
《统计学习方法》笔记十 隐马尔可夫模型
摘要： 本系列笔记内容参考来源为李航《统计学习方法》 隐马尔可夫模型是可用于标注问题的统计学习模型，描述由隐藏的马尔科夫链随机生成观测序列的过程，属于生成模型。 概率计算算法 前向算法 后向算法 一些概率与期望值的计算 学习算法 隐马尔可夫模型的学习，根据训练数据是包括观测序列和对应的状态序列还是只有观测序 阅读全文
posted @ 2018-12-17 15:37 闪电gogogo 阅读(424) 评论(0) 推荐(0)
2018年12月5日
《统计学习方法》笔记九 EM算法及其推广
摘要： 本系列笔记内容参考来源为李航《统计学习方法》 EM算法是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计或极大后验概率估计。迭代由 （1）E步：求期望 （2）M步：求极大 组成，称为期望极大算法。 EM算法引入 EM算法是通过不断求解下界的极大化逼近求解对数似然函数极大化的算法。 EM在监督 阅读全文
posted @ 2018-12-05 21:35 闪电gogogo 阅读(356) 评论(0) 推荐(0)
2018年12月3日
《统计学习方法》笔记八 提升方法
摘要： 本系列笔记内容参考来源为李航《统计学习方法》 参考： [转]Adaboost 算法的原理与推导 补充提升树内容 GBDT：梯度提升决策树 Boosting主要关注降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成，Bagging主要关注降低方差，因此它在不剪枝的决策树、神经网 阅读全文
posted @ 2018-12-03 10:20 闪电gogogo 阅读(183) 评论(0) 推荐(0)
2018年11月23日
《统计学习方法》笔记七（3） 支持向量机——非线性支持向量机
摘要： 本系列笔记内容参考来源为李航《统计学习方法》 核函数定义 核技巧在支持向量机中的应用 正定核 函数K（x,z）满足正定核时可作为核函数。 常用核函数 非线性支持向量机学习算法 阅读全文
posted @ 2018-11-23 15:46 闪电gogogo 阅读(254) 评论(0) 推荐(0)
下一页
点击右上角即可分享
微信分享提示