树莓派4B+Ubuntu 22.04:RPLIDAR C1激光雷达ROS2建图

故障处理:磁盘扩容出错:e2fsck: Bad magic number in super-block while trying to open /dev/vdb1... 按照阿里云官网教程对云服务器进行磁盘扩容,使用fdisk重新分区,最后使用e2fsck和resize2fs来完成文件系统层面的扩容 在执行“e2fsck -f /dev/vdb1”命令时报错,如果你的问题和下面的错误一样,可以接着往下看: [root@aliyunsrv ~]# e2fsck -f /dev/vdb1 e2fsck 1.41.12 (17-May-2010) ... 阅读详情

1. 树莓派4B跑激光雷达这件事,为什么值得动手做一遍

把一台巴掌大的树莓派4B、一套Ubuntu 22.04系统、一颗思岚RPLIDAR C1激光雷达凑在一起,能做出什么?这是我这段时间反复被问到的问题。答案比很多人想的要实在:一套能跑通的二维环境扫描与建图平台。这个东西不花哨,但它是移动机器人、自动导航小车、室内测绘这些方向的入门底座——你能用它看到真实的距离数据流,能让机器人在房间里转一圈就吐出一张地图,还能把这套东西接到ROS2上继续往上叠算法。

我之所以选树莓派4B作为主控,理由很朴素。第一,它便宜且好买,几百块的板子烧了不心疼,适合反复折腾。第二,它自带40针GPIO、四个USB口、千兆网口和无线网卡,思岚C1这类USB接口的雷达插上就能用,不需要额外的转接板。第三,ARM64生态这两年成熟得差不多了,Ubuntu 22.04 LTS对树莓派4B有官方支持镜像,apt源里的ROS2 Humble也是现成的,省去了大量交叉编译的痛苦。相比之下,如果你拿一台x86小主机,功耗和体积都上去了;拿一块单片机,又跑不动完整的ROS2和建图算法。树莓派4B正好卡在那个"够用且不贵"的位置上。

选Ubuntu 22.04而不是20.04,主要是为了ROS2。ROS2 Humble的官方支持平台就是Ubuntu 22.04,这是长期支持版本,维护到2027年,apt直接装,不用自己编译源码。我在网上看到很多人还在纠结装20.04还是22.04,其实如果你的目标就是激光雷达加ROS2建图,22.04是更省事的那条路。20.04对应的ROS2 Foxy已经停止官方维护了,新项目没必要再往上靠。当然,如果你的项目里有一堆只支持Foxy的历史代码,那就另说——这也是我在实际选型时踩过的判断点,后面会专门聊。

思岚RPLIDAR C1是我这次用的雷达。它是思岚产品线里偏入门的一款二维激光雷达,360度扫描,USB直连,价格友好,配套的SDK和ROS驱动都有开源仓库。很多人第一次买雷达容易犯迷糊:看到参数表上写"12米测距""10Hz扫描频率"就以为随便哪款都行,实际上不同型号在室内强光下的表现、在深色物体上的回波质量、数据接口的稳定性差别很大。C1这个定位的雷达,最适合的就是室内、中小场景、对成本敏感的建图需求,比如房间级的地图构建、走廊导航、教学演示。

这套组合能解决的问题,说白了就是三件事:让树莓派认得出雷达、让雷达的数据稳定地流出来、让数据变成一张能用的地图。听起来简单,但每一步都有坑。系统镜像烧录、串口权限、udev规则、ROS2的驱动编译、TF坐标变换、建图参数调优,任何一环出问题,结果就是雷达转着但屏幕上什么都没有,或者地图飘得没法看。

这篇文章适合谁?如果你是刚拿到树莓派和雷达、想从零跑通一套建图demo的爱好者,这篇文章可以当成一份带坑位标注的操作记录;如果你已经装好了系统,卡在"雷达能转但ROS2收不到数据"这一步,可以直接跳到权限和驱动那几节;如果你在纠结硬件选型和系统版本,前几章的对比分析能帮你少走弯路。我会把每一步为什么这么做讲清楚,而不只是丢一串命令——因为真正让你卡住的,往往不是命令本身,而是命令背后的机制没搞明白。

2. 硬件选型与系统镜像:别在第一步就把自己坑了

2.1 树莓派4B的版本差异与散热这个绕不开的话题

树莓派4B有几个容易忽略的版本差异。内存有2GB、4GB、8GB之分。跑ROS2加建图,我建议至少4GB起步。原因在于ROS2 Humble加Cartographer这类建图包,运行时内存占用不低,再加上Ubuntu桌面环境本身要吃掉一部分,2GB版本会频繁触发交换分区,建图过程中卡顿甚至进程被杀。4GB是舒服的入门线,8GB适合你后面想在同一块板子上再叠视觉、导航这些模块。

另一个坑是供电。树莓派4B对电源很挑,官方要求5V/3A。很多人用手机充电头凑合,结果就是雷达一转、CPU一满载,电压跌下去,系统直接重启或者USB设备掉线。我实测中最典型的症状就是:雷达刚开始转得好好的,建图跑到一半突然断连,dmesg里刷一堆USB设备重新枚举的日志。换一个稳定的5V/3A电源,问题立刻消失。这类"看起来是软件问题、实际是供电问题"的情况,在树莓派项目里非常常见,一定要先把电源排除掉。

散热也是必须处理的。树莓派4B的SoC在持续负载下温度会冲到80度以上,触发降频,建图这种CPU密集型任务受影响明显。我用的是带风扇的金属外壳,风扇接在GPIO的5V和GND针脚上常转。这里提醒一句:树莓派4B的风扇针脚,5V对应的是物理引脚2或4,GND是6、9、14、20、25、30、34、39这些。如果你买的是三线风扇,第三根线是测速线,可以不接。接线时务必断电操作,接错到3.3V针脚上风扇转速会变慢,接反了风扇不转——这些都是新手常见的低级错误,但确实会让人排查半天。

存储方面,我强烈建议用质量好的A2级别microSD卡,容量32GB以上。别用那种便宜的大容量卡,树莓派上随机读写性能差,系统会明显拖慢。如果预算允许,用USB3.0接口接一个SSD启动,速度快一个档次,建图时写日志、存地图的体验完全不一样。SSD启动需要在树莓派上先改一次启动顺序,这个步骤官方文档写得很清楚,照着做就行。

2.2 Ubuntu 22.04 for Raspberry Pi的镜像选择与烧录要点

Ubuntu官方为树莓派提供了专门的镜像,路径是ubuntu.com/download/raspberry-pi。这里有个关键区分:桌面版和服务器版。桌面版带图形界面,方便你插显示器直接操作;服务器版没有界面,资源占用小,适合远程SSH。我的建议是,如果你手边有显示器和键盘,先用桌面版把系统装起来、网络配好、确认硬件都正常,再决定要不要换成服务器版。桌面版在树莓派的HDMI输出上第一次启动可能会遇到分辨率和黑屏问题,这时候别慌,多半是显示器的EDID识别问题,换个显示器或者等系统完全启动后再插HDMI线,通常能解决。

烧录工具用Raspberry Pi Imager最省事,它内置了Ubuntu镜像的下载选项,还能在烧录前预配置WiFi和SSH。这一步非常重要:在Imager的设置里提前填好WiFi名称密码、主机名、用户名密码,烧录完插卡开机,系统自动连上网络,你直接SSH进去,省去了接显示器配置的麻烦。我试过用Rufus这类通用工具烧录Ubuntu镜像,也能用,但Rufus不能

树莓派4B+Ubuntu 22.04+RPLIDAR C1 ROS2二维建图 二维激光SLAM的核心,是把激光雷达扫描到的环境轮廓,通过ROS2的话题通信与TF坐标变换,交给建图算法估算位姿并生成栅格地图。RPLIDAR C1这类低成本二维雷达输出/scan,Cartographer或slam_toolbox通过扫描匹配、子图与回环检测提升地图一致性,为移动机器人定位、导航和避障提供基础。在树莓派4B与Ubuntu 22.04构成的嵌入式计算平台上,这套方案兼顾成本、资料生态与可复现性,适合教育实验、原型验证和小型机器人开发。工程落地时需关注串口权限、供电、TF树和建图参数,先跑通数 阅读详情

相关推荐

树莓派4B玩转RPLIDAR C1:从串口配置到ROS2 SLAM建图完整指南

激光雷达如何与嵌入式平台协同工作?在机器人开发与环境感知中,RPLIDAR C1作为入门级三角测距激光雷达,凭借360度扫描与12米测距能力,常被用于室内建图与避障。其原理是通过激光反射三角定位计算距离,而数据能否稳定输出,往往取决于串口通信、供电和系统权限等基础环节。树莓派4B作为通用嵌入式主板,配合Ubuntu 22.04可构建低成本的SLAM实验平台。从串口设备识别、dialout权限配置到GPIO UART复用,每一步都会直接影响雷达数据流的完整性。当数据通道打通后,再通过ROS2 Humble驱动

weixin_30363285的博客 339

树莓派4B与RPLIDAR C1激光雷达:从环境扫描到ROS2建图实战

激光雷达(LiDAR)是环境感知的核心传感器,基于TOF飞行时间测距原理,通过旋转扫描获取周围物体的距离与角度信息,形成离散点云。而串口作为设备与计算平台之间最直接的通信方式,是读懂雷达第一手数据的必经之路。对Hacker和机器人开发者而言,掌握从原始字节流解析出坐标点的能力,是理解定位与导航算法(如SLAM)的前提。环境扫描、避障、地图构建等应用都依赖这一基础。本文以树莓派4B搭配思岚RPLIDAR C1为例,详细演示在Ubuntu 22.04上完成串口权限配置、官方SDK编译、Python实时绘图,并逐

weixin_32239523的博客 439

树莓派4B+Ubuntu 22.04+RPLIDAR C1激光雷达环境扫描系统搭建实战

激光雷达测距是机器人环境感知的核心技术之一,其基于三角测距原理,通过红外激光反射计算障碍物距离,生成二维点云数据。在环境扫描与建图应用中,低成本方案结合嵌入式平台可快速搭建原型系统。RPLIDAR C1作为入门级激光雷达,配合树莓派4B与Ubuntu 22.04环境,通过配置串口权限与ROS 2驱动,可实现实时点云可视化与Cartographer建图。文章完整记录从硬件接线、udev规则设置到SDK编译、Rviz2显示的实践过程,并分享常见问题排查经验,为机器人入门者与室内测量应用提供可复现的技术路径。

weixin_29194817的博客 329

树莓派4B+Ubuntu22.04+思岚RPLIDAR C1激光雷达SDK编译与实战指南

本文提供了一份详细的树莓派4B与Ubuntu 22.04系统下,思岚RPLIDAR C1激光雷达的SDK编译与实战指南。内容涵盖环境准备、设备连接、SDK本地编译、测试程序运行及常见问题排查,旨在帮助开发者和机器人爱好者快速搭建激光雷达开发环境,实现基础的环境感知功能。

weixin_29164185的博客 572

树莓派4B+Ubuntu22.04+思岚RPLIDAR C1激光雷达SDK实战指南

本文详细介绍了在树莓派4B上配置Ubuntu22.04系统并集成思岚RPLIDAR C1激光雷达SDK的实战指南。从硬件解析、环境配置到SDK编译和示例程序优化,提供了全面的技术方案和常见问题解决方案,帮助开发者快速实现激光雷达在机器人导航和室内建图等场景的应用。

weixin_30335575的博客 456

树莓派AGV避障系统实战:激光雷达+视觉融合与ROS2建图导航

自主移动机器人(AGV)的核心能力在于环境感知与实时避障,其技术实现涉及传感器选型、数据融合与路径规划等多个层面。在常见方案中,单线激光雷达以测距精准、不受光照影响等优势成为主流选择,而视觉模块则能有效弥补雷达平面盲区,二者融合可构建更稳健的感知系统。与此同时,基于图优化的Cartographer建图算法与成本地图膨胀层机制,为机器人在复杂环境中的安全通行提供了基础保障,而A*算法与动态窗口法(DWA)则分别负责全局路径搜索与局部动态避障。近年来,低功耗端侧AI视觉模块的发展,更为电池供电的移动平台带来了轻

weixin_33816821的博客 416

Ubuntu22.04+ROS2 Humble下Cartographer纯雷达建图实战

SLAM(同步定位与建图)是机器人自主导航的核心基础技术,其原理依赖激光雷达点云匹配与非线性优化求解位姿轨迹;Cartographer作为主流开源SLAM框架,以高精度闭环检测和子图优化著称,技术价值在于无需IMU或里程计即可实现稳定建图;典型应用场景包括服务机器人、巡检小车及高校实验平台的低成本部署;本文聚焦纯雷达SLAM这一工程难点,结合Ubuntu22.04系统兼容性、ROS2 Humble桥接适配与Cartographer参数精调三大关键环节,提供可复现的建图落地路径。

weixin_30872577的博客 114

树莓派机器人开发全攻略:从硬件选型到ROS2实战

嵌入式系统开发是机器人、物联网等领域的核心技术,其核心在于通过微处理器或微型计算机实现对物理世界的感知与控制。其工作原理通常基于传感器数据采集、中央处理器决策与执行器驱动反馈的闭环。该技术的核心价值在于将软件智能与硬件执行紧密结合,实现自动化与智能化。在机器人开发领域,树莓派因其完整的Linux生态和丰富的GPIO接口,成为连接高级算法与底层硬件的理想平台。通过集成计算机视觉库(如OpenCV)和机器人操作系统(如ROS2),开发者可以高效构建具备环境感知、自主导航等能力的智能体。本文聚焦于利用树莓派这一平

weixin_33853827的博客 620

ExpressLRS 915MHz vs 2.4GHz:实测对比与TX12遥控器的最佳搭配方案

本文深入对比了ExpressLRS 915MHz与2.4GHz两种频段在穿透能力、延迟、抗干扰等方面的实测表现,并结合RadioMaster TX12遥控器的硬件特性,提供了从微型花飞到极限远航等不同场景下的最佳搭配方案与EdgeTX系统配置指南,帮助FPV玩家根据核心飞行需求做出精准选择。

milk8的博客 448

LightTools宏 vs Python API:光学仿真自动化方案选型指南

本文深入对比了LightTools光学仿真自动化中VBA宏与Python API两种方案。VBA宏内嵌易用,适合固定流程批处理;Python API生态强大,尤其在参数优化算法集成方面优势显著,便于构建复杂工作流。文章结合案例,为不同场景下的技术选型提供清晰指南。

garlic的博客 944

【Clickhouse从入门到精通】第60篇:ClickHouse生态总结与未来展望

ClickHouse系列收官总结 本文作为《ClickHouse从入门到精通》系列的第60篇收官之作,系统回顾了整个系列的知识体系。文章从基础概念到高级应用,全面梳理了ClickHouse的核心技术: 知识体系:完整回顾了60篇文章的知识图谱,包括列式存储原理、MergeTree引擎家族、分布式架构等核心内容 生态工具:详细盘点了ClickHouse的企业版工具、运维监控、数据集成和可视化方案 版本演进:分析了从21.x到24.x的主要版本特性升级 未来趋势:展望了向量化引擎、湖仓一体、AI集成等发展方向

xyghehehehe的专栏 449

adams案例分析_案例1(麦弗逊悬架子系统创建)

本文字数3292字83图,建议阅读时间26分钟首先看下案例1的麦弗逊悬架数模结构就不细讲了,从数模上主要是获取硬点坐标(铰接点、安装点、参考点)及大部件结构(副车架、摆臂、转向节等实际运动过程中会产生变形的部件,在ADAMS Car中我们就可以用柔性体来搭建)再来回顾下上一篇讲到的模型元素1、Hardpoint——硬点(只有位置没有方向)2、Parameter Variable——参数...

weixin_39609407的博客 6481

散户渡劫指南:从炼气期到化神期的量化之路

经常有人问我普通人怎么学习量化交易,我就在想怎么学了量化就不是普通人了吗,可能他的意思是类比修仙,量化素人如何修炼进阶,今天就将量化学习每个阶段均对标修仙境界的核心能力与心法要诀一一介绍,助你从“交易凡人”蜕变为“量化金仙”。

木头大左的博客 1341

使用lightGBM进行数据建模及预测

在机器学习领域中,数据建模和预测一直是非常重要的任务。而lightGBM作为一种基于梯度提升算法的高效机器学习框架,被广泛应用于数据建模和预测中。本文将介绍如何使用lightGBM进行数据建模和预测。到此,我们已经成功使用lightGBM对数据进行了建模和预测。使用lightGBM可以快速、高效地完成数据建模和预测任务,是机器学习领域中不可或缺的工具之一。使用lightGBM进行数据建模及预测。

qq_37934722的博客 1020

[网络安全提高篇] 一二〇.恶意软件动态分析经典沙箱Cape批量提取动态API特征

这是作者网络安全自学教程系列,主要是关于安全工具和实践操作的在线笔记,特分享出来与博友们学习,希望您喜欢,一起进步。前文详细介绍动态分析沙箱Cape的安装过程,其是一个开源的自动恶意软件分析系统,通过自动运行和分析恶意软件,全面分析和提取恶意软件的关键特征。然而,当样本数量增加时,单个样本分析会降低效率。这篇文章将讲解如何实现Cape沙箱的批量分析,通过调用Python脚本文件来实施批量处理,并将分析结果存储在指定位置,最后补充submit.py的参数及Python调用方式。基础性文章,希望对您有帮助!

杨秀璋的专栏 4126

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

vb 6.0并口开发操作实例

vb6并口开发,简体中文,试例内有inpout32.dll动态链接库

上一篇: volatile和synchronized区别:Java与C语言关键字详解
下一篇: ONNX模型结构深度解析:ModelProto、GraphProto与TensorProto三重解剖
weixin_33904756
博客等级 码龄11年 6477粉丝 1241原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址