系统学习

本文由Zouxy责编，全面介绍了深度学习的发展历史及其在各个领域的应用，并解释了深度学习的基本思想，深度与浅度学习的区别和深度学习与神经网络之间的关系。 深度学习 ， 即Deep Learning,是一种学习算法（Learning algorithm）,亦是人工智能领域的一个重要分支。从快速发展到实际应用，短短几年时间里，深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，渐渐形成了一种从训练数据出发，经过一个端到端（end-to-end）的模型，然后直接输出得到最终结果的一种新模式。那么，深度学习有多深？学了究竟有几分？本文将带你领略深度学习高端范儿背后的方法与过程。 一、概述 二、背景 三、人脑视觉机理 四、关于特征 4.1、特征表示的粒度 4.2、初级（浅层）特征表示 4.3、结构性特征表示 4.4、需要有多少个特征？ 五、Deep Learning的基本思想 六、浅层学习（Shallow Learning）和深度学习（Deep Learning） 七、Deep learning与Neural Network 八、Deep learning训练过程 8.1、传统神经网络的训练方法 8.2、deep learning训练过程 九、Deep Learning的常用模型或者方法 9.1、AutoEncoder自动编码器 9.2、Sparse Coding稀疏编码 9

Linux处理目录的常用命令 ls: 列出目录 cd：切换目录 pwd：显示目前的目录 mkdir：创建一个新的目录 rmdir：删除一个空的目录 cp: 复制文件或目录 rm: 移除文件或目录 mv: 移动文件与目录，或修改文件与目录的名称 想详细学习各个命令 添加链接描述 Linux常见目录的解释： /bin： bin是Binary的缩写, 这个目录存放着最经常使用的命令。 /boot： 这里存放的是启动Linux时使用的一些核心文件，包括一些连接文件以及镜像文件。 /dev ： dev是Device(设备)的缩写, 该目录下存放的是Linux的外部设备，在Linux中访问设备的方式和访问文件的方式是相同的。 /etc： 这个目录用来存放所有的系统管理所需要的配置文件和子目录。 /home： 用户的主目录，在Linux中，每个用户都有一个自己的目录，一般该目录名是以用户的账号命名的。 /lib： 这个目录里存放着系统最基本的动态连接共享库，其作用类似于Windows里的DLL文件。几乎所有的应用程序都需要用到这些共享库。 /lost+found： 这个目录一般情况下是空的，当系统非法关机后，这里就存放了一些文件。 /media： linux系统会自动识别一些设备，例如U盘、光驱等等，当识别后，linux会把识别的设备挂载到这个目录下。 /mnt：

参考：https://v22.wiki.optitrack.com/index.php?title=Rigid_Body_Tracking 一、动捕系统marker点放置 如果利用动补系统建立刚体时，需要注意以下几点： 至少3个以上标记点，每个不一样，每个不对称，且有高度变化 。 数量 刚体标记点至少3个，但是推荐 4~12 个。 不对称 标记点放置应 避免对称 形状，可能发生翻转。 唯一性 跟踪多个对象时，应使用 独特 的标记点（避免几何一致性）的位置，降低解算负荷，提高跟踪的稳定度，导致标签错误。 可引入独特性的方式 独特的排列顺序 形状 。 唯一的标记到 标记距离 。 唯一 标记数 。 变化高度 。 二、刚体操作 创建刚体 ：在3D视角中选中标记点，create from selected markes。 修改属性 ：在properties中进行修改，可修改ID和名称。 数据显示 ： Info pane 窗口可以实时显示刚体的信息数据（此处的欧拉角存在定义不一致的情况，在无人机中不能直接使用Optitrack系统的欧拉角，可以使用四元数） 来源： CSDN 作者： 后厂村路蔡徐坤 链接： https://blog.csdn.net/zeye5731/article/details/104107103

从刚毕业到目前所在公司，差不多6年了，想想这六年里面，自己的能力和刚毕业比有了很大的提升，但是现在在什么能力上，我不知道，毕竟没有去过别的公司。最近也在思考自己未来，算是比较迷茫阶段。趁最近比较闲，顺便整理一下自己的职业路程 刚毕业阶段---工作一年半 　　刚毕业进入公司，公司的规模还算比较小的，那个时候觉得很开心，过的也比较充实，自己的任务就是写代码，读代码。在那个时候，自己的能力提升的非常快，毕竟在学校里面做的项目完全无法和公司的所在的项目类比。公司有一套自己的框架，在那个时候的我看来，写的非常不错。有很多比较好的编程规范：约定大于配置，强制树状依赖，多工程模型，但是也存在明显的问题，就是大量使用command 模式以及弱参数类型，导致接口上无法很直观定义入参和出参。那个时候第一次接触到正式项目流程，典型的瀑布式模型。这个阶段自己主要的精力就是学习公司的业务，阅读公司的框架的源代码，知道了很apache 开源项目，也是这个时候，能够熟练的使用一般的设计模式。那个时候公司的规模也比较小，经常也会写一下底层的工具类。架构也比较简单，没有所谓的分布式架构，基本上所有的业务逻辑在一个系统里面全部可以找到，排查问题也非常简单。 个人觉得，在这个阶段，是最适合学习的，尤其是自己的编码技能，也是在这个时候最容易提升的。刚毕业出来的时候，人还有一种拼搏的精神，这个时候相对来说各方面压力比较少

值得学习的C语言开源项目 - 1. Webbench Webbench是一个在linux下使用的非常简单的网站压测工具。它使用fork()模拟多个客户端同时访问我们设定的URL，测试网站在压力下工作的性能，最多可以模拟3万个并发连接去测试网站的负载能力。Webbench使用C语言编写, 代码实在太简洁，源码加起来不到600行。 下载链接： http://home.tiscali.cz/~cz210552/webbench.html - 2. Tinyhttpd tinyhttpd是一个超轻量型Http Server，使用C语言开发，全部代码只有502行(包括注释)，附带一个简单的Client，可以通过阅读这段代码理解一个 Http Server 的本质。 下载链接： http://sourceforge.net/projects/tinyhttpd/ - 3. cJSON cJSON是C语言中的一个JSON编解码器，非常轻量级，C文件只有500多行，速度也非常理想。 cJSON也存在几个弱点，虽然功能不是非常强大，但cJSON的小身板和速度是最值得赞赏的。其代码被非常好地维护着，结构也简单易懂，可以作为一个非常好的C语言项目进行学习。 项目主页: http://sourceforge.net/projects/cjson/ - 4. CMockery

人工智能、机器学习及深度学习的起源和发展 发展时间线 第一阶段：人工智能起步期 1956—1980s 1956达特茅斯会议标志AI诞生 1957神经网络Perceptron被罗森布拉特发明 1970受限于计算能力，进入第一个寒冬 第二阶段：专家系统推广 1980s—1990s 1980 XCON专家系统出现，每年节约4000万美元 1986 BP ，Geoffrey Hinton提出了前馈算法，一个通过对输入数据按照重要进行排序的精准神经网络。 1989 卷积，Yann LeCun写了另外一篇旷世之作，描述了卷积神经网络。这些发现突破了计算机难以解决的问题，譬如从一张照片中找到一只猫。 1990——1991 人工智能计算机DARPA没能实现，政府投入缩减，进入第二次低谷 1997 IBM的DeepBlue战胜国际象棋冠军 1997 Schmidhuber发明了长短期记忆网络（LSTM） 第三阶段：深度学习 2000s—至今 2006 Hinton提出“深度学习”的神经网络 2011 苹果的Siri问世，技术上不断创新 2012 Google无人驾驶汽车上路（2009年宣布） 2012年，计算机视觉界顶级比赛ILSVRC中，多伦多大学Hinton团队所提出的深度卷积神经网络结构AlexNet一鸣惊人，同时也拉开了深度卷积神经网络在计算机视觉领域广泛应用的序幕。成功原因 大量数据，

Linux操作系统相比于十年前的普及程度已经有了大大提高，但是由于其桌面操作系统上的可视化窗口操作模式并不像Windows操作系统那样直观、完美，对于一些刚接触Linux的人或者初学者来说入手还是有一定的难度，所以其发展并不是那么迅速。 更多内容学习 点击我 但是近年来Linux已经越来越受到重用，它不再仅仅是一些开源发烧友们之间炫耀资本，而且已经在多方面价值得到了体现，尤其在服务器操作系统方面，已经成为资深运维工程师的首选的操作工具。 随着计算机行业的迅速发展，相信Linux操作系统将不仅仅只停留在平台应用上，他将会在更广的空间展现他那独有的优势与魅力。 现在对于大多数中国的电脑用户，很少有人自己用Linux操作系统的，而且还有相当一部分人甚至是第一次听说Linux。但这并不奇怪，即使在很多大学生眼里也大都如此。在你们眼里只有Windows，只有微软，比尔盖茨是你们大多数人的偶像。 那是微软先入为主的观念造成的，就如我们学习英语一样，如过我们生下来就用英语讲话，周围的人说的也都是英语，那么英语也就自然而然的学会了。而且像汉语一样受我们喜欢。 有资深Linux用户就吐槽：连Linux都学不会，智商真低！ 有程序员哥哥说：公开场合不要去扯智商，有歧视之嫌。但都是搞技术，你智商咋样，瞒不过别人的眼睛。看看你的代码就知道，和语言无关。 有Linux用户说

为什么要有ROS2—ROS1是什么 ROS1的局限 ROS1的困境 ROS2的曙光 ROS2的版本进化 ROS2是什么 ROS2的目标 ROS2的架构 DDS是什么 ROS1的通信模型 ROS2的通信模型 ROS2的质量服务原则QoS ROS2的编译系统 如何安装ROS2 最新的ros2安装： https://index.ros.org/doc/ros2/Installation/#installationguide 。根据指示安装，推荐Debian安装。支持官网同步更新。 可以在ros2官网上找。 ROS2安装功能包 ROS2结构目录 我安了最新的eloquent版本 ROS2 帮助信息 添加ros2路径：source /opt/ros/eloquent/setup.bash 会出现警告：说是当前目录是ros1的。忽略就行。 命令行工具 ROS2运行talker与listener ROS2更新较快： https://index.ros.org/doc/ros2/ 有详细教程 ROS2与ROS1的集成 课程总结与展望 来源： https://www.cnblogs.com/vcan123/p/12238781.html

软件源：一个是Ubuntu系统的软件元，在软件更新系统界面服务器的选择。 ROS包安装源：第一步配置的就是ros包安装源。功能包安装不畅可以改软件源，可以加国内的，EXbox的安装源。 在4中如果有找不到库的错误的话，需要我们讲拷贝科大讯飞编译生成的库文件开呗到libs中再试试。因为ros在找库文件时实在几个默认库之中搜索的。 准备工作---硬件要求 机器人必备条件---深度信息 横向切面，每个面可以看作是激光雷达数据。激光雷达精度更高。 机器人必备条件---激光雷达 jiqi人必备条件---仿真环境 ROS SLAM功能包的使用方法---gmapping 深度和里程计信息是最重要的。网站中有很多开源的算法。 gmapping安装（黑盒，只知道输入输出） gmaping原理（栅格地图） 配置给mapping节点 5秒更新一次，如果很小对电脑要求就很高了。 功能包的应用搜索 在百度货谷歌搜索关键词ros gmapping查看wiki上功能包的使用方法。用谷歌浏览器可以翻译成中文。还包括源码在哪儿都会有说明。 功能包启动（下载编译后） 给mapping地图的保存 turtlebot机器人可以用kinect摄像头mapping建图（没有激光雷达准确） 真实机器人gmapping建图 ROS SLAM功能包---hector_slam 激光雷达进度得高。 hector_slam功能包的安装

一、机器视觉 安装usb_cam来显示摄像头图像数据 sudo apt-get install ros-melodic-usb-cam 安装usb_cam其他控制插件加上通配符即可 使用以下命令打开你插入的摄像头： roslaunch usb_cam usb_cam-test.launch 图像显示 树莓派涮熟数据给pc端每秒要几百兆 压缩格式时统一的，符合国际标准。 分布式传输图像时要采用压缩格式，会省很多。 用knict摄像头只能每秒传5帧左右 。 二维摄像头标定 标定后保存的文件位置在computer/tmp/中有个calibrationdata.tar.gz压缩文件，把文件解压缩，会看到采样的有特征点的图片 要用的是ost.yaml文件。 Kinect摄像头标定 标定文件的使用 图像处理ROS+OpenCV 安装opencv，可以按tab查看相关包。 sudo apt-get install ros-melodic-vision-opencv libopencv-dev python-opencv 人脸识别 物体跟踪 二维摄像头二维码识别 用kinect识别二维码 物体识别与机器学习拓展 二、机器语音 语言设别功能包 科大讯飞SDK 科大讯飞语音包下载流程 1、登录官网注册账号 2、注册号后点击资料库SDK下载 3、按规则创建一个工程（刚开始没有这个工程