本书以工程实践为导向，从平台选择到编译安装ns-3，从设计开发仿真脚本到收集、统计和分析仿真数据，从ns-3内核模块再到其他上层重要模块，深入浅出地介绍了ns-3的相关重要内容，并且配备大量示例，以供读者参考。 本书既适合从事计算机网络研究的科研人员，也适合从事计算机网络设计、开发的工程人员；同时，在本科生和研究生的计算机网络理论和实验教学中也可以使用ns-3。

本文对NS-3支持的几个路由协议进行了总结，介绍了各个路由协议的使用环境及特点，总结了相关API，对NS-3仿真路由方面有很大帮助。

自己移植到ARM-linux下，测试可用，包括源码，makefile文件，编译出的so文件libwebrtc_audio.so，移植后的头文件webrtc_api.h，测试用例WebRtcAudioTest.c（包括AGC，AEC，NS的使用方法）及编译出的可执行文件webrtc_aec，还有一些测试所用的音频资源文件 如果系统或者cpu不一样，需要修改makefile

深度可分离卷积神经网络1. 深度可分离卷积网络介绍1. 1 深度可分离卷积网络与普通卷积网络1.2 普通卷积与深度可分离卷积计算量对比2. 深度可分离卷积网络实现2.1 导入相应的库2.2 数据集的加载与处理2.3 构建模型2.4 2.4 模型的编译与训练2.5 学习曲线绘制2.6 模型验证 1. 深度可分离卷积网络介绍 1. 1 深度可分离卷积网络与普通卷积网络 深度可分离卷积神经网络是卷积神经网络的一个变种，可以对卷积神经网络进行替代。对于普通的卷积申请网络，如下图左边部分所示，由卷积层，批归一化操作与激活函数构成的。对于深度可分离卷积网络，它是由一个3×3深度可分离的卷积层，批归一化，

手写数字识别算法的设计与实现 本文使用python基于TensorFlow设计手写数字识别算法，并编程实现GUI界面，构建手写数字识别系统。这是本人的本科毕业论文课题，当然，这个也是机器学习的基本问题。本博文不会以论文的形式展现，而是以编程实战完成机器学习项目的角度去描述。 项目要求：本文主要解决的问题是手写数字识别，最终要完成一个识别系统。 设计识别率高的算法，实现快速识别的系统。 1 LeNet-5模型的介绍 本文实现手写数字识别，使用的是卷积神经网络，建模思想来自LeNet-5，如下图所示： 这是原始的应用于手写数字识别的网络，我认为这也是最简单的深度网络。 LeNet-5不包括

ReSpeaker USB 4麦克风阵列 在可用 ReSpeaker USB 4麦克风阵列是ReSpeaker USB 6 + 1麦克风阵列的后继产品。 它具有比6 + 1麦克风阵列更好的内置音频处理算法，因此尽管它只有4个麦克风，但具有更好的音频记录质量。 特征 4个麦克风 12个RGB LED USB 内置AEC，VAD，DOA，波束成形和NS 16000采样率 用法 建议使用测试音频录制。 为Windows安装DFU和LED控制驱动程序 在Linux和macOS上，USB 4麦克风阵列即可使用。 在Windows上，无需安装驱动程序也可以进行音频记录和播放。 但是，为了在Windows上升级设备的固件或控制LED以及DSP参数的LED，需要libusb-win32驱动程序。 我们SEEED DFU为SEEED DFU和SEEED Control安装libusb-win32驱动

素数n-s图片.png

该PPT为柯志亨老师在2006年在哈尔滨工业大学演讲时做的，内容丰富。包括NS2介绍 安装 模拟流程以及添加新协议的过程 对学习NS2的人很有帮助

利用Tensorflow训练好的模型，图片进行预测和识别，并输出相应的标签和预测概率。 如果想要多张图片，可以进行批次加载和预测，这里仅用单张图片进行演示。 模型文件： 预测图片： 这里直接贴代码，都有注释，应该很好理解 import tensorflow as tf import inference image_size = 128 # 输入层图片大小 # 模型保存的路径和文件名 MODEL_SAVE_PATH = model/ MODEL_NAME = model.ckpt # 加载需要预测的图片 image_data = tf.gfile.FastGFile(./data

议程： -) 如果 (x - x *)，则结果被认为是正确的。 normInf() ...，以及运算符：:) << ----- 以前 ----- >> 如何准备测试：编辑配置 -> 添加新 -> JUnit 测试类型：Class / All in package 取决于您是要单独运行测试还是一次运行所有测试 在左侧窗格中，将测试文件夹标记为测试文件夹（右键单击 -> 掩码目录为 -> 测试源根目录） 将 JUnix 4 添加到库列表中（这可以通过将光标放在任何类的内容内，然后按 Ctrl + Shift