(1)嵌入式系统-linux (2)使用tvm的opencl后端调用mali-gpu (3)rk3588的mali-gpu安装包：G610

2．1．2浅层学习和深度学习 机器学习的历史阶段的划分可谓仁者见仁智者见智，从不同的角度可以划分为不同 的阶段。按机器学习模型的层次结构来划分，20世纪80年代至今，机器学习的发展可 以说经历了两个阶段：浅层学习(shallow le锄ing)和深度学习(deep leaming)【27】。 大多数传统的机器学习和信号处理技术，都是利用浅层结构的架构‘301。例如高斯混 合模型(GMMs)、线性或非线性动力系统、条件随机场(CRFs)、最大熵(MaXEnt) 模型、支持向量机(SVMs)、Logistic回归、核回归、多层感知机(MLPs)等等都是 浅层结构。这些结构通常包含一层或两层的非线性特征变换，可以看成是具有一层隐含 层或者没有隐含层的结构。浅层结构在解决一些简单的或者受限的问题中显示出了有效 性，但由于其有限的建模和表征能力，在处理更为复杂的实际的应用时，如人的语音、 自然的声音和语言、自然图像和视觉场景这些自然信号时非常困难。 深度网络，是含有多个隐含层结构的网络。通过引入深度网络，我们可以通过学习 一种深层的非线性网络，来实现复杂函数的逼近，从而计算更为复杂的输入特征【311。由 于每一个隐含层可以对上一层的输出进行非线性变换，因此深度网络拥有比浅层网络更 为优异的表达能力，例如可以通过学习得到更为复杂的函数关系，并且表现出了从少数 样本中学习数据的本质特征的能力。 深度网络最主要的优点在于，它能用更加简单的方式来表示比传统浅层网络大得多 的函数集合，而多层的优势是可以利用较少的参数来表示复杂的函数关系。如图所示， 要表达结构复杂的函数蛔(伽《唧(s加3(x))))，用传统的单层结构很难简洁地表示，而 用多隐含层的深层结构，可以用较少的参数表示较为复杂的函数，用多层的简单结构 s伽(工)，x3，e。，cDs(x)，抛(x)来表示上述复杂函数容易很多。 12 zkq 20150924 万方数据

MATLAB开发的LSTM深度学习网络来预测时间序列的工具箱-支持单时间序列和多元时间序列的预测

yolov8n-seg.pt，yolov8s-seg.pt，yolov8m-seg.pt，yolov8l-seg.pt，yolov8x-seg.pt分割预训练权重文件

美国凯斯西储大学（CWRU）数据集：文件名称为数据集类型缩写，便于文件检索

神经网络与深度学习讲义20151211.pdf

2023毕业设计，基于YOLOv5，Qt和Opencv设计的一款图像处理软件，有问题可以私聊我。

每个大点又包括许多的小点，所以学起来还挺费劲的。可能需要一定的学历要求，有一定的知识基础，特别是数学基础，这是必备的知识。 学习时建议先从简单的开始。如果从最难的部分开始的话，很有可能你会气馁，会放弃，所以，不如在学习过程中制定一些小小的可实现的目标，让自己充满动力。 以下是从在这领域学过的大佬得到的经验。 1、选择一种编程语言（至少要学会一门语言） 首先，你得学会一种编程语言。虽然编程语言的选择有很多种，但大部分人都会选择从Python开始，因为Python的库更适用于机器学习。它提供了高效的高级数据结构，还能简单有效地面向对象编程，后面可以学学C或者C++。 “Python是一个不错的选择”，它扮演着科学计算和数据分析的重要角色（拥有如Numpy和SciPy这样的库），同时针对不同的算法，有丰富的库支撑。

内容概要：通过数据集电力变压器油温数据详细的介绍双向LSTM，以及其机制，运行原理，以及如何横向搭配单向的LSTM进行回归问题的解决。 所需数据：在本次的模型所需的数据是电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用 m 标记），每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。 每个数据点均包含8维特征，包括数据点记录日期，预测目标值OT(oil temperature)和6个不同类型功率负载特征。 适合人群：时间序列和深度学习初学者本文的模型比较简单，易于理解。 阅读建议：可以大致阅读以下，本文件只是一个简单实现版本，并不复杂。 能学到什么：能够从本文件当中读懂深度学习的代码实现过程，对于时间序列有一个简单的了解， (PS:如果你使用你自己的数据进行预测需要将时间列和官方数据集保持一致，因为在数据处理部分我添加了一部分特征工程操作，提取了一些时间信息,因为LSTM不支持时间格式的数据输入,需要转化为数字) 如果大家不懂的地方可以看我的文章部分有详细的讲解。

基于深度学习的文本摘要自动生成（自然语言处理）-本科毕业设计，详细代码，过程可见博客