深度学习模型对于算力要求较高,为了能在算力羸弱的移动端进行部署,必须对原模型进行量化压缩,从而提升模型的计算性能,而TensorFlow Lite是一种用于设备端推断的开源深度学习框架,其能将TensorFlow模型转换为压缩的 FlatBuffer 文件,并通过将 32 位浮点数转换为更高效的 8 位整数进行量化,以到达模型快速运算的效果 . 伴随着深度学习技术的广泛使用,越来越多的深度学习模型被部署到移动端或IoT设备上运行,对于从事人工智能研发的相关人员,掌握对应的移动端开发技术是十分必要的,也将对自己的职业生涯产生极大的促进作用！ 本课程将从TensorFlow Lite的基本组件及特性讲起，并结合丰富的技术实战案例，让您深入了解并掌握TensorFlow Lite的使用方法！

用于DNA序列分析，以及引物设计，限制性酶切酶设计等

按照elastic-job-lite 2.1.4版源码打的包，为大家节省时间

android studio 3.+使用tensorflow lite将pb文件应用于android端-附件资源

采用D*Lite算法规划出的路径并不平滑,且预规路径与障碍物均十分接近.除此之外,在动态环境下时,由D*Lite算法重规划得到的路径也离障碍物距离很近,十分容易发生碰撞.针对此问题,引入懒惰视线算法与距离变换相结合的方法改进D*Lite算法.首先,对地图进行距离变换,并引入距离值的启发式代价,使得距离障碍物较远的节点优先被选择.然后,在扩展节点时引入视线算法,增加本地父亲节点和远程父亲节点的概念,使得路径不局限于八邻域扩展,从而进化为任意角度路径规划算法;最后,在遇到未知障碍物时进行局部距离变换,结合启发距离值信息进行重规划,使得重规划得到的路径远离突现的障碍物.仿真实验表明,在不同环境下规划所得到的路径均十分平滑与安全.

arm-linux-gcc,好不容易找到的，大家可以自行下载试试

X-lite是一软功能强大，性能稳定的免费SIP软电话。对呼叫中心电脑软电话座席，如果没有特别的软电话需求，建议尽量使用X-lite软电话做为电话客户端。

本工程为VIVADO 2017.04版本，先自定义AXI_LITE slave IP，顶层文件调用该IP，通过状态机对该从器件进行读写操作，并编写testbench，观察仿真波形，读写数据一致。

内存缓存精简版 memcached-lite是一个用于 Node.JS 的轻量级和快速的memcached 客户端。 它的开发是由于一些痛点和替代方案。 它仍在积极开发中，而且还没有像这样的替代品那样成熟。 谨慎使用。 使用二进制 memcached 协议而不是 ASCII 版本。 使用一致的散列算法在多个 memcached 服务器上分发密钥。 内置自动重新连接/故障转移机制。 流水线请求以提高吞吐量。 可以池连接。 安装 npm install memcached-lite 连接 var memcached = require ( "memcached-lite" ) ; var client = memcached ( servers , options ) ; 服务器 服务器列表可以是字符串、数组或对象。 这是直接基于和兼容的。 字符串：单个服务器。 使用hostn

4路车载录像机8M固件，版号MDVR-LITE-V73-20171127