0引言年前买了一个MAX30102模块，在家无聊做了这个demo对一些相关的知识进行学习。主要学习的内容：光体积变化描记图（Photoplethysmogram,PPG）测量原理学习。ESP32IDF平台的MAX30102驱动开发，主要是初始化配置与FIFO数据读取。Pyqt利用pyqtgraph进行数据绘制。实现的效果：实现的思路：ESP32完成MAX30102的初始化配置与红光/红外光数据采集。Pyqt上位机完成数据显示与简单的解析，得到心率与血氧。由于解析算法非常简单暴力，而且运行逻辑也不完善，所以只有手指位置比较好才能测量得到结果。心率基本上正确，血氧图一乐。ESP-IDF平台的学习记
0引言年前买了一个MAX30102模块，在家无聊做了这个demo对一些相关的知识进行学习。主要学习的内容：光体积变化描记图（Photoplethysmogram,PPG）测量原理学习。ESP32IDF平台的MAX30102驱动开发，主要是初始化配置与FIFO数据读取。Pyqt利用pyqtgraph进行数据绘制。实现的效果：实现的思路：ESP32完成MAX30102的初始化配置与红光/红外光数据采集。Pyqt上位机完成数据显示与简单的解析，得到心率与血氧。由于解析算法非常简单暴力，而且运行逻辑也不完善，所以只有手指位置比较好才能测量得到结果。心率基本上正确，血氧图一乐。ESP-IDF平台的学习记
文章目录1.TF-IDF原理1.1计算公式1.2示例说明1.2.1计算TF1.2.2计算IDF1.2.3TF-IDF计算2.Elasticsearch打分机制2.1示例说明2.2计算TF值2.3计算IDF值2.4计算文档得分2.5增加新的文档测试得分3.案列3.1需求3.2准备数据3.3查询数据Elasticsearch的得分机制是一个基于词频和逆文档词频的公式，简称为TF-IDF公式，所以先来研究下TF-IDF原理。1.TF-IDF原理TF-IDF的英文全称是：TermFrequency-InverseDocumentFrequency，中文名称词频-逆文档频率。常用于文本挖掘，资讯检索等应
文章目录1.TF-IDF原理1.1计算公式1.2示例说明1.2.1计算TF1.2.2计算IDF1.2.3TF-IDF计算2.Elasticsearch打分机制2.1示例说明2.2计算TF值2.3计算IDF值2.4计算文档得分2.5增加新的文档测试得分3.案列3.1需求3.2准备数据3.3查询数据Elasticsearch的得分机制是一个基于词频和逆文档词频的公式，简称为TF-IDF公式，所以先来研究下TF-IDF原理。1.TF-IDF原理TF-IDF的英文全称是：TermFrequency-InverseDocumentFrequency，中文名称词频-逆文档频率。常用于文本挖掘，资讯检索等应
之前尝试复现学姐前几年的一个工作，但是因为框架有点古老而作罢。然鹅，自己的实验结果一直跑得十分奇怪，为了去学姐的代码中寻找参考，今天再次进行了尝试。我的需求是安装Tensorflow_gpu_1.6.0（文中简称TensorFlow），目前机器已配置cuda11和cuda10，非root用户。目录前置疑问Q1:为什么安装TensorFlow需要重装CUDA？Q2:nvidia-smi和nvcc-V显示的不是同一版本CUDA？Q3:用conda装CUDA不可以吗？结论0安装之前——检查机器配置（非root用户）查询目标配置检查机器配置安装顺序1安装gcc1.1下载gcc(以gcc6.4.0为例)
之前尝试复现学姐前几年的一个工作，但是因为框架有点古老而作罢。然鹅，自己的实验结果一直跑得十分奇怪，为了去学姐的代码中寻找参考，今天再次进行了尝试。我的需求是安装Tensorflow_gpu_1.6.0（文中简称TensorFlow），目前机器已配置cuda11和cuda10，非root用户。目录前置疑问Q1:为什么安装TensorFlow需要重装CUDA？Q2:nvidia-smi和nvcc-V显示的不是同一版本CUDA？Q3:用conda装CUDA不可以吗？结论0安装之前——检查机器配置（非root用户）查询目标配置检查机器配置安装顺序1安装gcc1.1下载gcc(以gcc6.4.0为例)
本文作者：李杰TF计算图从逻辑层来讲，由op与tensor构成。op是项点代表计算单元，tensor是边代表op之间流动的数据内容，两者配合以数据流图的形式来表达计算图。那么op对应的物理层实现是什么？TF中有哪些op，以及各自的适用场景是什么？op到底是如何运行的？接下来让我们一起探索和回答这些问题。一、初识op1.1op定义op代表计算图中的节点，是tf.Operation对象，代表一个计算单元。用户在创建模型和训练代码时，会创建一系列op及其依赖关系，并将这些op和依赖添加到tf.Graph对象中（一般为默认图）。比如：tf.matmul()就是一个op，它有两个输入tensor和一个输
本文作者：李杰TF计算图从逻辑层来讲，由op与tensor构成。op是项点代表计算单元，tensor是边代表op之间流动的数据内容，两者配合以数据流图的形式来表达计算图。那么op对应的物理层实现是什么？TF中有哪些op，以及各自的适用场景是什么？op到底是如何运行的？接下来让我们一起探索和回答这些问题。一、初识op1.1op定义op代表计算图中的节点，是tf.Operation对象，代表一个计算单元。用户在创建模型和训练代码时，会创建一系列op及其依赖关系，并将这些op和依赖添加到tf.Graph对象中（一般为默认图）。比如：tf.matmul()就是一个op，它有两个输入tensor和一个输
引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
