散分了，求一个学习方向？？

yangxingkuan 2006-04-18 05:05:31
我问题太多，没有什么分了，请大家原谅？
说我自己吧，
计算机专业，学校课很多，基本软件硬件都开，
向这些课都学过
1.数电模电,计算机接口,组成原理,汇编
2.实时操作系统原理,C语言,数据结构

现在大3，大3第一个学期开始学VC，
现在基本懂了VC（当然还是菜鸟），我想将来要不用VC作软件，要不就作嵌入式，当然
现在还在学VC，熟练掌握VC很难，但是我也想学嵌入式，毕竟将来好选择一点，
现在学校再开，uc/os-II，当然竟然决定走嵌入式，就应该深入学习，因为uc/os-II好像并不广，
我先顺着课学一下，然后全力学习，向wince，uclinx，vxwork中间的一个发展
本来打算学wince，因为学了VC，看EVC时有一些基本能看懂。但好像，wince前景比不上其它2个，
求指点嵌入式的学习方向，指点看哪些经典的书籍？？
已经基本的入门过程？？


...全文
503 18 打赏 收藏 举报
写回复
用AI写文章
18 条回复
切换为时间正序
请发表友善的回复…
发表回复
fengzhiyi1 2006-07-10
  • 打赏
  • 举报
 回复
嵌入式 有前途
blooney 2006-06-28
  • 打赏
  • 举报
 回复
这个你看看

http://blog.sina.com.cn/u/1240903523

我的一个朋友的博克，刚写的
铖邑 2006-06-28
  • 打赏
  • 举报
 回复
up
FirerFirerFirer 2006-06-21
  • 打赏
  • 举报
 回复
練好九陽神功，再去學其它門派的絕技，只不過是幾個時辰的問題。
sharpfire 2006-06-20
  • 打赏
  • 举报
 回复
目前通讯比较不错，楼主可以考虑下。
sporter523 2006-06-18
  • 打赏
  • 举报
 回复
顶起
再见理想 2006-06-17
  • 打赏
  • 举报
 回复
学嵌入式嘛，学好C/C++就可以啦
操作系统学学原理，然后实践一下
老之 2006-06-17
  • 打赏
  • 举报
 回复
jf
maomaobangchui 2006-06-15
  • 打赏
  • 举报
 回复
jf
daisy122 2006-06-15
  • 打赏
  • 举报
 回复
我也是软件转嵌入式，感觉对后者比较感兴趣，帮楼主顶。
zgw 2006-06-14
  • 打赏
  • 举报
 回复
接分
yangxingkuan 2006-04-23
  • 打赏
  • 举报
 回复
VC不如嵌入试赚得多，因此有兴趣闯
suyun9329 2006-04-23
  • 打赏
  • 举报
 回复
AGREE TO UP FLOOR
wanghi 2006-04-23
  • 打赏
  • 举报
 回复
还是先注重基础比较好！！

dingzhihui 2006-04-23
  • 打赏
  • 举报
 回复
如果把vc学好的话，前途也是一片光明呀
davidlhy 2006-04-23
  • 打赏
  • 举报
 回复
目前通讯比较不错，楼主可以考虑下。
nowhere_man 2006-04-21
  • 打赏
  • 举报
 回复
对，作嵌入式关键就是相关应用。
TheSaviour 2006-04-18
  • 打赏
  • 举报
 回复
不要把精力过多放在os上，多研究一些目前用的比较广的协议，通讯是硬道理。
深度学习中的KL散度
KL散度（Kullback-Leibler Divergence），也称为相对熵，是信息论中的一个概念，用于衡量两个概率分布间的差异。它起源于统计学家Kullback和Leibler的工作，它的本质是衡量在用一个分布来近似另一个分布时，引入的信息损失或者说误差。在机器学习、深度学习领域中，KL散度被广泛运用于变分自编码器中(Variational AutoEncoder,简称VAE)、EM算法、GAN网络中。
搞懂偏导数、方向导数、梯度、散度、旋度
由于学习多变量微积分和电磁学时没有意识到数学基础的重要性，我对于矢量代数的理解一直不够透彻。近日需要处理一些有关波导的问题，但是我由于一些概念没有搞清楚，在矢量方程的变换上吃了些亏。因此，在此我总结一下有关矢量代数的几个概念。 以下内容参考教材以及维基百科。 偏导数 Partial derivative 一个多变量函数的偏导数就是它在其它变量保持不变时，关于某一个变量的导数。它的记法有很多，两个变...
机器学习：KL散度详解
KL散度；Jensen不等式；凸函数
DL：RBM学习算法——Gibbs采样、变分方法、对比散度、模拟退火
RBM学习方法 当前在对RBM 的研究中，典型的学习方法有Gibbs 采样(Gibbs sampling)算法，变分近似方法(variational approach)，对比散度(contrastive divergence,CD)算法，模拟退火(simulate annealing) 算法等。下面对这些方法进行对比。 1、Gibbs采样算法 （1）简介 G
正向KL散度与反向KL散度
KL散度的公式是 KL[p(x)∣∣q(x)]=∫xp(x)logp(x)q(x)dx KL[p(x)||q(x)] = \int_{x}p(x)log{p(x) \over q(x)}dx KL[p(x)∣∣q(x)]=∫x​p(x)logq(x)p(x)​dx 假设真实分布为p(x)p(x)p(x)，我们想用分布q(x)q(x)q(x)去近似p(x)p(x)p(x)，我们很容易想到用最小化KL散度来求，但由于KL散度是不对称的，所以并不是真正意义上的距离，那么我们是应该用KL[p∣∣q]KL[p||q]
非技术区

1,076

社区成员

6,258

社区内容

发帖
与我相关
我的任务
社区描述
硬件/嵌入开发 非技术区
社区管理员
  • 非技术区社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章