简介

笔者最近初学K210上的视觉处理模块，但发现K210 C SDK的资料比较少。后来发现了开源项目MaxiPy，它是个学习K210 C SDK极佳例子，遂直接读其源码，不仅收获到底层SDK使用方法，还了解到用C写Python模块的方法。

在硬件上跑一行Python语句，底层其实都是调用C代码。那么C底层和Python之间到底怎样对应起来呢？此文告诉你如何基于MaxiPy这个项目，用C语言编写Python底层，按本文步骤操作下来，开发Python底层模块就像填空题一样简单！

作者申明：该文章仅在微信平台授权给公众号Datawhale（ID：Datawhale）首发原创（地址：https://mp.weixin.qq.com/s/jXSfMhDG5PdqG9o1jQikcw ），其他平台暂无授权。

训练目标检测模型并部署到你的嵌入式设备，让边缘设备长“眼睛”

目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。目标检测已应用到诸多领域，比如如安防、无人销售、自动驾驶和军事等。在许多情况下，运行目标检测程序的设备并不是常用的电脑，而是仅包含必要外设的嵌入式设备。别看嵌入式设备简陋，但在上面照样能够跑程序，实现我们的想法。设计一个嵌入式AI产品产品，一般会首先考虑成本，在有限的成本内充分利用硬件的性能。因此，不同高低性能的硬件使用场景各不同。

作者申明：该文章仅在微信平台授权给公众号Datawhale（ID：Datawhale）首发原创（地址：https://mp.weixin.qq.com/s/oTLPzmlChxoXDziurl38-Q ），其他平台暂无授权。

如何将深度学习算法部署到嵌入式设备？本文将带给你一个从Pytorch平台训练，到部署到嵌入式设备K210的完整方案。章节之间跨度大，知识点相对独立，欢迎点赞收藏慢慢看！跟着本文做完，你也可以做一个自己的嵌入式AI小产品！

数学建模比赛是本、硕学生参加频次较高一个比赛，其奖项也具有一定的含金量。笔者在研究生期间参加过两次华为杯数模，先后得到二等奖和一等奖。本文会结合笔者自身经验，并从一个开发者的角度，分享该以怎样的工作流来提高团队合作的效率。

前言

ssh相当于windows上的远程桌面连接，但没有桌面，只有文字终端。ssh是许多Linux使用者入门时必学的一个命令。借助ssh，开发人员可以很方便地连接远程或是局域网的其他电脑，直接在上面进行开发工作。

导读

相信许多读者体验过b站上的全景视频，如果还没有，快来体验一下吧[1]！只需鼠标点击并移动，便可360度无死角的浏览全景视频。全景图像，又称360°全景图，其数据分布在球面空间上。如下图所示，如果将全景图像展开则会造成畸变，因此，直接将传统二维平面图像处理方法应用到球面数据上，其效果则会大大降低。要解决分布在球面空间上的数据，需要特定的方法，比如球面卷积网络。本文手把手带你实践一个有趣的应用——全景图像语义分割，并对多种传统CNN方法和球面CNN方法进行对比。

前言

2017年，Hinton团队提出胶囊网络，首次将标量型网络扩展到矢量，并运用动态路由方式来进行胶囊之间的传递计算。提出的矢量神经元被认为具有保留物体姿态的能力，为神经网络带来了等变性(equivariance)。本着learning by doing的态度，笔者尝试对这一篇论文进行复现。本文不会对其原论文原理和思想有太多解释。在保证工程性和完整性的同时，尽可能记录自己在实现过程中的总结和反思。Anyway，实现过程也许会有一些bug，欢迎交流和提交issue~

前言

本次动手实现论文《stacked capsule autoencoders》的pytorch版本。这篇论文的原作者开源了TensorFlow版本[1]，其细节和工程性都挺不错，是个参考的好范本（做研究建议直接参考原项目）。关于pytorch的实现，github也开源了相关例子[2,3,4]，但这些都只实现了原文第二个实验。本文是对其原文第一个实验的复现笔记，后续也计划复现第二个实验。

前言

博客写完了，也许你希望将生成的静态页面放在github仓库里，亦或是自己购买的公网主机上。之前一直觉得需要使用类似webhook的方式进行更新，其实根本没有必要，直接在按hexo的要求配置即可。

前言

Horovod是Uber公司研发的分布式训练框架，今天，我们学习如何利用horovod在多台机器的多张显卡，完成分布式训练。本文介绍该框架从安装到应用的相关细节。本文以及我写的安装脚本也同步在我的github上[1]。