Pull to refresh
3
0
Валерий @ValeriyS

DSP, GPGPU, FPGA, Analog

Send message

Разработка робастного управления сервоприводом

Level of difficultyMedium
Reading time12 min
Views5.4K

Продолжаем открытый проект сервоконтроллера MC50. 

В предыдущей статье была разработана архитектура управления и написана программа сервопривода. Но регулятор был вручную настроен на определенный тип нагрузки. А что делать если тип и динамика нагрузки неизвестны?

Читать далее
Total votes 19: ↑19 and ↓0+19
Comments14

Разработка сервопривода с BLDC мотором

Level of difficultyMedium
Reading time16 min
Views13K

Открытый проект серво‑контроллера MC50 продолжает развиваться. На этот раз поговорим о создании сервопривода.

Сервоприводы в умном доме нужны повсеместно: в запорных кранах, в электрических замках, в моторизированных кронштейнах и столах, в автоматических дверях, калитках, окнах, маркизах, воротах, поворотных видеокамерах, регулируемых креслах, электро‑пандусах и проч. Поэтому технология сервоприводов весьма востребована и тут есть где развернуться творчеству.

Читать далее
Total votes 64: ↑63 and ↓1+62
Comments43

Zynq 7000. Собираем Linux для платы QMtech

Reading time21 min
Views24K

В этой статье я решил сделать небольшое отступление от общей линии повествования и зарулю на дорогу Linux. За то непродолжительное время, что я работаю с Zynq 7000, в тематических чатах я видел много вопросов насчет того, как запустить Linux на отладке. Я в общем-то, недолго думая, сел проштудировал документацию, примеры и завёл его своими руками под ту плату, что у меня есть в распоряжении. После этого я решил обобщить свои знания по этому вопросу и описать процедуру сборки, подготовки загрузочного образа Linux, который включает в себя U-boot, Device Tree Source, RootFS, и само ядро Linux. В дополнение к этому, я решил немного усложнить задачу и выяснил, как можно поморгать светодиодом подключенным к PL-части устройства из пространства пользователя Linux.

Обо всём этом я написал в этой статье. Всем интересующимся - добро пожаловать под кат.

Читать далее
Total votes 18: ↑18 and ↓0+18
Comments17

Что читают основатели криптовалютных стартапов: 23 книги, которые за прошедший год прочел CEO Coinbase

Reading time4 min
Views9.8K
imageВ начале 2016 года CEO Coinbase Брайан Армстронг поставил себе цель читать хотя бы по одной книге в месяц. Исходя из информации в его блоге, ему удалось выполнить и даже перевыполнить свой «план», в основном слушая аудиокниги во время тренировок и поездок за рулем.

Ниже список прочитанных Армстронгом книг с его комментариями. Жирным выделены особенно понравившиеся.



  1. «Сделано, чтобы держаться: почему одни идеи выживают, а другие нет» (Made To Stick: Why Some Ideas Survive and Others Die).
    Книга о том, как сделать месседж запоминающимся, чтобы он быстро распространялся.

  2. «Первый игрок, приготовьтесь» (Ready Player One).
    Захватывающее повествование о возможном варианте развития виртуальной реальности. Люди будут проводить всё больше и больше времени в метавселенной (примечание: и, вероятно, перейдут на электронную валюту).

  3. «Аутсайдеры: восемь необычных CEO и их бескомпромиссно рациональный рецепт успеха» (The Outsiders: Eight Unconventional CEOs and Their Radically Rational Blueprint for Success).
    Истории о восьми CEO и о том как они достигли вершин мастерства в управлении капиталом.

Читать дальше →
Total votes 17: ↑16 and ↓1+15
Comments4

Глубокое обучение для новичков: распознаем изображения с помощью сверточных сетей

Reading time27 min
Views100K

Введение


Представляем вторую статью в серии, задуманной, чтобы помочь быстро разобраться в технологии глубокого обучения; мы будем двигаться от базовых принципов к нетривиальным особенностям с целью получить достойную производительность на двух наборах данных: MNIST (классификация рукописных цифр) и CIFAR-10 (классификация небольших изображений по десяти классам: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик).


Читать дальше →
Total votes 36: ↑35 and ↓1+34
Comments19

Реализация классификации текста свёрточной сетью на keras

Reading time9 min
Views23K
Речь, как ни странно, пойдёт о использующем свёрточную сеть классификаторе текстов (векторизация отдельных слов — это уже другой вопрос). Код, тестовые данные и примеры их применения — на bitbucket (уперся в ограничения размера от github и предложение применить Git Large File Storage (LFS), пока не осилил предлагаемое решение).

Наборы данных


Использованы конвертированные наборы: reuters — 22000 записей, watson-й — 530 записей, и ещё 1 watson-й — 50 записей. Кстати, не отказался бы от подкинутого в комменты/ЛС (но лучше таки в комменты) набора текстов на русском.

Устройство сети


За основу взята одна реализация описанной тут сети. Код использованной реализации на github.

В моём случае — на входе сети находятся векторы слов (использована gensim-я реализация word2vec). Структура сети изображена ниже:


Вкратце:

  • Текст представляется как матрица вида word_count x word_vector_size. Векторы отдельных слов — от word2vec, о котором можно почитать, например, в этом посте. Так как заранее мне неизвестно, какой текст подсунет пользователь — беру длину 2 * N, где N — число векторов в длиннейшем тексте обучающей выборки. Да, ткнул пальцев в небо.
  • Матрица обрабатывается свёрточными участками сети (на выходе получаем преобразованные признаки слова)
  • Выделенные признаки обрабатываются полносвязным участком сети

Стоп слова отфильтровываю предварительно (на reuter-м dataset-е это не сказывалось, но в меньших по объему наборах — оказало влияние). Об этом ниже.
Читать дальше →
Total votes 25: ↑23 and ↓2+21
Comments12

Information

Rating
Does not participate
Location
Santa Clara, California, США
Registered
Activity