關於 Raspberry Pi Pico

Raspberry Pi 基金會於 2021 年 1 月推出 Raspberry Pi Pico，正式進軍微控制器（MCU）領域。Pico 採用基金會自主設計的 RP2040 晶片，該晶片配備雙核 ARM Cortex-M0+（運行頻率最高可達 133MHz），內建 264KB SRAM 和 2MB Flash，其 GPIO 輸出為 3.3V。2024 年 11 月，基金會推出了 Raspberry Pi Pico 2 W 版本。其中「W」代表此版本內建 802.11n 無線網路功能，其核心晶片為 RP2350。

Pico 本身內建 bootloader，但不像 Raspberry Pi 或 Pi Zero 那樣運行 Linux 作業系統。為了方便開發，Raspberry Pi 基金會提供了 C/C++ SDK 和 MicroPython SDK。軟體和硬體與Raspberry Pi Pico 1相容。 Pico 也支援 TensorFlow Lite 框架，可用於開發輕量級的機器學習應用。 

 
7 × 7 mm QFN-56 package 

Raspberry Pi Pico 2的硬體規格:

• 雙Arm Cortex-M33或雙Hazard3處理器@150MHz
• 520 KB片上SRAM
• 2個UART。
• 2個SPI控制器。
• 2個I2C控制器。
• 24個PWM通道。
• 4個ADC通道。
• 1個USB 1.1控制器和PHY，支援主機和裝置。
• 12個PIO狀態機。
• 工作溫度-20°C至+85°C。
• 支援輸入電壓1.8–5.5V DC。

Raspberry Pi Pico

Pi Pico 擴充板規格

由於Raspberry Pi Pico 本身並未內建任何感應器，為了使其能夠應用於物聯網（IoT）及邊緣人工智能（Edge AI）等領域，特別採用了台灣程式教育協進會開發的 Pi Pico 擴充板。該擴充板的規格如下：

Pico + Pico 擴充板的一些物聯網應用

DEMO1

DEMO2

DEMO3

DEMO4

[課程]Raspberry Pi Pico 物聯網應用實作

https://bit.ly/4hTRptE

- 理解 Raspberry Pi Pico 硬體架構與擴充功能，並能運用 GPIO、ADC、PWM 等技術進行基礎硬體控制與感測應用。

- 熟悉 Thonny IDE 與 MicroPython 程式設計，具備多執行緒與時間控制能力。。

- 能運用通訊協定與 Wi-Fi 模組實作 IoT 應用，包含資料傳輸、Web 伺服器與雙向 I/O 控制。

更多Web 技術開發課程

- JavaScript 程式設計精修 https://bit.ly/3nF7bfH

- web全端開發應用班 https://goo.gl/fjEHfT

- IoT 物聯網實務班 https://bit.ly/2XwwHcx

機率

 

Random variable 

1. A discrete random variable X is a quantity that can assume any value x from a discrete list of values with a certain probability.
2. The probability that the random variable X assumes the particular value x is denoted by Pr(X = x). This collection of probabilities, along with all possible values x, is the probability distribution of the random variable X.

Ex. Sum of two dices

X=4 ==> (1,3), (2,2) (3,1)

Discrete Probability Rules
Probabilities are numbers between 0 and 1: 0 ≤ Pr(X = xk) ≤ 1 for all k The sum of all probabilities for a given experiment (random variable) is equal to one:  The probability of an event is 1 minus the probability that any other event occurs:

Ex. Sum of two dices

Pr(X=3) = 2/36     ,   Pr(X=4) = 3/36     

Cumulative Distribution Function of a Discrete Random Variable
The cumulative distribution function (CDF) of a random variable X is denoted by F(x), and is defined as F(x) = Pr(X ≤ x). Using our identity for the probability of disjoint events, if X is a discrete random variable, we can write where xn is the largest possible value of X that is less than or equal to x

Binomial PDF
If X is a binomial random variable associated to n independent trials, each with a success probability p, then the probability density function of X is: where k is any integer from 0 to n. Recall that the factorial notation n! denotes the product of the first n positive integers: n! = 1·2·3···(n-1)·n, and that we observe the convention 0! = 1.

Definition: Expected Value of a Discrete Random Variable
The expected value, , of a random variable X is weighted average of the possible values of X, weight by their corresponding probabilities: where N is the number of possible values of X.

References: 

[1] https://blogs.ubc.ca/math105/

[Linux 核心] Linux 核心功能的配置選單

 

 開啓Linux 核心功能的配置選單, 

Step1: 得先安裝ncurses 套件, 才能產生選單畫面

>> sudo apt-get install libncurses5-dev libncursesw5-dev 

若以上無法成功安裝, 則先下這個指令後再安裝套件, 應該就能順利安裝 >> sudo apt-get update --allow-releaseinfo-change  

Step2: 進入到核心原始碼的資料匣, 執行 make menuconfig 

    >> cd linux-raspberrypi-kernel_1.20190401-1/

    >>  make menuconfig

為什麼Z-Score標準化後, 會得到平均數為0, 標準差為1

 1.) How can I choose between normalization and standardization in different situations?

     資料並無特別遵從常態分佈, 則使用 Normalization , 如圖片的像素常用  Normalization 將像素值壓在0~1 之間。若資料遵從常態分佈 (很多時候會假設資料是常態分佈), 則使用Standardization (z-score)

2.) 證明: 為什麼Z-Score標準化後, 會得到平均數為0, 標準差為1 

Read More: 

[1] 什麼是機器學習 ? 

[2] 回歸模型的效能評估: R平方(R squared)

[3]  為什麼Z-Score標準化後, 會得到平均數為0, 標準差為1

[4]  關於Log-loss: binary_cross_entropy

[5]  Understanding ROC and AUC 

[6] iPAS 機器學習工程師參考樣題解說

[7] Model Quantization 

[8] 推薦系統: Item-based Collaborative Filtering

[9]  Adaboost Algorithm 演算法

[10] Adaboost Algorithm 演算法實作解說 

How to save and load fine-tuned model?

 如何儲存Fine-tune BERT model 的網路權重及架構?

Custom mask layers require a config and must override get_config  ...........

1. ) 若pre-trained bert model 只是用來作為sentence embedding 的話,. 那就只儲存後面自己接的網路架構..不用整個儲存(即不必含BERT model), 因此可忽略載入pre-trained bert model . 那就回到原本傳統的model.save() , load_models('xxxx.h5')

2.) pre-trained bert model 串接自己網路架構, 一起訓練, 如果是這種的, 就用方法2

只存weight (model.save_weights), 用原本model 架構去產生一個空的new_model, 然後new_model.load_weights

model.save_weights('my_model_weights.h5')
...
new_model = <build your model with your model building code>
new_model.load_weights('my_model_weights.h5')

[JavaScript] ES7的async/await 非同步

前端瀏覽器執行JavaScript ,都是採"同步" (即函式執行完，才會往下執行它的下一行程式碼)。

若要採用非同步(Asynchronous)方式執行，可以在函數前面加入async 關鍵詞，如 async init () ，可以使函式init() 具有非同步的處理能力，即init()函內可以包含有需要等待的工作敍述，對需要等待的工作可以在該敍述前，加上await 關鍵字。

<case 左方程式區塊 >

程式呼叫了init()函式, 而在init()函式內因為遇到了await a() 這一行，故init() 會直接返回，去執行console.log('3'), 而原本await a() 的下一行, 會一直等到  a() 函式執行結束後才會開始執行。

因為await, 所以await a() 的下一行 是在未來某個時間點才又繼續執行，這就是非同步函數呼叫的概念。

<case 右方程式區塊 >

雖然 async init()  是一個可以允許非同步執行的函數，但這種寫法then()=> { }，會使得console.log(3), 會在init()函式執行完才會執行。 

<!DOCTYPE html>

<html>

<body>

<h2>JavaScript async / await</h2>

<h1 id="demo"></h1>

<script>

async function myDisplay() {

      console.log('1')

    console.log('2')

  console.log('3')

}

myDisplay();

console.log('4')

console.log('5')

</script>

</body>

</html>

輸出為 ==> 1 2 3 4 5

<script>

async function myDisplay() {

      console.log('1')

       await console.log('2')

        console.log('3')

}

</script>

輸出為 ==> 1 2 4 5 3

<script>

async function myDisplay() {

await console.log('1')

await console.log('2')

  console.log('3')

}

myDisplay();

console.log('4')

console.log('5')

</script>

</body>

</html>

輸出為 ==> 1 4 5 2 3

Depthwise Separable Convolution

 

邊緣運算簡介 #2 Depthwise Separable Convolution

TensorFlow Lite for MCU https://bit.ly/3j2fIIt