Blog

参考资料（用于学习与核对） Ascend C算子开发能力认证（中级）Sigmoid算子的实现（外部参考） 这篇文章记录的是我在 Ascend C 中级认证 Sigmoid 题目上的完整实践过程，包含环境准备、实现要点、常见坑位和可复现代码，方便后来者少走弯路。 环境搭建要求 环境需满足以下条件： 设备需具备昇腾 NPU。 CANN 版本需为 8.0.0.beta1。 环境由开发者自行准备。 典型场景举例（若指导文档中的 CANN 版本号与 8.0.0.beta1 不一致，请自行调整）： 开发者套件（Atlas200I DK A2，或香橙派）部署方式： Atlas 200I DK A2算子开发环境搭建指导-Ascendc中级认证专用.docx 华为云 ModelArts Notebook 部署方式： 华为云Ascend C算子开发环境搭建手册（微认证）.docx 题目说明 题目要求实现 Ascend C 算子 Sigmoid，算子命名为 SigmoidCustom，需要完成： kernel 侧代码。 host 侧代码。 aclnn 算子调用测试。 相关算法： $$ sigmoid(x) = \frac{1}{1 + exp(-x)} $$ 具体要求： 完成 Sigmoid 算子 kernel 侧核函数相关代码补齐。 完成 Sigmoid 算子 host 侧 Tiling 结构体成员变量创建，以及 Tiling 实现函数补齐。 支持 Float16 类型输入输出。 代码工程与下载 下载文件： ...

今日记录 参考网页： 拓展坞模块配置开发指南 SLAM导航服务接口开发指南 Go2开发教学10-SLAM 导航服务接口 网络配置 将Unitree Go 2机器人与路由器通过有线方式配置局域网，因为机器需要以下三个固定IP 192.168.123.18 #拓展坞PC IP 192.168.123.20 #雷达IP 192.168.123.161 #运控PC IP 故在路由器控制台将网段更改至 192.168.123.xxx ping成功通过 拓展坞模块调试 宇树科技官方在2026-04-01发布了新版本拓展坞的固件 访问拓展坞模块 <192.168.123.18> 上传了新拓展坞固件包进行更新 通过ssh连接，配置好雷达类型、YSN参数以及雷达的外参数（即坐标轴相对偏移量） 成功运行官方文档中SLAM导航服务接口的功能测试参考例程 将巡检项目的代码 <unitree_go2_patrol-master.zip> 通过scp传到机器人拓展坞模块重新编译，并且成功运行 现存问题： Go 2机器电池问题——已联系返修 今天尝试通过路由器Wi-Fi无线连接，手机app上一直无法控制连接成功，暂时先使用有线连接的方式。后续调试参考链接：有线连接，无线连接 后续需要用到遥控手柄，而遥控手柄也存在问题，无法充上电 后续安排 基本的配置调试已做好，接下来先进行代码侧的开发，学习MQTT协议、SLAM等相关内容

1. Background 为什么会想到做这样一个实验尝试？ 这是我 2025年秋季学期通识课程的作业(课程为：人工神经网络与深度学习基础) 实话说，大一上的课程有一半左右都是水课（上课不听的那种），还有四分之一是公共课（得好好学，考试重要），剩下的仅有的两门：计算机科学与技术导论、人工神经网络与深度学习基础，在陌生的城市，带着一颗低落的心，这两门是仅有的能让我提起兴趣，给我带来快乐感的课。 …… 摄影、计算机技术能摩擦出怎样的火花？我十分好奇，也十分有兴趣。 无聊的我开始了和ChatGPT的对话，我在和他构建由这两个方向共同撑起的世界，我发现当你认真自己思考事情，遇到了一些小的、和事情本身关联性不大的能力型(?)困难时，AI就是这样一个，高质量的工具。有些难以表达这种感受，比如在构建，思考摄影、技术结合的未来可能性这件事上，我自己完全可以一步一步花时间深挖、思考、记录、补充，但在用上AI后，这件事情的做法就出现了变化，brainstorm的过程变成了和一个能理解你的朋友交流的过程，他是一个能理解你，知道你意思的朋友（虽然很多时候是不能知道的，但可以归结于自己的表达能力不够），在和他沟通的时候，他又能帮你记录下这一切，你只需要口述，我还尝试让他一直提醒我，让我别忘了这一切蓝图前景，让我保持激情，同时为我的生活提供动力，但是很遗憾，他不能跳出对话框。 回归正题，当通识课布置出一个期末小论文这样的作业的时候，我是有些没头绪的，甚至有些担心会不会就这样水过去了。还好，我找到了一个有趣的题材；幸好，我有足够的兴趣研究这件事情；更好，课上学的Matlab以及知识点确实能帮助我进一步了解我感兴趣的影像领域，这不是在应付作业，或者说，这个实验的根本目的甚至不是为了完成这样一个期末任务，而是一次我自己的探索。这是我想象中课程学习价值的最正确的兑现形式。 计导课也给了我很大的启发，课上提到了CV相关的内容，让我知道了很多基础的图像后期处理操作都是通过卷积的方式，比如锐化、模糊等等，对于这些底层的技术内容有了更深一步的了解，那节课提到这一点的那页PPT简直让我醍醐灌顶！！ 拓宽CNN传统情况中的数据对标签形式 是否能打破传统局限思考，让数据和标签形式一致？ 带着这样的思考，我的脑中跳出了由高噪点图像到低噪点图像的对应。这一种独特的映射关系，不正是符合CNN吗？ 当然，有了想法之后，是时候开始思考可行性： 高噪点和低噪点之间的关系是否能找到规律？ 不同环境下的情况怎么办？ 噪点产生的原因有多种，合理性？ …… 从这些角度来看，这样一个实验似乎完完全全是不成熟的，但又何妨？Just do it. 抱着多多少少能得到一些收获的心态，我开始了实验。 2. Let’s do it! 由于具体、正式的内容已经在论文(自己玩玩的)中较为完整地给出，本文章只会做我想留下的补充，做记录和复盘用途。 翻译：想到啥说啥 整体思路流程 本文所提出的图像降噪方法流程主要包括数据采集与预处理、卷积神经网络模型构建、模型训练以及图像仿真预测四个阶段。首先，在暗光环境下固定拍摄场景，分别使用高 ISO 与低 ISO 参数获取成对图像数据。随后，对图像进行裁剪并划分为固定大小的图像patch，构建训练样本。接着，设计并训练卷积神经网络模型，使其学习高噪声图像到低噪声图像之间的映射关系。最后，将训练完成的模型应用于完整图像的降噪处理，实现仿真预测。 首先是数据集的准备： 在答辩时，老师问我：这些高低噪点的图像都是你自己准备的吗？ 我的第一反应是“不然呢？” 而思考之后，这句话也让我意识到了很多东西： 对于我一个玩摄影的来说，准备这些数据集完全不是问题，但并不是所有人都这样，应该说大部分人不会有对这方面垂直的了解，当然，也从另一方面说明了我的选题合理与贴合性： 为了获取真实的图像噪声数据，本文在暗光环境下使用相机对同一场景进行多次拍摄，分别设置高 ISO （ISO 12800）和低 ISO （ISO 100）参数。高 ISO 图像由于感光度较高，包含较多噪声信息，而低 ISO 图像则相对清晰，噪声较少。为了保证除了噪点信息差异外，图像内容不存在偏差，在调整 ISO 时同时调整快门速度，确保画面曝光一致。 通过从老师的角度思考这句话，我了解到了在对于神经网络的应用里，数据的重要性，如ImageNet的存在同样说明了这一点，在AI时代，除了底层算法逻辑的改动之外，能比拼出差距的地方就在于：数据、算力——又联想到内存的断供、电力行业的蓬勃前景 高 ISO 与低 ISO 图像对比示例: 数据预处理与Patch切分 这一步骤是我自己没有构想出来的，源于ChatGPT为我设计的实验思路，学习了 图像 Patch 切分示意图: 卷积神经网络模型构建与训练 网络结构如下： 本文所采用的卷积神经网络由多层卷积层和非线性激活层组成。网络输入为大小为 64 × 64 × 3 的 RGB 图像 patch，输出为对应的降噪图像patch。网络整体由三层卷积层和非线性激活层构成，卷积核大小均为 3 × 3，并采用相同填充（same padding）方式以保持特征图尺寸不变。 在网络结构中，前两层卷积层的通道数设置为 32，并在每一层卷积后引入ReLU激活函数，以增强网络的非线性表达能力。最后一层卷积层将特征映射回3个通道，用于重建 RGB 彩色图像。由于图像降噪任务属于回归问题，网络输出直接与低 ISO 图像进行比较，并采用回归损失函数进行优化。 ...

A good life is one inspired by love and guided by knowledge. 好的生活，由爱激扬、由知识引导。 Bertrand Russell A rose by any other name would smell as sweet.