袁炜林

2019/7/1 Day 1

对于本门课程、课程wiki、git、PYNQ板有了初步的了解。
·建立个人的wiki档案；
·利用fork操作从课程git上复制了课程所需的材料；
·安装python和jupyter notebook，学习notebook界面的基本操作，insert cell、split cell（用来调试很方便）；
·连接PYNQ板，在jupyter notebook上试运行一个老师提供的example：按键亮灯；

2019/7/2 Day 2

继续学习PYNQ板的其他功能。

·插一个Ambient Light Sensor Pmod，进行环境光检测，运行例子代码，用手电筒照传感器，绘制环境光-时间变化曲线；
·编写一个简单的智能路灯代码，环境光越亮，亮的LED灯数量越少，环境最暗时亮4个灯，环境最亮时一个都不亮；
·运行用外接麦克风录音并playback的代码；
·外接摄像头，运行opencv人脸识别的代码；

2019/7/3 Day 3
学习机器学习的理论基础。

·了解什么是Machine Learning，历史，算法的精神内核是啥；
·了解Tensorflow的框架是如何建立的，运行一个利用tensorflow训练的分类器实例；
·具体了解Deep Learning的运算过程，明确用梯度下降方法计算损失函数最小值的过程（向偏导数负方向移动一个△x，计算损失函数，反向传播）；
·了解Tensorflow是机器学习方法范式的原因：数值计算的稳定性，自己写很难保证结果的准确性；

2019/7/4 Day 4

·学习生物神经网络的结构和功能；
·学习人工神经网络的原理和训练方法：建立计算图、进行计算；
·学习全连接（多层感知机）和卷积神经网络的参数与代码写法：MLP的权重个数多，CNN权重个数少、可并行运算快、革命性；
·了解MNIST数据集，分别运行MLP方法和CNN方法识别MNIST手写数据集，发现CNN比MLP快且准确率更高；
·谷歌开放tensorflow创造出了一整个人工智能的生态；

2019/7/5 Day 5
·了解RNN（循环网络结构）的原理，RNN会把t-1时刻的数据也进行加权和bias计算，因此可以预测时间上前后的依赖与影响；
·了解RNN的实例，如语音识别/天气预报/自然语言处理等，种类众多，因为RNN输入与输出十分灵活，基本上要什么有什么；
·尝试运行RNN和动态RNN的代码；
·初步了解Jetson，并配置Jetson TX2，主要包括连接显示器/电源/键盘/鼠标等配件，由于VGA转HDMI接头坏了，并没有弄好，看了一下同学接好的界面；

2019/7/8 Day 6
智能语音识别，安卓开发。
·了解智能语音识别的应用：音箱/耳机/电视/汽车等等；智能音箱的技术组成：声学处理/智能处理器/智能软件；
·了解智能语音识别的历史，传统语音识别过程，IBM Watson，知识库；技术难点：还是数据量够不够大；
·安卓开发实践：androidPlot，andriodNet，androidAudioRec，但是没有弄好，回去再照着指导书试试看；
·运行语音识别app，准确率很高，基本上都识别对了；

2019/7/9 Day 7
学习乐聚机器人的基本编程操作。
·用aelos simple编一个金鸡独立的动作，机器人和人类的动作有相似的地方，但是也有很大的区别啊，比如人类是用提跨的方法来保持独立时的平衡，但是机器人是倾斜脚踝改变重心来保持平衡（我编的是这样的，隔壁组同学是靠改变跨舵机实现的，效果非常鬼畜）；
·尝试编一个机器人躺在地上起来的动作，但是到下课也没编完，看起来像是机器人赖床的动作。。。看了郭老师的演示，机器人没有腰，和人类起来的过程完全不一样；
·机器人没要腰舵机，因为腰受力比较大，容易损坏，另外腰上的动作很复杂，很难计算；

2019/7/10 Day 8
编机器人舞蹈。
感觉给机器人编动作总的来说非常技术友好，只是乐聚机器人的肩膀最高只能到平举的位置，不能抬胳膊。
下图：跳黑帮摇的机器人

•