精华内容
下载资源
问答
  • 华为mate40标准版参数配置详情基本参数机型华为mate40标准版外观操作系统EMUI 11.0手机尺寸158.6 mm*72.5 mm手机厚度玻璃版:8.8 mm; 素皮版:9.2 mm屏幕参数屏幕尺寸 英寸屏幕材质OLED刷新率90Hz处...

    华为mate40标准版距离我们越来越近了,小编也是为大家带来了华为mate40标准版参数配置详情相关信息,想了解的朋友一定不要错过了,跟着小编一起来看看吧。

    华为mate40标准版参数配置详情

    基本参数
    机型华为mate40标准版
    外观8527404c25b1e167b6b0c9ebe37048c2.png
    操作系统EMUI 11.0
    手机尺寸158.6 mm*72.5 mm
    手机厚度玻璃版:8.8 mm; 素皮版:9.2 mm
    屏幕参数
    屏幕尺寸 英寸
    屏幕材质OLED
    刷新率90Hz
    处理器参数
    CPU型号麒麟9000E
    CPU

    1 x Cortex-A77@3.13 GHz 

    3 x Cortex-A77@2.54 GHz 

    4 x Cortex-A55@2.05 GHz

    GPUMali-G78
    电池参数
    电池容量4200mAh
    充电40W超级快充,无线反向充电
    相机参数
    前置1300万摄像头
    后置5000万超感光主摄+1600万超广角+800万长焦三摄

    详情分析

    外观屏幕

    华为mate40标准版自带光环。熟悉的中轴对称设计,尽显理性世界中的秩序美。标识性星环设计,来自宇宙的设计灵感。68° 曲面屏,温润优雅的弧度纤薄灵动,让你爱⁠不释⁠手⁠;

    最高支持90Hz刷新率和240Hz触控采样率。全新护眼模式,在细节处悉心呵护你的双⁠眼。

    134b15a158b3a13826f8b333018216cc.png

    处理器性能

    华为mate40标准版搭载了麒麟9000E5GSoC旗舰芯片,领先的5nm制程工艺,八核CPU,性能跨越式升级,功耗大幅降低,让你体验震撼的超前速度;

    安兔兔跑分成绩:693605分,其中CPU得分189670、GPU得分287962、MEM得分126589、UX得分89384

    162918e7b7258861f9fc7c0c26fe0c89.png

    相机性能

    华为mate40标准版前置1300万像素超感知摄像头(f/ 光圈),支持固定对焦;

    后置5000万像素超感知摄像头(广角, f/ 光圈 )1600万像素超广角摄像头(f/ 光圈)800万像素长焦摄像头(f/ 光圈,支持 OIS 光学防抖)

    4ddcfb3aa785a4a4ace7577f3236e839.png

    以上就是小编为大家带来的有关华为mate40标准版参数配置的详情信息,希望大家喜欢。

    来源:lxh

    展开全文
  • 2. 一个类里可以同时存在[同一个类里无论什么函数都不能函数名和参数完全一样]参数和函数名都相同的虚函数与静态函数(错误) 3. 父类的析构函数是非虚的,但是子类的析构函数是虚的,delete子类指针(指向该子类对象...
  • 1、对函数参数进行有效性检查 第43页 【案例2.1.1】 第43页 【案例2.1.2】 第43页 【案例2.1.3】 第44页 【案例2.1.4】 第46页 【案例2.1.5】 第47页 【案例2.1.6】 第48页 2、注意多出口函数的处理 第49页 【案例...
  • 买手机一定要看的几个参数

    千次阅读 2018-01-22 18:56:09
    手机的芯片主要来自于苹果(A系列)、高通骁龙(2系列、4系列、6系列、8系列)、华为麒麟、三星Exynoss、联发科技(P系列、X系列)、小米松果等几家主流厂商,话不多说,下面是一张天梯图,越往上表示手机速度越快。

    手机与我们的生活息息相关,各种诸如支付、社交等操作都离不开手机,因此,手机的选购也就成了一个很大的问题。下面列举一些买手机需要注意的参数:


    1、芯片型号:
    手机的芯片主要来自于苹果(A系列)、高通骁龙(2系列、4系列、6系列、8系列)、华为麒麟、三星Exynoss、联发科技(P系列、X系列)、小米松果等几家主流厂商,话不多说,下面是一张天梯图,越往上表示手机速度越快。




    2、存储空间

    这个就需要看你的需求了,如果你只是简单地用手机上上网、打打电话,那么只要存储空间不至于小得离谱就可以了。但是一些有特殊需求的手机用户(如需要大量存放喜欢听的歌、存放自己的照片或存放学习与工作资料的人),存储空间就务必要选大一些,16GB肯定是不够用了,32GB或64GB勉强可以,若是得到了有诸如128GB、256GB乃至512GB等存储空间的手机,那存储文件基本上就是随心所欲了。


    3、运行内存

    运行内存在很大程度上决定了手机的速度,运行内存越大,能够运行的后台进程就越多,分配给进程的处理资源也就越丰厚。当然,这还得取决于系统的优化与调度。目前4GB以下运行内存的速度将会很慢,4GB、6GB乃至8GB都是够用的,如果没有什么特殊需求(比如玩大型游戏),4-6GB足矣。


    4、屏幕清晰度
    简单来讲,720P有时候会出现一些颗粒感,1020P、2K乃至4K屏还是可以的。


    5、相机配置
    这对于某些需要摄影的人来说非常重要。在这里我只强调一点——不是像素数越大相片越好,相片的好坏还要看相机的算法是否高明。


    有些人买手机,只听手机店里那群人的忽悠,便稀里糊涂地买下了,用久了才后悔当初听从那些忽悠。买手机需要仔细地查看那些参数,并在手机店里进行实际操作,还不忘对照价格与同类产品,这样才能使我们找到更适合自己的、更好用的手机。
    展开全文
  • 答:栈: 存放局部变量,函数调用参数,函数返回值,函数返回地址。由系统管理 堆: 程序运行时动态申请,new 和 malloc申请的内存就在堆上 14.使用线程是如何防止出现大的波峰。 答:意思是如何防止同时产生大量的...
  • <div><p>before issue:...<p>用华为mate 8,android 7.0,可以连接成功。</p> 不要贴大段代码❗️</h3><p>该提问来源于开源项目:MiEcosystem/miot-plugin-sdk</p></div>
  • (1)华为GSM切换参数设置文档 http://wenku.baidu.com/link?url=ScurVVpzlUmOWZ6PX2XoFZjt7UngQedfH4uEcCvGEpNBpFaX0g3_4p98nHc7dz-mi-gCTwqEZYSgWH4QwyJbTFVKbQV0xLWx8_6Hc35jDca (2)手机协议栈软件设计(关于...

    (1)华为GSM切换参数设置文档

    http://wenku.baidu.com/link?url=ScurVVpzlUmOWZ6PX2XoFZjt7UngQedfH4uEcCvGEpNBpFaX0g3_4p98nHc7dz-mi-gCTwqEZYSgWH4QwyJbTFVKbQV0xLWx8_6Hc35jDca

    (2)手机协议栈软件设计(关于协议栈的设计原则和要求以及)

    http://www.doc88.com/p-031716560098.html

    (3)学习软件无线电和GSM协议栈的网址

    http://www.52rd.com/bbs/Detail_RD.BBS_182416_95_1_1.html

    ----------------------------------------------------------------------------------------------------------------------------------------------------

    ----------------------------------------------------------------------------------------------------------------------------------------------------

    学习软件无线电和GSM协议栈的好地方(开放源代码)
    http://www.gnuradio.cc/index.php?a=myxmu

    OpenBTS 是基于软件的 GSM 接入口,它提供标准的GSM兼容的移动手机,不需使用现成的电话提供商的接口,来拨打现有电话系统的接口。OpenBTS是以第一个基于开源软件的工业标准的GSM协议栈而闻名。

    [编辑本段]
    背景  OpenBTS 是从基带收发站(BTS)向上,完全替代传统的 GSM 运营商的网络交换构架。替代传统的传递呼叫到运营商的移动交换中心(MSC)的方法,它是通过 SIP 和 VOIP 传递数据到 Asterisk PBX的。


      参考中的 air interface (UM) 用 软件定义无线电(SDR)基于 Univerisal Software Radio Peripheral - USRP[1] 的。


      项目是由 Harving Samra [2]和 David A. Burgess [3]启动的。其目的是把边远和发展中地区地区的GSM服务费用减少到每个用户每月在1美元以下。项目的最初开发者涉及执照事宜,在初期的相关工作中官司连连(现已解决),也就是说一些底层的 GSM 代码被重新改写过。

    [编辑本段]
    场地测试  OpenBTS 的现场测试是在美国的内华达和加州进行的,必要的临时无线电执照通过Kestrel Signal Processing (KSP) — 申请并被授权用于短期场合。


      
    火人节
      在 2008 八月 的火人节,一个为期一个星期的现场测试基于特殊的临时授权 specail temporary authorization (STA) 执照 WD9XKN。尽管这个测试不对 Burning Man 节日的人们开发,参与者还是,在错误的配置 Asterisk PBX 安装而导致必须在拨号前置国际区号的情况下,进行成功呼叫。


      火人节 测试成功把 120 个手机同北美 95 个号码相连。 

    ---------------------------------------------------------------------------------------------------------------------------------------------------------

    ---------------------------------------------------------------------------------------------------------------------------------------------------------





    展开全文
  • <div><p>出现过好几个,...录制视频1" src="https://img-blog.csdnimg.cn/img_convert/6b39e069ec2a539c82d6133faeb6aac5.png" /></p><p>该提问来源于开源项目:MingYueChunQiu/RecorderManager</p></div>
  • 精品干货,瞬时送达作者:RangiLyu转载:https://zhuanlan.zhihu.com/p/306530300本文已获作者授权转载,转载请联系作者上来先贴一下性能对比:华为P30上用NCNN移植跑benchmark,每...参数量小6倍,COCO mAP(0.5:0...

        点击上方“AIWalker”,选择加“星标
       精品干货,瞬时送达

    作者:RangiLyu
    转载:https://zhuanlan.zhihu.com/p/306530300
    本文已获作者授权转载,转载请联系作者

    上来先贴一下性能对比:

    4ea6c6f3af2dbc649334ae512294f728.png

    华为P30上用NCNN移植跑benchmark,每帧仅需10.23毫秒,比yolov4-tiny快3倍,参数量小6倍,COCO mAP(0.5:0.95)能够达到20.6 。而且模型权重文件只有1.8mb,对比动辄数十兆的模型,可以说是相当友好了~

    7dbfab13202990466a843042f92639d4.png
    Android Demo

    项目地址(提供训练代码到安卓部署一站式解决方案):

    https://github.com/RangiLyu/nanodet

    前言

    深度学习目标检测已经发展了许多年,从Two-stage到One-stage,从Anchor-base到Anchor-free,再到今年的用Transformer做目标检测,各种方法百花齐放,但是在移动端目标检测算法上,yolo系列和SSD等Anchor-base的模型一直占据着主导地位。这个项目的主要目的是希望能够开源一个移动端实时的Anchor-free检测模型,能够提供不亚于yolo系列的性能,而且同样方便训练和移植。

    其实从去年大量anchor-free的论文发表之后,我就一直想把anchor free的模型移植到移动端或者是嵌入式设备上。当时尝试过把FCOS轻量化的实验,奈何效果并不如mobilenet+yolov3,也就暂时搁置了。分析下来,主要还是因为FCOS的centerness分支在轻量级的模型上很难收敛,之后发表的一些在FCOS上面进行改进的论文也都没有解决这一问题。

    直到今年年中的时候刷arxiv突然刷到了 @李翔 老师的论文Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection,论文中提出的GFocalLoss完美去掉了FCOS系列的Centerness分支,而且在coco数据集上涨点显著,这么好的文章怎么能不点赞呢?GFL的出现不仅去掉了难以训练的Centerness,而且还省去了这一分支上的大量卷积,减少了检测头的计算开销,非常适合移动端的轻量化部署。

    贴一下李翔老师关于GFocal Loss的解读:

    李翔:大白话 Generalized Focal Losszhuanlan.zhihu.com0cf9e2369d0e48597c687504e357b5b3.png

    检测头轻量化

    在找到了合适的损失函数之后,接下来的关键就是如何使其在轻量化模型上发挥作用了。首先需要对移动端进行优化的就是检测头:FCOS系列使用了共享权重的检测头,即对FPN出来的多尺度Feature Map使用同一组卷积预测检测框,然后每一层使用一个可学习的Scale值作为系数,对预测出来的框进行缩放。

    a83298c23c79e6b4bd82f4710a746632.png
    FCOS模型架构

    这么做的好处是能够将检测头的参数量降低为不共享权重状态下的1/5。这对于光是检测头就拥有数百通道的卷积的大模型来说非常有用,但是对于轻量化模型来说,共享权重检测头并没有很大的意义。由于移动端模型推理由CPU进行计算,共享权重并不会对推理过程进行加速,而且在检测头非常轻量的情况下,共享权重使得其检测能力进一步下降,因此还是选择每一层特征使用一组卷积比较合适。

    同时,FCOS系列在检测头上使用了Group Normalization作为归一化的方式,GN对比BN有很多好处,但是却有一个缺点:BN在推理时能够将其归一化的参数直接融合进卷积中,可以省去这一步计算,而GN则不行。为了能够节省下归一化操作的时间,我选择将GN替换为BN。

    FCOS的检测头使用了4个256通道的卷积作为一个分支,也就是说在边框回归和分类两个分支上一共有8个c=256的卷积,计算量非常大。为了将其轻量化,我首先选择使用深度可分离卷积替换普通卷积,并且将卷积堆叠的数量从4个减少为2组。在通道数上,将256维压缩至96维,之所以选择96,是因为需要将通道数保持为8或16的倍数,这样能够享受到大部分推理框架的并行加速。最后,借鉴了yolo系列的做法,将边框回归和分类使用同一组卷积进行计算,然后split成两份。下图就是最终得到的轻量化检测头的结构,非常的小巧:

    b7c1337e6d9385f8cf09ab118d3564c1.png
    NanoDet检测头

    FPN层改进

    目前针对FPN的改进有许多,如EfficientDet使用了BiFPN,yolo v4和yolo v5使用了PAN,除此之外还有BalancedFPN等等。BiFPN虽然性能强大,但是堆叠的特征融合操作势必会带来运行速度的降低,而PAN只有自上而下和自下而上两条通路,非常的简洁,是轻量级模型特征融合的好选择。

    原版的PAN和yolo中的PAN,都使用了stride=2的卷积进行大尺度Feature Map到小尺度的缩放。我为了轻量化的原则,选择完全去掉PAN中的所有卷积,只保留从骨干网络特征提取后的1x1卷积来进行特征通道维度的对齐,上采样和下采样均使用插值来完成。与yolo使用的concatenate操作不同,我选择将多尺度的Feature Map直接相加,使得整个特征融合模块的计算量变得非常非常小。

    最终的极小版PAN的结构也是非常简单:

    41f7a639437b19c2cc17eff62fe85a91.png

    超轻量的PAN

    Backbone的选择

    原本有考虑过自己魔改一个轻量级的backbone出来,但是最后评估了一下感觉工作量太大了(在家训练模型电费太贵),就打算选择使用现有的一些轻量级骨干网络。最开始的选择有MobileNet系列,GhostNet,ShuffleNet,还有最近的EfficientNet。在评估了参数量、计算量以及权重大小之后,还是选择了ShuffleNetV2作为骨干网络,因为它是这些模型里面在相似精度下体积最小的,而且对移动端CPU推理也比较友好。

    最终我选择使用ShuffleNetV2 1.0x作为backbone,去掉了最后一层卷积,并且抽取8、16、32倍下采样的特征输入进PAN做多尺度的特征融合。整个骨干模型使用了Torchvision提供的代码,能够直接加载Torchvision上提供的imagenet预训练权重,对加快模型收敛有很大的帮助。顺便一提,最近有些论文指出使用分类的预训练权重初始化模型对检测任务的效果不如随机初始化的好,不过这要付出训练更多步数的代价,我还没有测试过,欢迎大家尝试~

    f08e309b00b9eb15471c066cd0ef4501.png
    NanoDet整体模型结构

    模型性能

    在经过对one-stage检测模型三大模块(Head、Neck、Backbone)都进行轻量化之后,得到了目前开源的NanoDet-m模型,在320x320输入分辨率的情况下,整个模型的Flops只有0.72B,而yolov4-tiny则有6.96B,小了将近十倍!模型的参数量也只有0.95M,权重文件在使用ncnn optimize进行16位存储之后,只有1.8mb,非常适合在移动端部署,能够有效减少APP体积,同时也对更低端的嵌入式设备更加友好。

    尽管模型非常的轻量,但是性能却依旧强劲。对于小模型,往往选择使用AP50这种比较宽容的评价指标进行对比,这里我选择用更严格一点的COCO mAP(0.5:0.95)作为评估指标,同时兼顾检测和定位的精度。在COCO val 5000张图片上测试,并没有使用Testing-Time-Augmentation的情况下,320分辨率输入能够达到20.6的mAP,比tiny-yolov3高4分,只比yolov4-tiny低1个百分点,而将输入分辨率与yolo保持一致,都使用416输入的情况下,得分持平。

    最后用ncnn部署到手机上之后跑了一下benchmark,模型前向计算时间只要10毫秒左右,对比yolov3和v4 tiny,均在30毫秒的量级。在安卓摄像头demo app上,算上图片预处理,检测框后处理以及绘制检测框的时间,也能轻松跑到40+FPS~。(关于模型从pytorch到安卓的部署,以及如何用C++实现GFL检测框的后处理,我会再专门发一遍文章详细介绍)

    063d13fa049f0766f9b2f87d0b68f3ab.png

    ncnn 安卓benchmark对比

    总结

    NanoDet总体而言没有特别多的创新点,是一个纯工程化的项目,主要的工作就是将目前学术界的一些优秀论文,落地到移动端的轻量级模型上。最后通过这些论文的组合,得到了一个兼顾精度、速度和体积的检测模型。

    为了让大家能够快速使用NanoDet,方便训练和部署,我已经把Pytorch的训练代码、基于NCNN的Linux和windowsC++部署代码以及Android摄像头Demo全部开源,同时在Readme中也包含了非常详细的教程,欢迎大家使用,欢迎提issue~

    顺便提一句,NanoDet训练并没有用到很多数据增强的技巧,模型结构也非常简单,也就是说mAP应该还有很大的提升空间,如果有小伙伴愿意魔改一下再涨几个点那就再好不过了(嘻嘻)。

    展开全文
  • <p><img alt="" src="https://img-blog.csdnimg.cn/img_convert/2d4d6e5fb87db12e4a4e3d4c694aca06.png" /></p> <p>示例效果如下(如果可以的话,自己可以写一个简单的demo看下效果):</p>...
  • 计划中的功能

    2020-12-02 18:12:46
    6.客服消息支持多条图文 7.考虑利用cahce提高性能 ~~8.减少maven依赖冲突(已完成)~~ ~~9.代码0 warning(已完成)~~ ~~10.使用线程池(已完成)~~ 11.支持华为云 ~~12....
  • 6. 方法Hook,VA内置了一套运行于Android各个版本(直到AndroidQ)的Xposed框架以及native hook框架,基于此您可以方便的Hook任意内部App的任意Java/Native方法。可以轻松实现一个免Root的Xposed环境(有实例代码)。 ...
  • hustoj-master.zip

    2019-10-01 17:22:02
    2019-7-26 更新:支持华为鲲鹏服务器,aarch64,感谢深度科技公司和华为云提供鲲鹏服务器。 2019-7-6 NOIP:对于标题带有NOIP字样的比赛,比赛结束后才能看到结果。 2019-7-4 mark:设置$OJ_MARK="mark"显示得分,...
  • click(unlockCode[6],unlockCode[7]); sleep(500); click(unlockCode[8],unlockCode[9]); sleep(500); click(unlockCode[10],unlockCode[11]); sleep(500); } } //打开支付宝 function openAlipay() { ...
  • 因鸿蒙内核6W+代码量,本身只有较少的注释, 中文注解以不对原有代码侵入为前提,源码中所有英文部分都是原有注释,所有中文部分都是中文版的注释,尽量不去增加代码的行数,不破坏文件的结构,试图把知识讲透彻,注释多类似...
  • 2.5.2 某公司申请到一个C类IP地址,但要连接6个的子公司,最大的一个子公司有 26台计算机,每个子公司在一个网段中,则子网掩码应设为? 2.5.3 与10.110.12.29mask 255.255.255.224属于同一网段的主机IP地址是? ...
  • 他连 TCP 这几个参数都不懂 TCP/IP 基础知识总结 TCP 半连接队列和全连接队列满了会发生什么?又该如何应对? 跟着动画学习TCP三次握手和四次挥手 敖丙用近 40 张图解被问千百遍的 TCP 三次握手和四次挥手面试题 ...
  • 新版Android开发教程.rar

    千次下载 热门讨论 2010-12-14 15:49:11
    Huawei Technologies 华为科技 LG Electronics, Inc. 乐金电子 Motorola, Inc. 摩托罗拉 Samsung Electronics 三星电子 Sony Ericsson 索尼爱立信 Toshiba Corporation 东芝公司 lenovo 联想移动 联盟成员: ...
  • HuaWei华为EC/WG系列无线上网卡驱动 Intel英特尔PRO全系列无线网卡驱动 Inprocomm IPN2120/2220无线网卡驱动 Iodate WN-B11/PCM无线网卡驱动 Kinstone KS-2006/2008无线网卡驱动 Linksys 系列无线笔记本网卡...
  • [系统架构]功能增强,增加通过URL传入参数,直接打开指定应用界面的功能 [系统架构]功能增强,Dump命令支持全量数据导出和部分数据导出 [系统架构]功能增强,Dump命令支持对数据和文件信息的合并操作 [系统架构]系统...
  • 华为三康机密,未经许可不得扩散 第4 页, 共508 页 3.3.4 Spectralink 语音优先性...................................................................... 56 3.3.5 帧的分段与重组.................................
  •  培训的学生已在华为、立信、普信、中企动力、京华网络等公司就职。  现已出版《基于J2EE的Ajax宝典》、《轻量级J2EE企业应用实战》、《Struts 2权威指南》等专著。 目录 第1篇 基础知识  第1章 Java EE应用和...
  • (华为笔试题) 答案:只要基类在定义成员函数时已经声明了virtue关键字,在派生类实现的时候覆盖该函数时,virtue关键字可加可不加,不影响多态的实现。子类的空间里有父类的所有变量(static除外)。 <br>5.给...
  • 支持华为鲲鹏服务器,aarch64,感谢深度科技公司和华为云提供鲲鹏服务器。 07-06 更新 对于标题带有 NOIP 字样的比赛,比赛结束后才能看到结果。 07-04 更新 设置 $OJ_MARK="mark" 显示得分,$OJ_MARK="percent...
  • 1.1.4.2 锂电池.............................................................................................................................................6 1.1.5 激光安全................................
  • 软件工程教程

    2012-07-06 23:10:29
    6)按照系统开发主体面向的对象 国内图书管理系统应用情况 国内Android开发行业市场现状 国内的Android开发还是以应用开发为主,主要分成3类: 为企业开发应用 开发通用应用(Android Market或者其他App Market...

空空如也

空空如也

1 2
收藏数 26
精华内容 10
关键字:

华为6p参数