算法移植
1. 图像算法怎么移植到嵌入式产品上
一般可以比较容易地移植c语言实现的算法,有可能需要调整算法用到的数据类型,数据结构这些
如果要利用嵌入式产品的优化性能(一般与硬件和指令系统相关),就需要替换现有算法的部分函数以嵌入式产品提供的算法库函数,这当然又涉及数据类型,接口,数据结构这些内容
如果算法效率仍然不能满足要求,就需要汇编级,寄存器级的编程了,充分利用嵌入式芯片的流水线,总线,并行运算,特殊指令这些特点来优化算法关键部分.
普通可以更换嵌入式芯片,选择速度更快,能力更强的来减少优化花费的成本,以适应芯片的不断更新换代.
2. matlab中算法怎么移植到嵌入式中
如果开发的是比较底层的信号处理算法，那么在正式用汇编和C编写代码之前，用所以总体来说，嵌入式开发和matlab没有什么关系。 我 感觉不要，我目前
3. 1．一个完整的算法应该具有__________等五个特性。 A．可执行性、可移植性和可扩展性 B
应该是bacbd
4. DSP的算法移植问题
移植：
1）如果你的算法是基本opencv这样的基本上开发的，你需要脱离opencv的环境。
2）如果你的算法是C++语言，请你改成标准的C语言。虽然DSP的开发环境是支持C++的，但是不建议你这么做。
3）修改你算法的内存分配，尽量内存一次分配好，DSP在算法不断的申请和释放时会有隐患。优先使用静态数组，会减轻很多工作量。
4）在CCS下建立工程，来调试你的算法，内存分配函数需要使用TI提供的函数。如果你的算法能够长期稳定的运行，那么恭喜你，你的算法移植就完成了。
优化：
算法优化，需要你能懂算法，也懂DSP。如果你只会写DSP程序，而不会算法，这对整个产品来说，是不能达到最优的。有些公司怕算法泄密，给优化人员一段或几段程序让其优化。我觉得这样做是很不合理的。除非你自己能控制大局，精通优化，这样才可行。
1）你需要对算法原理做一个深刻苦的理解，阅读相关的文章。
2）对你拿到的算法做全方位的熟悉。
3）做好上面的准备工作后，你要对算法的结构做重新的整理。依据DSP的特点，比如内存的分布。算法结构调整完成后，你的算法在DSP上速度应该有一个明显的提高了。
4）结构调整完成后，找到算法中比较费时的部分。确定我们需要优化的重点，这部分内容多是每张图像都要处理一次或多次的部分。对于算法启动时初始化部分的内容，一般不需要优化。
5）确定优化内容后，你首先考虑从语言结构上去做优化，这个时候应该还是C语言的。我不建议大家用TI提供的在C语言中使用优化嵌入的C库函数。
6）你把需要优化的函数改写为线性汇编或汇编函数。不断的调整软件流水，提高速率。
5. 将matlab中的算法移植到dsp中怎么弄哦
如果开发的是比较底层的信号处理算法，那么在正式用汇编和C编写代码之前，用所以总体来说，嵌入式开发和matlab没有什么关系。
6. 怎样将c++的图像处理算法移植
要看相关的文档才能知道Matlab中对应功能的函数名，如果知道函数名就好办多了，输入help 函数名他就会告诉你怎么用。 Matlab中值滤波函数：medfilt2
7. DSP的算法移植问题，希望详细说说
1、芯片不一样，需要修改（例如int的长度，浮点定点转换）。
2、软件平台不一样，需要修改。
3、实际应用不一样（比如代码长度，高质量or低质量）。
4、函数接口要改（例如你喜欢用指针传递）。
5、我还没做过，以上仅仅是吹的。
8. 如何使用EMCV将opencv算法移植到DSP
EMCV全称为Embedded Computer Vision Library，是一个可在TI DM64x系列DSP上运行的计算机视觉库。EMCV提供了跟OpenCV完全一致的函数接口，通过EMCV，你可以轻松的将你的OpenCV算法移植到 DSP，甚至不用改一行代码。 目前EMCV已经支持IplImage, CvMat，CvSeq等基本数据结构，可使用cvCreateImage等创建和释放图像，以及contour检测等。 参考
9. 如何将深度学习算法的能力移植到前端
现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？
深度学习是什么
深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。
深度学习的“深度”体现在哪里
论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。
那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（Deep Neural Networks ），是从很久以前的人工神经网络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。
深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（Convolutional Neural Networks）、深度置信网络（Deep Belief Networks）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度玻尔兹曼机（Deep Boltzmann Machines）、递归自动编码器（Recursive Autoencoders）、深度表达（Deep Representation）等等。不过究其本质来讲，都是类似的深度神经网络模型。
既然深度学习这样一种神经网络模型在以前就出现过了，为什么在经历过一次没落之后，到现在又重新进入人们的视线当中了呢？这是因为在十几年前的硬件条件下，对高层次多节点神经网络的建模，时间复杂度（可能以年为单位）几乎是无法接受的。在很多应用当中，实际用到的是一些深度较浅的网络，虽然这种模型在这些应用当中，取得了非常好的效果（甚至是the state of art），但由于这种时间上的不可接受性，限制了其在实际应用的推广。而到了现在，计算机硬件的水平与之前已经不能同日而语，因此神经网络这样一种模型便又进入了人们的视线当中。
“ 2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由着名的斯坦福大学机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16000个CPU Core的并行计算平台训练一种称为“深层神经网络”（DNN，Deep Neural Networks） ”
从Google Brain这个项目中我们可以看到，神经网络这种模型对于计算量的要求是极其巨大的，为了保证算法实时性，需要使用大量的CPU来进行并行计算。
当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经网络模型，或者说深度学习这样一个概念的新的热潮。
深度学习的优点
为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
深度学习的缺点
深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计了，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。所以，目前也只有一些经济实力比较强大的科研机构或企业，才能够用深度学习算法，来做一些比较前沿而又实用的应用。
10. 大部分算法工程师只是负责算法移植而已吗
是的
大部分算法工程师只是调用一下，人家写好的包，少部分去实现论文里的算法
基本上就等于算法移植
但是这个过程并不轻松，要理解加实现，而且算法调试起来非常难，就算是用别人的工具，也有可能出现bug