Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Windows 10 IoT Serials 7 – 如何用树莓派制作家庭流媒体播放器

Windows 10 IoT Serials 7 – 如何用树莓派制作家庭流媒体播放器

作者头像
ShiJiong
发布于 2018-01-10 08:29:00
发布于 2018-01-10 08:29:00
2.7K0
举报

    Windows 10平台引入了AllJoyn开源软件框架,它提供了一组服务可以创建动态近端网络,让设备可以相互连接实现功能交互。目前,AllJoyn开源软件框架由AllSeen联盟负责管理。AllSeen联盟的成员都是业界的领导厂商,如微软、索尼、LG、Qualcomm、松下、夏普、思科、海尔等。AllJoyn目的是为物联网设备的彼此互通建立一个开放性的标准,它提供了各种平台的支持,包含:Windows、iOSAndroidLinux、OS X。开发语言则支持:C、JavaObjective-C、JavaScript。本文以树莓派为例,详细介绍如何利用Windows 10 IoT Core设备来制作一个基于AllJoyn的流媒体播放器,并利用iOS和Android应用来进行远程控制和播放。

1. 硬件准备

  • 树莓派(2代或者3代),系统版本在10586以上。注意,树莓派2代没有板载的WiFi功能,需要外加WiFi模块。
  • 3.5mm接口的音响。注意,由于Windows 10 IoT Core并没有提供HDMI输出的音频,所以需要在树莓派板载的3.5mm音频接口输出音频。
  • 显示器(可选),并不是必须。

2. 应用程序部署

    这里给出appx应用程序包的下载,链接。用户可以通过Windows Device Portal来部署,具体方法如下:

    首先,给树莓派通电,然后通过以太网或者WiFi加入局域网。

    接着,在PC上使用浏览器访问http://IP:8080,其中的IP就是树莓派的局域网IP地址。输入用户名和密码,默认为Administrator和p@ssw0rd

    然后,在侧边栏中选择Apps->Apps Manager,如下图所示。

    在其中的Install App中,选择下载的文件,其中App Package选择“AllPlayMediaPlayer_1.0.0.0_arm.appxbundle”文件,Certificate选择下载文件中的“AllPlayMediaPlayer_1.0.0.0_arm.cer”文件,Dependency选择下载文件夹Dependency/ARM目录下的所有文件。如下图所示。

    然后点击Deploy下的Go按钮,开始部署。经过一段时间以后,部署完成。用户可以通过Apps目录查找应用程序是否已经安装。如果成功安装,则可以看到AllPlay MediaPlayer应用,并可以通过下拉菜单来启动该应用,如下图所示。

    之后,应用程序启动,如果用户给树莓派连接了显示器,就可以看到应用程序的界面,如下图所示。

    应用程序界面主要显示播放的内容和进度。

3.控制端应用程序

    目前,能够从App Store下载到的应用包括AllPlay RadioAllPlay JukeBoxPanasonic Music StreamingMonster Soundstage。可以为Andorid下载的程序包括AllPlay RadioAllPlay JukeBoxPanasonic Music Streaming。下面以iOS的应用AllPlay Radio为例,讲述如何利用该应用程序进行远程控制。

    首先,打开应用程序以后,选择菜单,就可以看到各种资源,如下图所示。

    选择资源以后,应用程序会播放相应的内容。如下图所示。

4. 问题调试

    在Windows应用商店可以下载到IoT Explore for AllJoyn和AllJoyn Device Dashboard,可以用来检测树莓派应用是否已经正常启动。如下图所示。

    如果已经正常启动,可以在应用中看到树莓派给外部应用的AllJoyn接口,如下图所示。

    如果没有看到该服务,则说明树莓派和当前的设备不在同一个局域网,或者应用程序没有启动。

    最后来一张实物图吧,good day~~

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-03-23 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
[腾讯云大数据]神盾首创非对称联邦学习,深度保障数据隐私
导语:在过去的几年中,我们见证了大数据及人工智能技术的飞速发展,许多机构却依旧苦于数据数量少、质量低等难题而无法将前沿理论商业化落地。助力像石油般宝贵的数据突破隐私保护的条框限制并实现其价值的流通,对相关产业的发展起着至关重要的作用。在上一篇文章中,我们简要介绍了腾讯“神盾-联邦计算”平台的诞生背景和数据安全与隐私保护技术亮点。这次,我们着重选取本产品首推的“非对称联邦学习” (Asymmetrical Federated Learning, AFL) 范式进行介绍。该范式旨在全面保护数据集的样本ID、特征和标签的隐私安全,彻底解除在不平衡的 (unbalanced) 联邦计算系统中,中小企业对敏感用户ID泄露问题的担忧。
Narutoguo
2020/08/03
1.4K1
神盾首创非对称联邦学习,深度保障数据隐私
导语:在过去的几年中,我们见证了大数据及人工智能技术的飞速发展,许多机构却依旧苦于数据数量少、质量低等难题而无法将前沿理论商业化落地。助力像石油般宝贵的数据突破隐私保护的条框限制并实现其价值的流通,对相关产业的发展起着至关重要的作用。在上一篇文章中,我们简要介绍了腾讯“神盾-联邦计算”平台的诞生背景和数据安全与隐私保护技术亮点。这次,我们着重选取本产品首推的“非对称联邦学习” (Asymmetrical Federated Learning, AFL) 范式进行介绍。该范式旨在全面保护数据集的样本ID、特征和标签的隐私安全,彻底解除在不平衡的 (unbalanced) 联邦计算系统中,中小企业对敏感用户ID泄露问题的担忧。
腾讯云大数据
2021/01/07
7470
神盾首创非对称联邦学习,深度保障数据隐私
快速上手联邦学习——腾讯自研联邦学习平台PowerFL实战
导语:近10年,机器学习在人工智能领域迅猛发展,其中一个关键的推动燃料就是人类社会积累的大量数据。然而,尽管数据规模在总体上快速增长,绝大部分数据却分散在各个公司或部门内,导致数据被严重隔离和碎片化;也正因为此,各个组织间有很强的数据合作意愿,可是基于数据隐私和安全的考量,要在合规的情况下实现数据合作面临着诸多挑战。 基于上述原因形成的数据孤岛正严重阻碍着各方协同数据共同构建人工智能模型,也因此迫切需要一种新的机制来解决上述问题。联邦学习应运而生,通过这一新兴技术,可以在确保用户隐私和数据安全的前提下,各
腾讯大数据
2020/10/26
3.9K0
当联邦学习保护数据隐私,如何保证其自身的安全性?
联邦学习(Federated Learning)是一种由多方参与的联合计算技术,多方在不泄漏各自隐私数据的前提下,完成模型的训练与推理。
机器之心
2021/06/08
8390
RSPapers | 基于隐私保护的推荐系统论文合集
近年来,推荐系统已经成为许多社交/购物/新闻平台中必不可少的组件。一方面,推荐系统为了更好的捕捉和建模用户的行为习惯以及历史偏好,需要大量收集用户和物品的属性信息以及二者的交互记录。另一方面,大量的用户行为记录以及用户私有属性信息虽然使得模型能够掌握用户的行为模式,但也不可避免的造成了用户敏感信息以及隐私问题的担忧。所以如何在保证用户隐私前提下挖掘数据价值是目前大数据背景下值得研究的课题。
张小磊
2021/03/16
9620
RSPapers | 基于隐私保护的推荐系统论文合集
解密Angel PowerFL联邦学习平台中的纵向GBDT算法
导语:  GBDT(或XGBoost)算法是一种十分流行的树集成学习算法,不但是数据科学竞赛的常胜工具,在工业界的具体业务场景也有广泛的落地场景。然而,近年来用户隐私数据保护条例逐渐完善,“数据孤岛”逐渐形成,不但数据难以收集,不同公司或团队之间的数据也难以共享,这直接影响着机器学习模型的效果。为了应对这个问题,联邦学习技术逐渐进入人们的视线。本文聚焦腾讯自研的联邦学习平台Angel PowerFL中纵向联邦GBDT算法实现,介绍纵向联邦GBDT算法的原理和流程,并讲解相关的优化技术。 梯度提升决策树算法
腾讯大数据
2020/09/09
4.3K0
笔记︱联邦学习与隐私计算的案例集锦(一)
Federated Learning - 联邦学习 参考文献: 小白也能通俗易懂的联邦学习! 关于联邦学习建模过程中算法交互内容的研究
悟乙己
2022/06/06
4K1
笔记︱联邦学习与隐私计算的案例集锦(一)
腾讯云安全隐私计算产品获“2020年度大数据行业创新产品”奖
3月30日,由工信部部属单位中国工信出版传媒集团主办的第七届中国国际大数据大会在京召开,大会公布了“2020年度中国国际大数据大会行业评选”结果,腾讯云安全隐私计算产品凭借对大数据行业的深入解读,以及在数据安全、隐私保护等领域的出众能力和突破性成就,荣获“2020年度大数据行业创新产品”奖。 如今,在数字经济时代,大数据已成为全球数字经济发展的新动能,在各行各业智能化转型和高质量发展中都发挥着重要的作用和价值。与此同时,数据孤岛、数据隐私安全等问题又在一定程度上捆缚着企业发展的“手脚”,导致企业之间
腾讯云大数据
2021/04/06
4050
MICCAI论文精选:如何用联邦学习解决医学影像数据隐私问题?
雷锋网AI掘金志消息,日前,英伟达与伦敦国王学院以及一家法国初创公司Owkin合作,在新成立的伦敦医学影像与人工智能中心中应用了联邦学习技术。
AI掘金志
2019/10/30
1.6K0
MICCAI论文精选:如何用联邦学习解决医学影像数据隐私问题?
联邦学习 OR 迁移学习?No,我们需要联邦迁移学习
海量训练数据是现代机器学习算法、人工智能技术在各个领域中应用获得成功的重要条件。例如,计算机视觉和电子商务推荐系统中的 AI 算法都依赖于大规模的标记良好的数据集才能获得较好的处理效果,如 ImageNet 等。然而在一些应用领域中,例如医学领域、经济学领域以及一些政务信息化领域中,海量的可用训练数据往往是非常有限的。存在这些问题的主要原因:一是,针对机器学习算法的数据标注任务需要专业的知识和经验才能完成,这种预处理任务的成本非常高,往往无法获得机器学习所需要的足够的标注数据。二是,各个行业对数据隐私和数据安全的保护越来越强,在一定程度上也限制了对训练数据的共享,也就进一步加剧了可用的标注数据缺乏的问题。
机器之心
2020/11/20
1.1K0
联邦学习 OR 迁移学习?No,我们需要联邦迁移学习
腾讯 AngelFL 联邦学习平台揭秘
作者:AI前线 数据里蕴含着价值。在人工智能时代,机器学习尤其深度学习模型的获得需要大量的训练数据作为前提。但是在很多业务场景中,模型的训练数据往往分散在各个不同的业务团队、部门、甚至是不同的公司内的。由于用户隐私,这些数据无法直接使用,形成了所谓的“数据孤岛”。近两年,联邦学习技术 (Federated Learning)迅速发展,为跨团队数据合作,打破“数据孤岛”提供了新的解决思路,并开始从理论研究迈向批量应用的落地阶段。本文系统的介绍了联邦学习的发展历程以及业界情况,并重点介绍了TEG数据平台
腾讯技术工程官方号
2020/03/19
3.7K0
腾讯云安全隐私计算通过 CFCA 评测,再获国家级认可
‍ 2021年10月19日,中国金融认证中心(CFCA)正式公布了首批多方安全计算金融应用测评通过名单,腾讯云安全隐私计算在安全性、性能等多方面都以优秀的测试表现一路通关,成为国内最先获得该国家级认可的安全多方计算产品。 大数据及人工智能经过多年的飞速发展,数据已成为各企业最重要的资产及核心竞争力,受到国家高度重视,2019年10月,党的十九届四中全会首次将数据增列为一种生产要素,数据作为我国第五大生产要素,将为数字经济体系中技术创新、需求挖掘、效率提升提供重要动能。但随之而来的法律法规和信任问题收紧
腾讯云大数据
2021/10/21
8750
腾讯云参编的隐私计算报告发布,加快释放数据要素潜能
近日,北京金融科技产业联盟发布《隐私计算技术金融应用研究报告》。该报告分析了隐私计算的关键技术,介绍了隐私计算相关的政策和法律法规,梳理了隐私计算技术在金融业应用情况及面临的问题,并从标准化建设、行业政策引导、技术发展等方面给出建议。
bengbengsu
2022/04/27
8160
腾讯云参编的隐私计算报告发布,加快释放数据要素潜能
训练大模型缺少高质量数据?我们找到了一种新的解决方案
数据,作为决定机器学习模型性能的三大要素之一,正在成为制约大模型发展的瓶颈。正所谓「Garbage in, garbage out」[1],无论你的算法多么优秀,你的计算资源多么强大,模型的质量都直接取决于你用来训练模型的数据。
机器之心
2023/09/08
1.4K0
训练大模型缺少高质量数据?我们找到了一种新的解决方案
联邦学习,究竟能为大数据行业带来何种可能?
没有哪一项技术像人工智能一样,绵延数十年,引领数次风口。从60年前的达特茅斯会议到深蓝国际象棋再到AlphaGo,人工智能一直在持续着迭代、创新。联邦学习,就是人工智能与大数据行业一个新兴的技术,它的出现,有望解决数据孤岛的难题。
TVP官方团队
2020/04/08
1.4K0
一文梳理隐私计算/联邦学习推荐系统研究进展
推荐系统,对于我们来说并不陌生,它已经无时无刻不方便着我们的生活、学习、工作等方方面面,并且已经成为许多社交/购物/新闻平台中必不可少的组件。近些年来学术界以及工业界的研究者们已经对其进行了大量研究并提出了许多经典有效的推荐模型,比如UserCF、ItemCF、MF、FM、BPR、Item2vec、NCF、DIN等等。
炼丹笔记
2021/10/14
1.5K0
释放数据融合价值!腾讯Angel PowerFL荣获2021数博会“领先科技成果奖”
导读 / Introduction 5月26日-28日,在2021中国国际大数据产业博览会上,凭借对前沿趋势的把握和技术领先性,腾讯大数据-天工平台上的Angel PowerFL安全联合计算技术,荣获“领先科技成果奖——新技术”奖项。 数博会是全球首个以大数据为主题的博览会,由国家发展和改革委员会、工业和信息化部、国家互联网信息办公室和贵州省人民政府共同主办。作为数博会上的“重头戏”, “领先科技成果奖”是目前为止国家科学技术奖励办备案的唯一以博览会名义设奖和唯一以大数据为主题的专业奖项。 作为腾讯
腾讯大数据
2021/06/02
8930
联邦计算:不暴露真实数据如何完成合作建模?
导语:在金融场景下,银行等机构有强烈愿望和其他数据拥有方合作建模,但出于商业和合规方面的考虑,又不愿共享核心数据,导致行业内大规模数据共享迟迟无法推动。本文将从经典警匪影片情节出发,从技术角度探讨如何解决这一困境,希望与大家一同交流。
腾讯云大数据
2021/01/07
1.3K0
联邦计算:不暴露真实数据如何完成合作建模?
联邦计算:不暴露真实数据如何完成合作建模?
导语:在金融场景下,银行等机构有强烈愿望和其他数据拥有方合作建模,但出于商业和合规方面的考虑,又不愿共享核心数据,导致行业内大规模数据共享迟迟无法推动。本文将从经典警匪影片情节出发,从技术角度探讨如何解决这一困境,希望与大家一同交流。
Narutoguo
2020/09/25
2.9K0
联邦学习在腾讯微视广告投放中的实践
分享人:宋凯 博士 整理者:林宜蓁 导读: 本文从广告主的角度,分享联邦学习实践的经验跟思考。 先介绍业务与技术选型背景:团队项目为用户增长及成本控制,方式为广告渠道投放,投放目标分为拉新、拉活两类。 拉新时,微视侧端内用户特征稀疏,而广告平台积累大量信息,但仅有有限性的oCPX标准化数据回传。 拉活时,微视侧具备用户行为序列等宝贵画像数据,与广告平台特征有互补性,但又无法直接粗暴的与广告平台共享数据。 所以,希望微视侧能与广告平台侧利用双方数据,实现收益共赢,但保证数据的安全不出域。在这种背景下我
腾讯大数据
2021/09/06
2.5K0
推荐阅读
相关推荐
[腾讯云大数据]神盾首创非对称联邦学习,深度保障数据隐私
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档