墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.4k累计阅读
1.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
今天浏览了不少嵌入式软件工程师所需要具备的技能，记录一下，方便以后查找学习
具备合格的C语言代码编写能力
深入驱动模块开发
项目实战
上述是我梳理的大体学习路线，其中有部分的学习顺序可以调整，各个模块的学习优先级也有所不同，后续会在本文档更新更加全面的学习计划，学习路线，参考资料与进度等。
从零到实战：MCU嵌入式软件工程师完整学习路线
嵌入式开发是软硬件结合最紧密的领域之一，而MCU方向则以资源受限、裸机或RTOS运行为典型特征，与嵌入式Linux在技术栈和思维方式上有明显区别。从C语言基础、寄存器操作到GPIO、定时器、UART、I2C、SPI等外设驱动，再到中断、时间戳和环形缓冲区等工程化设计，MCU开发要求工程师既能理解底层硬件原理，又能构建稳定高效的软件架构。随着物联网、汽车电子和国产芯片替代的推进，掌握MCU软件开发不仅是入门嵌入式行业的便捷路径，更是深入低功耗设计、通信协议栈、RTOS应用乃至TinyML等前沿技术的基础。对于
嵌入式工程师养成计划之——嵌入式软件工程师完全学习指南
本系列课程针对有意向学习嵌入式软件开发的童鞋，从零开始、深入浅出，内容涵盖：linux系统基础、shell、linux C编程、linux系统编程、网络编程、ARM体系结构及汇编语言、ARM裸机编程、linux系统移植、linux驱动开发等模块。分多个子课程逐步学习。本课程是全套课程的第0部（前传），目的是讲解我们的整个视频学习体系路线图，同时也会对大家学习路线的一个指引。
嵌入式软件工程师免费学习路线：从裸机到Linux驱动
嵌入式开发是连接硬件与软件的系统工程，涉及C语言、单片机、RTOS、Linux内核与驱动等核心技术。随着AIoT与边缘计算爆发，企业更看重候选人的实际调试能力与项目落地经验。本文基于免费开源资源，从基础概念到系统架构，梳理一条可自学的嵌入式学习路径：先掌握C语言与数据结构，再通过裸机与RTOS理解实时调度，然后深入Linux内核与驱动开发，最后用Docker模拟环境与Git管理工程，积累可展示的项目资产。这条路线强调以通过标准检验学习效果，帮助学习者避免盲目囤课，真正将知识转化为工程能力，适配嵌入式软件工程
嵌入式软件学习路线（入门）
适合大学生的路线，将我的嵌入式学习路线分享给各位同学，希望能够帮助大家早些入门，能够少走一些弯路，一家之言，不足之处请多批评。
数字IC后端项目典型问题之后端实战项目问题记录
数字IC后端培训教程之数字后端实战项目问题debug及解决方案记录
AI 小说生成器本地部署完全指南
这篇文章介绍了本地部署AI小说生成器的完整指南，主要面向网文作者、内容创作者和AI爱好者。文章从环境搭建到创作实践，详细讲解了三种主流部署方案：Ollama（推荐新手）、LMStudio（图形界面）和text-generation-webui（高级定制）。内容涵盖硬件需求、系统架构、模型选择、API对接、提示词工程等关键技术环节，并提供了小说创作的特制提示词模板和参数调优建议。文章还讨论了长篇小说管理、多模型协作等进阶技巧，以及版权伦理等法律问题。最后推荐了相关工具资源和社区论坛，帮助读者实现安全、高效、可
让你轻松学习嵌入式的几种线路图方向
原文出于让你轻松学习嵌入式的几种线路图方向 - 云+社区 - 腾讯云 (tencent.com) 嵌入式学习是一个循序渐进的过程，如果是希望向嵌入式软件方向发展的话，目前最常见的是嵌入式Linux方向，关注这个方向，我认为大概分3个阶段： 1、嵌入式linux上层应用，包括QT的GUI开发 2、嵌入式linux系统开发 3、嵌入式linux驱动开发 嵌入式目前主要面向的几个操作系统是，LINUX，WINCE、VxWorks等等 Linux是开源免费的，而且其源代码是开放的，更加适合我们学习嵌入式
海康线扫相机平场矫正实战：从原理到精准成像
本文深入解析了海康线扫相机平场矫正的原理与实战操作。通过拆解暗场与明场矫正的物理意义，揭示了其消除系统噪声、补偿像素响应不均的核心机制。文章详细指导了在海康相机上进行平场矫正的标准化流程、关键参数设置（如行高、灰度值控制）及常见误区，并提供了针对高行频匹配、环境稳定性维护等进阶调优技巧与问题排查指南，旨在帮助用户实现从原理理解到精准成像的跨越。
初级嵌入式软件工程师养成记（学习路线+学习资源+实战项目汇总）
世界这么大，还是遇见你…大家好，我是董哥，一名嵌入式Linux开发工程师，曾就职于世界500强企业，目前就职独角兽芯片公司，从事Linux驱动系统开发工作，依旧在追梦的道路上前行。依稀还记得我刚踏入嵌入式领域，磕磕绊绊的学习51单片机，再接着去接触STM32单片机，玩各种传感器，毕业后接触Linux，更加坚定了我在嵌入式领域深造的决心。
单节锂电池充电管理芯片应用原理阐述及应用领域
当电池电压超过2.9V时，采用恒流模式对电池充电，充电电流由PROG 管脚和GND之间的电阻RPROG确定。充电电压固定于4.2V，而充电电流可通过一个电阻器进行外部设置当充电电流在达到最终浮充电压之后降至设定值1/10时，WD4054将自动终止充电循环。在待机模式中，WD4054 对 BAT 引脚电压进行监控，只有当 BAT 引脚电压低于再充电阈值电压4.1V时（对应电池容量80%~90%)，才会开始新的充电循环，重新对电池进行充电，这就避免了对电池进行不必要的反复充电，有效延长电池的使用寿命。
【gridsample】地平线征程6芯片中gridsample算子的优化与部署实践
本文详细介绍了地平线征程6芯片中gridsample算子的优化与部署实践，重点探讨了PTQ和QAT量化方案在BEV感知任务中的应用。通过双线性插值优化、内存布局调整和混合精度配置等关键技术，显著提升了算子在自动驾驶场景下的性能和精度，为开发者提供了实用的部署指南和调优建议。
嵌入式 | 嵌入式软件工程师超详细学习路线规划 (2026版，结合AI时代综合分析)
嵌入式软件工程师的AI转型学习路线是一个为期三年的系统性进阶过程：**第一年夯实嵌入式核心基础**，重点掌握C/C++、RTOS及硬件接口开发；**第二年进阶复杂系统能力**，深入学习Linux驱动、网络协议栈与系统安全；**第三年深度融合边缘AI**，聚焦机器学习模型部署、硬件加速优化及垂直领域（如汽车电子、工业物联网）的专精应用。该路径强调理论与实践并行，引导工程师从传统的确定性逻辑编程者，成长为能驾驭资源约束下智能系统设计与优化的跨界架构师。
【LTspice】005 伯德图绘制
目录 1 伯德图介绍 2 LTspice 截止频率验证 3 LTspice中如何添加光标 4 LTspice中如何将 幅频 和 相频曲线分开 1 伯德图介绍 Bode图由对数幅频特性和对数相频特性两张图组成。伯德图_百度百科 （1）对数幅频特性曲线 对数幅频特性是频率特性的对数值L(ω)=20lgA (ω)（dB）与频率ω的关系曲线；对数幅频特性的纵轴采用线性分度，为幅值的分贝数，即 L(ω)=20lgA(ω)，A(ω)每增加10倍，L(ω)增加20dB；横坐标采用对数分度，即横轴上的ω取
初级嵌入式软件工程师学习路线（在校本科或者硕士）
ARM+LINUX路线，主攻嵌入式Linux操作系统及其上应用软件开发目标： （1）掌握主流嵌入式微处理器的结构与原理（初步定为arm9） （2）必须掌握一个嵌入式操作系统 （初步定 为uclinux或linux,版本待定） （3）必须熟悉嵌入式软件开发流程并至少做一个嵌入式软件项目。 从事嵌入式软件开发的缺点是： （1） ...
FANUC机器人_KAREL编程入门学习（1）
FANUC机器人_KAREL编程入门学习（1）
UDF学习（四）FLUENT UDF-DEFINE_PROFILE宏
利用DEFINE_PROFLILE可以指定以下边界或计算域信息：DEFINE_PROFILE(name,t,i)//既可以用。
嵌入式软件工程师杂谈 —– BSP工程师学习路线
上篇文章给大家介绍了嵌入式BSP工程师这个行业，简单来讲，作为一名嵌入式BSP工程师，既要和懂硬件工作原理，还要能编写对应的软件使之正常工作。其学习和开发难度就不言而喻了。那么，究竟学习哪些知识，怎么学习才能成为一名合格的嵌入式BSP工程师呢？ 一、专业背景 我们首先从专业背景谈起。经过我的了解，从事嵌入式BSP开发的人员主要来源于计算机专业和电子信息专业。这两个专业是和嵌入式BSP最相关的专业了。当然也有一些同事是从其他专业转过来的（比如我，熟悉我的朋友知道我大学学的是物理专业，这相对来讲是比较偏..
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
嵌入式软件工程师是前端还是后端_嵌入式软件工程师好还是Java工程师好？
这些你去看招聘网站上面就知道了，目前的市场需求是Java比嵌入式多得多6个月的时间可以学出来，但是前提是你不能三天打鱼两天晒网的学，必须抓住每一个学习的机会，而且你的学习能力也要特别的强按照基本的时间来算的话，从0基础到学完基本的框架差不多也是需要花6个月左右的时间，但是后面也是需要做一些项目，这样才会有面试的机会；再加上做项目花的时间，大概需要七八个月左右的样子但是这些是在你正常学习的情况下，如...
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
硬件工程师充电心得--嵌入式软件工程师学习路线
硬件工程师日常主要工作通常为电路原理图、PCB设计，很少涉及软件编程，哪怕是一些硬件接口驱动很多硬件工程师都不曾涉足。面对日益激烈的竞争压力，多学一些嵌入式软件方面的技能也能为日后自己的职业生涯发展打好基础，正所谓“艺多人胆大”，“艺多不压身”！ 那么，对于硬件工程师来讲，到底该怎样选择循序渐进的学习路线呢？笔者自身就是一名硬件工程师，很高兴得到了武汉华嵌科技嵌入式培训机构老师的指导，现在就谈谈我...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
嵌入式软件工程师杂谈之二 ----- BSP工程师学习路线
欢迎访问我的个人博客： luomuxiaoxiao.com 文章目录一、专业背景二、推荐书籍 上篇文章给大家介绍了嵌入式BSP工程师这个行业，简单来讲，作为一名嵌入式BSP工程师，既要和懂硬件工作原理，还要能编写对应的软件使之正常工作。其学习和开发难度就不言而喻了。那么，究竟学习哪些知识，怎么学习才能成为一名合格的嵌入式BSP工程师呢？ 一、专业背景 我们首先从专业背景谈起。经过我的了解，从事嵌...
嵌入式软件工程师学习路线图_嵌入式工程师发展路线图(1)
嵌入式技术关键在于理论和实践的结合，要能够学以致用，完成了以上的所有阶段的知识点学习后，到底有没有学会，会不会用，能不能应用所学知识来解决实际开发中的问题，我们需要来完成一个综合的嵌入式实训项目，例如： 基于嵌入式Linux平台实现的飞行器、 基于嵌入式Linux平台实现的智能机器人等，这些项目都综合应用了嵌入式开发当中的应用，驱动和QT开发技术。这一阶段重点打好嵌入式软件编程的基础，包括学习Linux系统的基本应用，Linux的常用命令、C语言编程基础、常用的数据结构。3、学习嵌入式系统的构建。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
277
扫一扫
