嵌入式Linux中如何动态修改设备树?这5种C语言方法你必须掌握

Linux-笔记 设备树插件 设备树插件(Device Tree Blob Overlay,简称 DTBO)是Linux内核和嵌入式系统中用于动态修改或扩展系统运行时的设备树配置的一种机制。它是对传统设备(Device Tree Source,简称 DTS)的补充,允许在不重新编译整个内核的情况下,对硬件配置进行更改。本质也是个设备树文件。 阅读详情

第一章:嵌入式Linux中设备树动态配置概述

在现代嵌入式Linux系统中,设备树(Device Tree)已成为描述硬件资源的核心机制。它通过分离硬件描述与内核代码,提升了系统的可移植性和灵活性。传统的设备树在编译时静态绑定到内核镜像中,难以适应运行时硬件变化或多种配置需求。为解决这一问题,设备树动态配置技术应运而生,允许在系统启动过程中甚至运行时加载、修改或切换设备树片段。

动态配置的优势

  • 支持多种硬件变体共用同一内核镜像
  • 实现外设热插拔时的设备节点动态注册
  • 便于调试和测试不同硬件配置而无需重新编译内核

实现方式

设备树动态配置主要依赖于以下机制:
  1. 通过U-Boot等引导加载程序传递设备树Blob(DTB)文件
  2. 利用内核提供的 /sys/firmware/devicetree 接口读取当前设备树结构
  3. 使用 Overlay 技术在运行时向主设备树注入新节点

设备树 Overlay 示例

// 示例:添加一个SPI设备的overlay片段
/dts-v1/;
/plugin/;

/ {
    fragment@0 {
        target = <&spi1>;
        __overlay__ {
            status = "okay";
            spidev: spidev@0 {
                compatible = "spidev";
                reg = <0>;
                spi-max-frequency = <1000000>;
            };
        };
    };
};
该代码定义了一个设备树 overlay,用于在运行时启用SPI1总线并挂载一个SPI设备。编译后可通过 dtoverlay 命令加载。

关键组件对比

组件作用是否支持动态更新
Static DTB编译时固化到内核否
Device Tree Overlay运行时动态加载扩展是
U-Boot fdt commands启动阶段修改DTB有限支持
graph TD A[Bootloader] -->|Load Base DTB| B(Linux Kernel) C[Overlay DTBO] -->|Apply via configfs| B B --> D[Final Merged Device Tree]

第二章:基于C语言的设备树操作基础

2.1 设备树DTS与DTB格式解析及其在内核中的加载机制

设备树(Device Tree)是描述硬件资源与结构的独立于架构的数据结构,广泛应用于嵌入式Linux系统中。其源文件以DTS(Device Tree Source)形式存在,通过编译器`dtc`编译为二进制DTB(Device Tree Blob)格式供内核使用。
DTS到DTB的转换流程
DTS文件采用文本格式描述节点和属性,例如:

/ {
    model = "My Embedded Board";
    compatible = "mycorp,board-v1";
    cpus {
        cpu@0 {
            compatible = "arm,cortex-a9";
            reg = <0>;
        };
    };
};
上述代码定义了板级模型、兼容性字符串及CPU信息。其中`reg = <0>;`表示CPU逻辑编号为0,`compatible`用于匹配驱动。
内核中的加载机制
启动阶段,Bootloader(如U-Boot)将DTB镜像载入内存并传递给内核。内核通过`unflatten_device_tree()`解析DTB,构建运行时数据结构`struct device_node`,实现硬件与驱动的动态绑定。
阶段作用
DTS编写描述硬件拓扑
dtc编译生成DTB二进制
Bootloader加载将DTB传入内核
内核解析构建device node树

2.2 使用libfdt库解析和修改设备树二进制结构

在嵌入式系统开发中,设备树二进制(DTB)的动态解析与修改是实现硬件抽象的关键环节。libfdt 提供了一套轻量级C接口,用于操作扁平设备树结构。
核心功能概述
  • 解析 DTB 镜像为内存中的可操作结构
  • 遍历节点与属性,支持路径查找和属性读取
  • 动态添加、修改或删除节点及属性
典型代码示例

int nodeoffset = fdt_path_offset(fdt, "/chosen");
if (nodeoffset >= 0) {
    fdt_setprop_string(fdt, nodeoffset, "bootargs", "console=ttyS0");
}
上述代码通过 fdt_path_offset 定位 /chosen 节点,使用 fdt_setprop_string 修改启动参数。所有操作基于内存映射的 FDT 结构,需确保缓冲区足够容纳修改后的数据。
数据布局约束
区域作用
Header包含总长度、结构偏移等元信息
Structure Block存储节点与属性的层级结构
Strings Block集中存放属性名称以节省空间

2.3 在C程序中动态读取节点属性并验证数据完整性

在嵌入式系统或设备树驱动开发中,常需在C程序运行时动态获取节点属性,并确保其数据完整性。
节点属性的动态读取
通过标准接口如 `of_get_property`(Linux设备树)可读取指定节点的属性值。该函数返回指向属性内容的指针,便于后续解析。
const char *prop_name = "compatible";
const struct device_node *node = of_find_node_by_path("/my_device");
const void *prop_data = of_get_property(node, prop_name, &prop_len);
if (prop_data && prop_len > 0) {
    printf("Property '%s' length: %d\n", prop_name, prop_len);
}
上述代码首先定位设备节点,随后提取属性数据与长度。参数说明:`prop_len` 为输出参数,接收属性字节长度;若为 NULL,则不返回长度。
数据完整性校验策略
为防止非法访问,应对读取的数据进行校验:
  • 检查指针是否为空
  • 验证数据长度是否符合预期格式
  • 使用CRC或校验和机制确认内容未被篡改

2.4 向设备树添加新节点与更新寄存器地址映射

在嵌入式系统开发中,设备树(Device Tree)用于描述硬件资源的拓扑结构。向设备树添加新节点是实现外设驱动加载的关键步骤。
添加新设备节点
通过在 `.dts` 文件中定义新节点,描述外设的寄存器地址、中断线等信息。例如:

gpio_leds {
    compatible = "gpio-leds";
    led@0 {
        label = "status_led";
        gpios = <&gpio1 18 GPIO_ACTIVE_HIGH>;
    };
};
该节点声明了一个GPIO控制的LED,`compatible` 字段用于匹配驱动程序,`gpios` 指定了所使用的GPIO引脚及电平极性。
寄存器地址映射更新
对于带有内存映射寄存器的设备,需正确配置 `reg` 属性:
属性说明
reg表示设备寄存器的物理基地址和地址空间大小
ranges用于桥接父总线与子设备的地址映射关系

2.5 删除或禁用设备树中的冗余设备节点

在嵌入式Linux系统开发中,设备树(Device Tree)用于描述硬件资源。当目标平台未使用某些外设时,保留其节点可能引发驱动加载冲突或内存浪费。
删除设备节点
直接从 `.dts` 文件中移除不需要的节点:

// 删除冗余的SPI设备
&spi1 {
    status = "okay";
    redundant_device: redundant@0 {
        compatible = "fake,device";
        reg = <0>;
    };
};
将整个 `redundant_device` 节点删除即可阻止其被解析。
禁用设备节点
更安全的方式是通过 `status` 属性禁用:

&redundant_device {
    status = "disabled";
};
`status = "disabled"` 告知内核跳过该设备初始化,而无需修改结构。 常见状态值如下:
  • okay:设备启用
  • disabled:设备关闭
  • reserved:保留,不分配资源

第三章:运行时动态更新设备树的实现方式

3.1 利用内核启动参数传递修改后的设备树镜像

在嵌入式系统启动过程中,设备树(Device Tree)用于描述硬件资源。通过内核启动参数,可以动态指定使用修改后的设备树镜像(`.dtb` 文件),实现对不同硬件配置的灵活支持。
启动参数配置方式
在 U-Boot 或其他引导加载程序中,通过设置 `bootargs` 传递设备树路径:
setenv bootargs 'console=ttyS0,115200 root=/dev/mmcblk0p2 rw'
setenv fdt_addr 0x83000000
setenv fdt_file custom-board.dtb
load mmc 0:1 ${fdt_addr} ${fdt_file}
booti ${kernel_addr} - ${fdt_addr}
上述命令将设备树加载至内存指定地址,并通过 `booti` 指令与内核一同启动。其中 `fdt_addr` 必须与内核配置的保留内存区域不冲突。
关键优势与应用场景
  • 支持多硬件变种共用同一内核镜像
  • 便于快速调试和热替换设备树配置
  • 提升系统可维护性与部署灵活性

3.2 通过/sys/firmware/devicetree接口进行只读访问与调试

Linux内核在启动过程中会解析设备树(Device Tree),并将解析后的结构暴露在`/sys/firmware/devicetree`目录下,供用户空间以只读方式访问。该接口为调试硬件配置和驱动匹配问题提供了直接途径。
节点结构与路径映射
设备树中的每个节点在`/sys/firmware/devicetree`中对应一个子目录,属性则表现为文件。例如:
/sys/firmware/devicetree/base/cpus/cpu@0/reg
/sys/firmware/devicetree/base/memory@80000000/device_type
上述路径分别表示CPU 0的寄存器地址和内存节点类型。读取这些文件可验证设备树是否正确描述了硬件资源。
常用调试方法
  • 使用cat命令查看属性原始值
  • 结合hexdump解析二进制格式属性
  • 通过find /sys/firmware/devicetree -type d遍历节点结构
此接口不可修改,确保系统稳定性的同时支持深度调试。

3.3 配合U-Boot环境变量实现多配置切换

U-Boot环境变量是实现嵌入式系统多配置灵活切换的核心机制。通过定义不同的启动参数集合,可在同一固件基础上适配多种硬件或运行模式。
常用环境变量示例
  • bootcmd:定义默认启动命令序列
  • bootargs:传递给内核的命令行参数
  • serverip 与 ipaddr:用于网络调试配置
多配置切换实现
setenv boot_normal 'setenv bootargs root=/dev/mmcblk0p2; bootz 80008000'
setenv boot_recovery 'setenv bootargs root=/dev/mmcblk0p2 single; bootz 80008000'
setenv boot_nfs 'setenv bootargs root=/dev/nfs nfsroot=192.168.1.100:/rootfs; bootz 80008000'
上述命令定义了三种启动场景:正常启动、单用户恢复模式和NFS根文件系统启动。通过执行run boot_recovery即可切换至对应模式,无需重新编译U-Boot。
配置持久化
使用saveenv命令将当前环境变量写入非易失存储,确保重启后仍生效,实现配置的长期保存。

第四章:高级应用场景与优化策略

4.1 实现硬件热插拔时的设备树动态重构

在嵌入式系统中,支持硬件热插拔要求设备树(Device Tree)能够动态调整以反映物理设备的增删。传统静态设备树在内核启动后不可更改,无法满足实时性需求,因此引入运行时设备树修改机制成为关键。
设备节点的动态注册与卸载
通过 `of_platform_device_create()` 和 `of_device_unregister()` 可在运行时添加或移除设备节点。内核检测到热插拔事件后,解析新设备的设备树片段并合并至主设备树。

struct device_node *np = of_find_node_by_name(NULL, "usb_device");
if (of_device_is_available(np)) {
    of_platform_device_create(np, NULL, NULL); // 创建平台设备
}
上述代码查找名为 usb_device 的节点并创建对应的平台设备。参数 `np` 指向设备树节点,后两个参数为父设备和总线类型,传 NULL 表示使用默认配置。
同步机制与资源管理
  • 使用 mutex 锁保护设备树修改操作,防止并发访问
  • 通过引用计数管理设备资源,确保安全释放
  • 通知子系统(如电源、中断)进行状态同步

4.2 基于用户空间守护进程自动适配外设配置

在现代嵌入式系统中,外设热插拔与动态配置需求日益增长。通过用户空间守护进程监听内核uevent事件,可实现对外设接入的实时响应。
事件监听机制
守护进程通常基于netlink套接字监听KERNEL UEVENT:

// 监听udev事件示例
struct sockaddr_nl sa = { .nl_family = AF_NETLINK };
int sock = socket(PF_NETLINK, SOCK_DGRAM, NETLINK_KOBJECT_UEVENT);
bind(sock, (struct sockaddr *)&sa, sizeof(sa));
recv(sock, buffer, sizeof(buffer), 0);
上述代码创建一个netlink套接字并绑定至uevent源,接收设备状态变更通知。参数`NETLINK_KOBJECT_UEVENT`确保仅接收内核对象事件。
配置策略执行
根据设备类型加载对应配置模板,常见流程如下:
  1. 解析uevent中的DEVTYPE与MODALIAS字段
  2. 匹配预置规则库(如JSON配置表)
  3. 调用systemd服务或ioctl接口完成初始化

4.3 使用C语言封装通用设备树操作API库

在嵌入式系统开发中,设备树(Device Tree)用于描述硬件资源。为提升代码可维护性与复用性,需将设备树的解析操作抽象为通用API库。
核心功能设计
该API库应提供节点查找、属性读取、资源映射等基础功能,封装底层细节,向上层应用暴露简洁接口。
  • dt_open(const char *path):打开设备树文件
  • dt_find_node(const char *compatible):根据兼容性字符串查找节点
  • dt_read_prop(node, prop_name, &len):读取指定属性值
void* dt_map_reg(const void* node) {
    const void* reg = dt_read_prop(node, "reg", &len);
    if (!reg) return NULL;
    uint64_t phys_addr = dt_read_number(reg, 2); // 读取物理地址
    return mmap_device_io(phys_addr, len);       // 映射到I/O空间
}
该函数通过读取节点的 reg 属性解析出硬件寄存器的物理地址,并调用平台相关函数完成I/O映射,便于后续寄存器访问。
优势与扩展性
通过统一接口屏蔽不同SoC架构差异,支持多平台移植,显著提升驱动开发效率。

4.4 性能与内存占用优化:减少重复解析开销

在高频调用的解析场景中,重复解析相同结构的数据会显著增加CPU和内存开销。通过引入缓存机制可有效避免冗余计算。
解析结果缓存策略
使用LRU缓存存储已解析的结果,限制内存占用的同时提升命中率:

var parseCache = NewLRUCache(1024) // 缓存最大1024个解析结果

func ParseWithCache(input string) *AST {
    if ast, ok := parseCache.Get(input); ok {
        return ast.(*AST)
    }
    ast := parse(input) // 实际解析逻辑
    parseCache.Add(input, ast)
    return ast
}
该函数首次解析输入并缓存结果,后续相同输入直接返回缓存对象,避免重复语法分析。
性能对比
策略平均耗时(μs)内存增长
无缓存156高
LRU缓存18可控

第五章:总结与未来发展方向

云原生架构的演进路径
现代企业正加速向云原生转型,Kubernetes 已成为容器编排的事实标准。例如,某金融企业在迁移传统 Java 应用至 K8s 时,采用 Helm 进行版本化部署管理,显著提升发布效率。
apiVersion: apps/v1
kind: Deployment
metadata:
  name: payment-service
spec:
  replicas: 3
  selector:
    matchLabels:
      app: payment
  template:
    metadata:
      labels:
        app: payment
    spec:
      containers:
      - name: server
        image: payment-server:v1.8
        ports:
        - containerPort: 8080
可观测性体系的构建实践
完整的可观测性需涵盖日志、指标与链路追踪。某电商平台整合 Prometheus + Loki + Tempo,实现全栈监控覆盖。
组件用途采样频率
Prometheus采集 JVM 指标15s
Loki收集 Nginx 访问日志实时
Tempo追踪订单服务调用链100%
AI 驱动的运维自动化探索
通过引入机器学习模型预测系统异常,某云服务商实现了磁盘故障提前 48 小时预警。其核心流程包括:
  • 采集历史 I/O 延迟与 SMART 数据
  • 使用 LSTM 模型训练故障预测模型
  • 集成至 Alertmanager 触发自动迁移
  • 每日执行健康评分并生成报告
嵌入式Linux SPI驱动调试:从设备树节点到sysfs设备文件的排查指南 本文详细介绍了嵌入式Linux系统中SPI驱动调试的全过程,从设备树节点配置到sysfs设备文件生成的排查方法。内容涵盖设备树绑定规范、SPI子系统工作机制、系统性排查步骤以及高级调试技巧,帮助开发者快速解决SPI设备文件未生成的常见问题,提升嵌入式Linux驱动开发效率。 阅读详情

相关推荐

2026嵌入式学习路线:从C语言到Linux/ARM项目实战

嵌入式开发是连接软件与硬件的核心技术领域,其本质要求开发者同时理解底层硬件原理与操作系统运行机制。C语言作为嵌入式开发的“内功”,涉及指针、内存及寄存器直接操作;Linux系统则提供进程管理、交叉编译与驱动开发必备环境;ARM体系结构是连接软硬件的桥梁,理解其寄存器、中断和启动流程对驱动开发至关重要。随着AIoT和边缘计算兴起,从智能家居网关到工业HMI,基于Linux/ARM的嵌入式产品已成为行业主流,企业更看重工程师从驱动到应用的完整链路能力。本文基于多年实战经验,系统梳理从C语言到Linux、ARM直

weixin_34234721的博客 196

Linux内核编程:设备树overlay和ConfigFS文件系统

在嵌入式Linux下,设备树(device tree)用来描述硬件平台的各种资源,Linux内核在启动过程中,会解析设备树,获取各种硬件资源来初始化硬件。设备树的overlay功能是指可以在系统运行期间动态修改设备树。一般情况下,如上图所示,设备树经过DTC编译器编译为二进制的hello.dtb文件,加载到内存,随Linux内核一起启动后,一般就无法更改了。如果我们想修改设备树,需要修改hello.dts文件文件,重新编译成二进制文件:hello.dtb,然后重新启动内核,重新解析。有了设备树的overlay功能,省去了设备树的重新编译和内核重启,我们可以直接编写一个设备树插件:overlay.dts,编译成overlay.dtbo后,直接给设备树“打补丁”,在运行期间就可以动态添加节点、修改节点...设备树的overlay功能,在很多场合都会用得到,会让我们的开发更加方便:外界插拔设备,无法在设备树中预先描述:耳机树莓派 + FPGA开发板基于I2C的温度传感器管脚的重新配置:PIN multiplexing修改bootcmd、分区...设备树的overlay功能,目前还没有加入到内核mainline(linux-5.10.x),但目前有些开发板和配套的BSP已经支持了,支持在系统运行期间动态修改设备树文件。如果你手头的开发板或内核平台还没有支持device tree overlay,可以学习本期课程,学习内核中设备树overlay的实现原理,如何给内核打补丁,使内核支持设备树的overlay功能。有了本期课程的学习基础,明白了设备树overlay的实现原理和运行机制,你就可以尝试在自己的开发板平台上实现这个功能了。本期课程的主要内容如下:在开发板上如何实现设备树的overlay功能Configfs文件系统的配置与挂载Configfs编程接口如何编写设备树 overlay插件设备树 overlay的编译和运行设备树overlay运行机制分析本期课程适合哪些人学习:嵌入式驱动工程师嵌入式BSP工程师嵌入式软件工程师想从事嵌入式开发的同学全网首家讲解设备树overlay的视频教程。   

嵌入式Linux设备树(Device Tree)从入门到精通:原理、语法与实战

在嵌入式Linux开发中,硬件描述是连接底层硬件与上层驱动的关键。传统的内核硬编码方式导致代码臃肿、维护困难。为了解决这一问题,设备树(Device Tree)作为一种数据驱动的硬件描述机制应运而生。其核心原理在于将硬件配置信息从内核源码中剥离,以结构化的文本文件(.dts)定义CPU、内存、总线及外设等硬件拓扑,经编译后由Bootloader传递给内核。这种模式实现了硬件与驱动的解耦,带来了巨大的技术价值:同一个内核镜像可适配多种硬件平台,仅需更换设备树二进制文件(.dtb);硬件变更也无需重新编译内核,

569

linux设备树

设备树dtb,dts,dtsi,dtc关系,节点与其属性

weixin_46829095的博客 3371

嵌入式学习路径全解析:从C语言、Linux到ARM项目实战

嵌入式开发作为软硬件深度结合的工程领域,核心能力始终建立在C语言、操作系统与处理器架构三大支柱之上。C语言是底层驱动、内核与芯片SDK的通用语言,其指针、内存与堆栈管理直接决定系统稳定性;Linux系统则引入了进程调度、交叉编译与设备树等关键机制,配合ARM从Cortex-M到Cortex-A的架构演进,构成了现代嵌入式产品的技术底座。理解这些原理,不仅能支撑智能家居、工业控制、物联网边缘设备等场景的端到端开发,更是从裸机编程迈向系统级项目实战的必经之路。本文基于真实工程经验,梳理了从C语言基本功到Linu

weixin_34209851的博客 287

嵌入式Linux设备树(DTS)详解:从硬件描述到驱动匹配的完整指南

在嵌入式Linux开发中,硬件描述与驱动匹配是系统启动和运行的基础。传统的内核硬编码方式将硬件信息直接写入驱动代码,导致内核镜像与特定硬件板卡强耦合,难以适配多种硬件变体。设备树(Device Tree)技术应运而生,其核心原理是将硬件描述从内核代码中剥离,形成独立的、结构化的配置文件(DTS文件),实现硬件描述的“软配置”。这一机制为内核提供了标准化的硬件清单,使得同一内核镜像能够动态适配不同外设配置的板卡,极大地提升了代码的复用性和可维护性。其技术价值在于实现了硬件与驱动解耦,支持模块化开发和分层描述(

weixin_30673611的博客 487

Linux 中利用设备树学习Ⅳ

在这里介绍一些基于pinctrl子系统和gpio子系统的设备树编写和驱动代码编写的例子。有两部分(一)设备树编写,即device代码(二)驱动文件编写,即drive代码。以“点亮四个LED灯”的程序为例进行讲解。

weixin_41544435的博客 797

嵌入式Linux设备树(Device Tree)原理、语法与实战开发指南

设备树(Device Tree)是嵌入式Linux系统中用于描述硬件拓扑和资源配置的核心数据结构,它实现了硬件描述与内核代码的解耦。其基本原理是将硬件信息从内核C源码中剥离,形成独立的文本文件(.dts),经编译后生成二进制文件(.dtb)并由Bootloader传递给内核,使同一内核镜像能适配不同硬件平台。这项技术的核心价值在于提升了代码复用性、可维护性,并支持模块化开发,尤其适用于多板卡适配和产品快速迭代。在应用场景上,设备树广泛应用于基于ARM、RISC-V等架构的嵌入式系统,如瑞芯微(Rockchi

weixin_33831673的博客 401

Linux学习_设备树修改示例

Linux学习_设备树修改示例

muzi_taibai的博客 1244

Win11家庭版如何让Win+R运行CMD默认管理员权限?3种方法实测有效

本文针对Win11家庭版用户,实测了三种让Win+R运行CMD默认获取管理员权限的有效方法。通过分析UAC机制与家庭版功能限制,详细介绍了注册表编辑、快捷方式创建与任务计划程序三种方案的原理、步骤与风险对比,帮助用户根据安全与效率需求选择最佳方案,实现一键高效管理。

sat99的博客 1283

解决鸿蒙/荣耀设备GMS应用调试中的“Play保护机制认证”报错

本文详细解析了在鸿蒙或荣耀设备上调试GMS应用时,遇到“Play保护机制认证”报错的根本原因与解决方案。核心在于获取设备的GMS Device ID,并通过Google官方渠道完成临时注册,从而绕过认证限制。文章提供了无需Root和ADB查询两种具体方法,并分享了授权后的故障排查与实战经验,帮助开发者高效解决问题。

weixin_29288313的博客 305

【设备树动态节点开发秘籍】:掌握C语言实现设备树动态加载的5大核心技术

掌握设备树的 C 语言动态节点开发,解决嵌入式系统硬件配置灵活性难题。适用于Linux驱动、BSP移植等场景,涵盖节点创建、属性设置、内存管理、运行时加载与调试优化五大核心技术。提升系统可扩展性与维护效率,值得收藏。

PixelGlow的博客 648

点云目标检测:open3d多窗口联动可视化

多个模型之间的对比除了指标之外,还需要可以直接直观的对比可视化结果,这次介绍一下如何使用open3d同时打开两个窗口分别加载两个模型的结果进行对比,同时实现两个窗口的联动,也就是当一个窗口拖动或者缩放时另外一个窗口也跟着做同样的变换。

zhaoguanhua的博客 4688

设备树与驱动加载失败?用C语言深入剖析DTS编译链接全过程

深入解析设备树与驱动加载失败问题,通过设备树的 C 语言配置还原DTS编译链接全过程,适用于嵌入式Linux开发场景。揭示底层机制,提升调试效率,嵌入式开发者值得收藏。

QuickDebug的博客 776

AI Agent开发大全第二十课-如何开发一个MCP(从0开发一个MCP Server)

大模型的MCP火了,可是无论是Claude官网本身自带Sample还是全网任何一本教程没有一个可以真正应用在生产环境中的。要么就是只能在本地以文件IO流的方式运行要么干脆连编译都出错,真正的mcp server和client是怎么编写的?如何运行在分布式环境?本教程就带大家真正从0开始以“AI计算食物热量“为例带大家真正学习mcp开发的全过程。

打造全国最全的AI Agent开发知识领域的博客 1804

MFC Windows 程序设计[105]之彩色滚动条(附源码)

MFC是微软公司提供的一个类库(class libraries),用以减少应用程序开发人员的工作量。其中包含大量Windows句柄封装类和很多Windows的内建控件和组件的封装类。有很多初学MFC的小伙伴们都觉得MFC比较难学,看书吧,看了就忘了,网上的一些教程又是写的含糊不清,故而学习起来很吃力...... 故此,本专栏亲自研究,实践,由易到难,层层深入,将调试过程中所遭所遇进行详细讲解,注意事项进行一一列举,希望能够帮助到各位初学MFC的小伙伴,避免走弯路,费时费力。

hnjzfwy的博客 521

Linux驱动层学习:Linux 设备树

到系统主线上的分支。(Device Tree),将这个词分开就是“设备”和“树”,描述设备树的文件叫做 DTS(Device Tree Source),这个 DTS 文件采用树形结构描述板级设备,也就是开发板上的设备信息,比如CPU 数量、 内存基地址、IIC 接口上接了哪些设备、SPI 接口上接了哪些设备等等。是一种数据结构,包含多个节点,用于描述硬件设备及其配置信息,它通常用于嵌入式系统中,尤其是在Linux操作系统中,帮助操作系统识别和管理硬件资源,设备树不是代码,而是一种用数据描述硬件信息的方式。

挥剑决浮云的博客 1350

补码的作用

补码的作用 计算机中的有符号数有三种表示方法,即原码、反码和补码。符号位都是用0表示“正”,用1表示“负”,而数值位,三种表示方法各不相同。在计算机系统中,数值一律用补码来表示和存储。原因在于,使用补码,可以将符号位和数值域统一处理;同时,加法和减法`也可以统一处理。 计算机也可以看成一个计量机器,因为计算机的字长是定长的,即存储和处理的位数是有限的,因此它也有一个计量范围,即都存在一个“模”。 时钟的计量范围是0~11,模=12。表示n位的计算机计量范围是 ,模= 2^n。“模”实质上是计量器产生“溢出”

Asa的博客 2097

设备树动态化改造实战:3步完成C语言级节点插入与资源管理

掌握设备树动态化改造核心方法,3步实现设备树的C语言动态节点插入与资源管理,适用于嵌入式系统启动优化与硬件热插拔场景。通过动态加载、内存安全分配与设备节点实时注册,提升系统灵活性与可维护性,值得收藏。

BreakNexus的博客 962

Arcgis中的模型构建器(ModelBuilder)技术之批量图层转KML

这段时间全省各地都在开展耕地流出图斑整改恢复工作,期间或多或少都需要村委会协助摸排举证,除了举证软件外,奥维、外业精灵等软件想必大家接触得也很多。这就经常需要我们转kmz文件给业主或者摸排人员,那么有没有什么方法在arcgis下快速批量转kmz文件呢,今天就介绍一下如何在模型构建器(ModelBuilder)构建批量图层转KML的模型。

weixin_44671081的博客 1325

【路径规划】基于matlab蚁群算法机器人栅格地图最短路径规划【含Matlab源码 4590期】

基于matlab蚁群算法机器人栅格地图最短路径规划 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1280

嵌入式Linux学习路线:从C语言基础到驱动开发完整指南

嵌入式Linux是软硬件深度结合的系统开发领域,其技术栈覆盖芯片启动、内核裁剪、设备驱动到上层应用的全链路。理解Bootloader、内核、设备树与根文件系统的协作原理,是掌握系统运行逻辑的关键,也是从单片机开发进阶到Linux方向的核心门槛。该技术广泛应用于智能摄像头、路由器、工业HMI、物联网网关等场景,岗位需求涵盖应用开发、BSP适配和驱动开发等多个方向,职业成长空间广阔。掌握C语言、ARM体系结构、系统编程与内核驱动等核心技能,不仅能提升复杂工程问题的解决能力,也能为高并发、资源受限场景下的产品落地

weixin_33937778的博客 478

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

嵌入式Linux设备树详解:从原理到驱动开发实战

在嵌入式Linux开发中,硬件描述与内核代码的分离是提升系统可维护性和可移植性的关键。设备树(Device Tree)作为一种结构化的硬件描述语言,通过将硬件信息从内核源码中解耦,实现了同一内核镜像适配不同硬件平台的目标。其核心原理在于Bootloader将设备树二进制文件传递给内核,内核据此动态创建设备节点,并与驱动程序进行匹配。这一机制极大地简化了BSP维护,尤其适用于瑞芯微、全志等芯片平台的多板卡支持。从技术价值看,设备树不仅规范了硬件资源的描述方式,还通过标准属性如compatible、reg、in

weixin_34341117的博客 477

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

嵌入式Linux学习路线:从C语言基础到驱动开发实战

操作系统是连接硬件与应用的桥梁,而C语言则是构建这座桥梁的核心工具。在嵌入式领域,Linux凭借其开源生态、稳定内核与标准POSIX接口,成为智能家居、工业控制、车载系统等场景的主流选择。理解文件IO、进程线程、网络通信等应用编程基础,掌握ARM体系结构、交叉编译、U-Boot、设备树与根文件系统等系统移植关键环节,再到字符设备、平台设备驱动模型的开发实践,是嵌入式工程师能力进阶的必经之路。本文梳理了一份从C语言基础到驱动开发实战的完整学习路线,帮助开发者建立系统化知识框架,避开常见误区,高效提升工程能力。

weixin_34380948的博客 321

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

嵌入式Linux设备树原理与实战:从硬件描述到驱动开发

在嵌入式Linux系统中,硬件描述与驱动开发是核心环节。传统的内核硬编码方式将硬件信息直接写入驱动代码,导致内核臃肿、代码冗余,且难以适配不同硬件平台。为解决这一问题,设备树(Device Tree)应运而生,它是一种描述硬件配置的结构化数据格式,实现了硬件描述与内核代码的解耦。其原理是通过文本文件(.dts)定义硬件拓扑和资源,由Bootloader传递给内核,驱动通过OF API解析并获取资源信息。这项技术的价值在于提升了内核的通用性和可移植性,同一内核镜像配合不同设备树文件即可支持多样化的硬件平台。在

weixin_30843605的博客 436

嵌入式学习四阶路径:C语言→ARM→Linux→项目实战

嵌入式开发不是通用编程的延伸,而是一套以硬件为中心的技术体系。其核心在于理解代码如何在物理芯片上执行:C语言是直接操作寄存器与内存的底层协议,ARM架构提供了内存管理(MMU)、异常处理和外设映射的真实运行环境,Linux则构建了标准化的硬件抽象与协作框架,最终通过项目实战完成从功能实现到工业交付的闭环。掌握这四个层次的递进关系,才能避开‘会写代码却调不通串口’‘能编译却无法启动内核’等典型陷阱。本文聚焦2024年真实产线技术栈,围绕C语言、ARM、Linux、项目实战四大热词,拆解从裸机驱动到嵌入式Lin

weixin_34081595的博客 1143
上一篇: 【大规模AI平台稳定性保障】:深度解析云原生环境下的故障检测与切换机制
下一篇: HTTP/3全面来袭,FastAPI 0.116升级必看:3个你必须掌握的迁移要点
CodeIsle
博客等级 码龄1年 145粉丝 1966原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值