linux spi驱动分析

《Linux驱动:I2C驱动看这一篇就够了》 通常来说为某个特定的IIC设备去构建IIC设备驱动、针对平台硬件资源构建IIC适配器便是IIC驱动相关开发所需要做的工作,IIC核心相关、IIC总线驱动相关的部分,系统中一般已经存在。构建IIC设备驱动一般需要做的工作设置struct i2c_driver结构体,提供attach_adapter、detach_client接口。 阅读详情

From: http://blog.youkuaiyun.com/walkingman321/archive/2010/10/17/5946581.aspx

 

关于 spi 的学习,我觉得最好的方法还是看 Linux 的源代码,主要是 driver/spi/spi.c(h) , spidev.c(h) 。 spi dev 的示例可以看看 at25.c , spi 总线的示例可以看 omap_uwire 或者 spi_s3c24xx.c 和 spi_s3c24xx_gpio.c 。在看这些代码之前,需要对 Linux 的设备模型有一定的了解。

另外,网上有两篇教程不错,《 linux spi 子系统驱动分析》以及《 linux spi 子系统 驱动分析 续》,百度可以直接搜到,这里帖一下我找到的链接,但不清楚是转载的还是原创的。

http://linux.chinaunix.net/techdoc/net/2007/11/12/972031.shtml

http://www.sudu.cn/info/html/edu/20070101/285153.html

 

下面是我整理的关于 SPI 的一些心得,内核版本 2.6.29 。

 

SPI 子系统

spi 子系统中, spi 设备用struct spi_dev描述 ,它的驱动程序用struct spi_driver描述 。 spi 总线设备用struct spi_master描述 。另外,还有两个重要的全局变量:

struct bus_type spi_bus_type = {

       .name             = "spi",

       .dev_attrs       = spi_dev_attrs,

       .match           = spi_match_device,

       .uevent           = spi_uevent,

       .suspend  = spi_suspend,

       .resume          = spi_resume,

};

 

static struct class spi_master_class = {

       .name             = "spi_master",

       .owner           = THIS_MODULE,

       .dev_release    = spi_master_release,

};

 

spi_bus_type 对应 sys 中的 spi bus 总线, Linux 设备模型对这个结构体有详细介绍。

所有 spi_master 对应的 spi 总线都属于 spi_master_class ,也就是说是一个虚拟设备,它的父设备可能是物理设备,比如 platform_device 等等, s3c2410 就是这种情况。

SPI 设备

SPI 设备的驱动程序通过 spi_register_driver 注册进 SPI 子系统,驱动类型为 struct spi_driver 。典型例子如 at25.c 。

static struct spi_driver at25_driver = {

       .driver = {

              .name             = "at25",

              .owner           = THIS_MODULE,

       },

       .probe            = at25_probe,

       .remove          = __devexit_p(at25_remove),

};

因为 spi 总线不支持 SPI 设备的自动检测,所以一般在 spi 的 probe 函数中不会检测设备是否存在,而是做一些 spi 设备的初始化工作。

spi 驱动中可以调用下列函数进行 spi 的传输操作:

static inline int spi_write(struct spi_device *spi, const u8 *buf, size_t len);

static inline int spi_read(struct spi_device *spi, u8 *buf, size_t len);

extern int spi_write_then_read(struct spi_device *spi,        const u8 *txbuf, unsigned n_tx,

              u8 *rxbuf, unsigned n_rx);

static inline ssize_t spi_w8r8(struct spi_device *spi, u8 cmd);

static inline ssize_t spi_w8r16(struct spi_device *spi, u8 cmd);

 

由于 spi 设备不能被 spi 总线动态扫描,所以 spi 子系统使用了另一种方法,就是通过 spi_register_board_info 函数将spi设备静态得登记到系统中。

int __init spi_register_board_info(struct spi_board_info const *info, unsigned n);

struct spi_board_info {

       char        modalias[32];                // 设备名

       const void      *platform_data;      // 私有数据,会被设置到 spi_device.dev.platform_data

       void        *controller_data;           // 私有数据,会被设置到 spi_device.controller_data

       int           irq;                              // 中断号

       u32         max_speed_hz;             // 最大速率

       u16         bus_num;                            // 用于关联 spi_master

       u16         chip_select;                  // 与片选有关

       u8           mode;                          // spi_device.mode

};

在具体平台的文件中,可以定义 struct spi_board_info 的结构体,然后通过 spi_register_board_info 函数保存这些结构体,最后在 scan_boardinfo 函数中根据这些保存的结构体创建 spi 设备( spi_new_device )。

spi_new_device 用于登记 spi 设备,这里面又分两步,首先是 spi_alloc_device ,然后是 spi_add_device 。

struct spi_device *spi_new_device(struct spi_master *master, struct spi_board_info *chip)

       spi_dev* pdev = spi_alloc(master);

       proxy->chip_select = chip->chip_select;

       proxy->max_speed_hz = chip->max_speed_hz;

       proxy->mode = chip->mode;

       proxy->irq = chip->irq;

       strlcpy(proxy->modalias, chip->modalias, sizeof(proxy->modalias));

       proxy->dev.platform_data = (void *) chip->platform_data;

       proxy->controller_data = chip->controller_data;

       proxy->controller_state = NULL;

       spi_add_device(proxy);

 

struct spi_device *spi_alloc_device(struct spi_master *master)

struct device * dev = master->dev.parent;

       struct spi_dev * spi = kzalloc(sizeof *spi, GFP_KERNEL);

       spi->master = master;

       spi->dev.parent = dev;

       spi->dev.bus = &spi_bus_type;

       spi->dev.release = spidev_release;

       device_initialize(&spi->dev);

这里 spi_dev 的父设备被指定为 master 的父设备,而 master 是 spi 总线设备,拥有 class ,是一个虚拟设备。也就是说, spi 设备和与之对应的总线设备拥有同一个父设备,这个父设备一般来说是一个物理设备。

 

int spi_add_device(struct spi_device *spi)

       snprintf(spi->dev.bus_id, sizeof spi->dev.bus_id, "%s.%u", spi->master->dev.bus_id,

                     spi->chip_select);

       status = spi->master->setup(spi);

status = device_add(&spi->dev);

spi 总线

struct spi_master {

       struct device   dev;

 s16   bus_num;                         // 总线号,如果板子上有多个 spi 总线,靠这个域区分;另外, spi_dev 中也有 bus_num , spi_dev 通过这个域找到它所属的总线。

       u16    num_chipselect;         // 片选号,如果一个 spi 总线有多个设备,

       /* setup mode and clock, etc (spi driver may call many times) */

       int                  (*setup)(struct spi_device *spi);

       int                  (*transfer)(struct spi_device *spi,       struct spi_message *mesg);

       /* called on release() to free memory provided by spi_master */

       void               (*cleanup)(struct spi_device *spi);

};

 

登记 spi 总线

struct spi_master *spi_alloc_master(struct device *dev, unsigned size);

 

int spi_register_master(struct spi_master *master);

       scan_boardinfo(master);

spi_register_master 中会调用 scan_boardinfo 。 scan_boardinfo 中,会扫描前面保存的 boardinfo ,看新注册的 master 中的 bus_num 是否与 boardinfo 中 bus_num 匹配,如果匹配,那就调用 spi_new_device 创建 spi 设备,并登记到 spi 子系统中。

 

setup 函数

setup 函数会做一些初始化工作。比如,根据 spi 设备的速率,设备 paster 的位传输定时器;设置 spi 传输类型;等等。

spi_add_device 函数中,会先调用 setup 函数,然后再调用 device_add 。这是因为 device_add 中会调用到 driver 的 probe 函数,而 probe 函数中可能会对 spi 设备做 IO 操作。所以 spi 子系统就先调用 setup 为可能的 IO 操作做好准备。

但是,在代码中, setup 函数似乎也就只在这一个地方被调用。具体传输过程中切换 spi 设备时也要做配置工作,但这里的配置工作就由具体传输的实现代码决定了,可以看看 spi_bitbang.c 中的函数 bitbang_work 。

 

cleanup 函数

cleanup 函数会在 spidev_release 函数中被调用, spidev_release 被登记为 spi dev 的 release 函数。

 

transfer 函数

transfer 函数用于 spi 的 IO 传输。但是, transfer 函数一般不会执行真正的传输操作,而是把要传输的内容放到一个队列里,然后调用一种类似底半部的机制进行真正的传输。 这是因为, spi 总线一般会连多个 spi 设备,而 spi 设备间的访问可能会并发。如果直接在 transfer 函数中实现传输,那么会产生竞态, spi 设备互相间会干扰。

所以,真正的 spi 传输与具体的 spi 控制器的实现有关, spi 的框架代码中没有涉及。像 spi 设备的片选、根据具体设备进行时钟调整等等都在实现传输的代码中被调用。

 

SPI 的传输命令都是通过结构体 spi_message 定义。设备程序调用 transfer 函数将 spi_message 交给 spi 总线驱动,总线驱动再将 message 传到底半部排队,实现串行化传输。

struct spi_message {

       struct list_head       transfers;

       struct spi_device    *spi;

       unsigned         is_dma_mapped:1;

       void               (*complete)(void *context);

       void               *context;

       unsigned         actual_length;

       int                  status;

       struct list_head       queue;

       void               *state;

};

spi_message 中,有一个 transfers 队列, spi_transfer 结构体通过这个队列挂到 spi_message 中。一个 spi_message 代表一次传输会话, spi_transfer 代表一次单独的 IO 操作。比如,有些 spi 设备需要先读后写,那么这个读写过程就是一次 spi 会话,里面包括两个 transfer ,一个定义写操作的参数,另一个定义读操作的参数。

spidev.c

如果不想为自己的 SPI 设备写驱动,那么可以用 Linux 自带的 spidev.c 提供的驱动程序。要使用 spidev.c 的驱动,只要在登记设备时,把设备名设置成 spidev 就可以。 spidev.c 会在 device 目录下自动为每一个匹配的 SPI 设备创建设备节点,节点名 ”spi%d” 。之后,用户程序可以通过字符型设备的通用接口控制 SPI 设备。

需要注意的是, spidev 创建的设备在设备模型中属于虚拟设备,它的 class 是 spidev_class 。它的父设备是在boardinfo中定义的spi设备。

Linux下spi驱动分析与测试【详细流程】 驱动是基于ARM的pl022的SSP控制器,内容包括驱动流程调用分析以及模块测试。 阅读详情

相关推荐

linux mtd m25p80,关于spi flash芯片m25p80驱动以及其简单的mtd驱动分析

项目中用到了spi flash芯片MX25L25635E,之前在uboot下简单分析了驱动代码,调试该flash擦除的bug,一直没有时间分析内核中关于该芯片的驱动,以下是对该芯片驱动的一个简单分析:1、先粘贴一些flash的理论部分: MTD层为NOR FLASH和NAND FLASH设备提供统一接口。MTD将文件系统与底层FLASH存储器进行了隔离。如图所示,MTD设备通常可分为四层,从上到下...

weixin_28267011的博客 1021

Linux 驱动 SPI EEPROM(M95080W)

驱动模板,我这里是找的EEPROM的,它在drivers/misc目录下 drivers/misc/eeprom/at25.c 设备树节点 Documentation/devicetree/bindings/misc/at25.txt

程序员「阿基米东」的编程之旅 3233

Linux spi驱动框架分析(三)

spi_master驱动 Linux spi驱动框架分析(一) Linux spi驱动框架分析(二) spi_master驱动负责最底层的数据收发工作,为了完成数据的收发工作,控制器驱动需要完成以下这些功能: 申请必要的硬件资源,例如中断,DMA通道,DMA内存缓冲区等等; 配置spi控制器的工作模式和参数,使之可以和相应的设备进行正确的数据交换工作; 向spi核心层提供接口,使得上层的设备驱动可以通过核心层访问控制器驱动; 配合核心层,完成数据消息队列的排队和处理,直到消息队列变空为止; 控制器的相关

m0_46525308的博客 1429

Linux spi驱动--时钟频率

mark

风之伤 4580

AT45DB041D中文说明和参考程序

附加了另外三个高手写的参考程序(是AT45DB161D的,不过AT45DB系列D版本的芯片操作基本雷同。这些参考程序都来自于OURDEV网站的高手)。个人感觉gxlujd写的那个比较好,哈哈! 感谢STM32群里面“倮倮”的提醒,有两个地方的错误我提醒一下,第二版没有改过来。 1、带自擦除和不带自擦除操作里面,3BYTES码的组成,正确的应该是: 如果要写264字节的页,操作码(83H选择缓存1,86H选择缓存2)后面必须紧跟3 Bytes地址码,它是由4位任意码、11位(PA10——PA0)页地址码和9位任意码组成(这是一次写一页,当然后面的9位页内地址就用不着啦)。如果要写256字节的页,操作码(83H选择缓存1,86H选择缓存2)后面必须紧跟3 Bytes地址码,它是由5位任意码、11位(A18——A8)页地址码和8位任意码组成。 2、通过缓存写主存地址码的组成,正确的应该是: 如果要写256字节/页的数据(82H选择缓存1,85H选择缓存2),紧随其后的是3字节地址码,它是由5 bits任意码、11位页地址码(A18——A8)和8位缓存页内地址码(BFA7——BFA0)组成。 欢迎各位提出问题和建议。 如果转载,请注明出处! 谢谢!

OpenStack 8 节点生产级高可用(HA)集群实施文档

本文详细介绍了生产级高可用OpenStack集群的架构设计与实施方案。通过采用3节点控制集群(HAProxy+Keepalived)、2节点计算资源池和3节点Ceph分布式存储,实现了控制平面、计算资源和存储系统三个层面的高可用。方案重点阐述了VIP漂移、MariaDB Galera集群、RabbitMQ镜像队列等关键组件的配置方法,并提供了完整的部署流程和故障验证方案。该架构确保任意单节点故障不会影响平台整体可用性,满足生产环境对稳定性、扩展性和可维护性的要求,为构建无单点故障的OpenStack生产环境

彭大帅的博客 780

linux中SPI相关API函数,linux spi驱动开发学习(一)-----spi子系统架构

linux spi驱动开发学习(一)-----spi子系统架构一.spi设备(各定义在include/linux/spi.h)structspi_device {structdevice dev;//设备文件structspi_master *master;//spi主机u32 max_speed_hz; //最大速率u8 chip_select; //片选u8 mode;...

weixin_29532075的博客 683

多边形裁剪算法

多边形裁剪算法 刚参加工作就跟多边形刚上了,对于多边形的裁剪做一些简单的总结。 多边形裁剪主要有四种算法 Greiner-Hormann裁剪算法 Sutherland-Hodgman算法 Vatti裁剪算法 Weiler-Atherton裁剪算法 作为一名想要成为优秀算法工程师的程序员,我们不能只会使用,而不知道其原理,倘若如此,我们无法做到应用于本身业务上的定制化的修改。 Greiner–H...

papalqi 6729

linux mipi驱动分析_Linux驱动分析之SPI控制器

前言之前对SPI驱动的整体架构做了介绍,现在来分析具体的驱动程序。之前说过,SPI驱动分为设备驱动和控制器驱动。先来分析控制器驱动。我们以RockChip的控制器来作为分析。SPI控制器分析下面的代码分析主要都在注释中,会按照驱动中函数的执行顺序分析。(1) 装载和卸载函数//dts匹配表 static const struct of_device_id rockchip_spi_dt_match...

weixin_39736547的博客 903

揭秘个人开发者接支付宝的‘野路子’:不用企业资质,用Python模拟扫码转账与回调监听

本文探讨了个人开发者如何通过Python模拟支付宝扫码转账与回调监听的技术实现,解析了支付宝URL协议格式,并设计了本地化的支付状态监听方案。文章强调该方法仅用于技术研究,实际应用需遵守支付宝官方接口和金融合规要求。

weixin_30736301的博客 408

AI问数,智慧赋能:基于大语言模型的数据播报员应用实践探索

AI问数技术正在改变企业与数据交互的方式,它以自然语言为桥梁,让数据不再是少数专家的专利,而是成为所有业务人员的决策伙伴。这不仅是技术的创新,更是管理理念的革新。在数字化转型的关键阶段,企业应积极拥抱AI问数技术,通过降低数据使用门槛、提升数据利用效率、释放数据潜在价值,实现真正的数据驱动决策,为企业的高质量发展注入源源不断的智慧动能。AI问数,正在开启一个数据普惠的新时代。

getusushu的博客 64

Linux下SPI驱动分析

Linux下SPI总线驱动有通用接口,一般的SPI设备驱动使用这个驱动接口实现设备驱动。分析驱动最好是先了解核心代码,然后从具体设备分析入手,然后从下至上,了解整个框架,再从上到下分析,理解透彻。以下分析内核根目录均以"src"代替。内核代码http://lxr.linux.no/,版本2.6.37.2。SPI的核心代码即"src/drivers/spi/spi.c"——SPI 初始化

steven.bai的专栏 954

第10章 shellcode实战:18 神级开源shellcode工具:donut

Donut是一款shellcode生成器,可将C/C++、C#生成的PE文件转换为shellcode文件,同时支持JS、XSL、VBS脚本转换为shellcode。以下“原生”EXE/DLL指非托管PE文件(包括并不限于C/C++、delphie等编写生成的可执行文件),可以直接由系统加载运行,区别于.Net生成的托管文件。被处理exe/dll为32位程序,则需要用32为的shellcode加载器启用,exe/dll为64位的就用64位shellcode加载器启用。

李小咖·网安技术库 2796

Linux下SPI驱动框架分析

Linux下SPI驱动框架分析 Linux的spi接口驱动实现目录在linux-2.6.22.6\drivers\spi下。首先通过看Kconfig 和 Makefile来找找思路 先看Makefile, # # Makefile for kernel SPI drivers. # ifeq ($(CONFIG_SPI_DEBUG),y) EXTRA_CFLAGS += -DDEBUG ...

WangHuiShou的博客 1088

SpringBoot 插件化开发详细总结

SpringBoot 插件化开发方案总结

congge 1万+

从零开始学习PX4源码23(飞行模式管理)

本文摘要主要介绍了PX4飞控系统中飞行模式管理模块的代码实现流程。文章从整体架构入手,分析了飞行模式管理模块的启动过程、类继承关系以及核心运行机制。重点阐述了模块从rc.mc_apps启动脚本到FlightModeManager::main()的调用链路,包括任务创建、工作队列初始化和主循环执行流程。核心部分解释了Run()函数如何通过订阅传感器数据、更新参数、处理命令以及生成轨迹设定点来实现飞行模式切换和任务管理功能。文章为理解PX4飞行控制系统的模式切换机制提供了代码层面的详细分析。

陌城烟雨 499

linux spi转串口驱动,linux spi驱动分析

关于spi的学习,我觉得最好的方法还是看Linux的源代码,主要是driver/spi/spi.c(h),spidev.c(h)。spi dev的示例可以看看at25.c,spi总线的示例可以看omap_uwire或者spi_s3c24xx.c和spi_s3c24xx_gpio.c。在看这些代码之前,需要对Linux的设备模型有一定的了解。另外,网上有两篇教程不错,《linux spi子系统驱动分...

weixin_33241808的博客 754

【数据集5】土地利用类型数量预测数据LUH2

简介土地利用类型数量预测数据LUH2

WW、forever的博客 4546

Linux下SPI驱动的分析

1、platform_device 和 platform_driver之间的关系: platform_device 是板卡信息,可能有的板卡有SPI控制器,但没有使用SPI总线的时候,就会存在platform_device中没有SPI相关的板卡信息。这样系统就不会加载SPI驱动到系统中。板卡相关的信息一般在目录arch/arm/下(以S3C6410为例,arch\arm\plat-s5p\dev

嵌入式及其多媒体技术的专栏 707

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

usb转spi linux,linux SPI驱动分析(转)

2.6.18内核下已经添加了完整的spi子系统了,参考mtd的分析,将从下到上层,再从上到下层的对其进行分析。以下先从下到上的进行分析:driver/spi下有两个底层相关的spi驱动程序:spi_s3c24xx.c和spi_s3c24xx_gpio.c其中spi_s3c24xx.c是基于s3c24xx下相应的spi接口的驱动程序,spi_s3c24xx_gpio.c允许用户指定3个gpio口,分...

weixin_34878397的博客 733

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")

Linux spi驱动框架分析(四)

系列文章: Linux spi驱动框架分析(一) Linux spi驱动框架分析(二) Linux spi驱动框架分析(三) spi_master的消息队列机制 SPI数据传输可以有两种方式:同步方式和异步方式。所谓同步方式是指数据传输的发起者必须等待本次传输的结束,期间不能做其它事情,用代码来解释就是,调用传输的函数后,直到数据传输完成,函数才会返回。而异步方式则正好相反,数据传输的发起者无需等待传输的结束,数据传输期间还可以做其它事情,用代码来解释就是,调用传输的函数后,函数会立刻返回而不用等待数据传输

m0_46525308的博客 1348

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Linux驱动分析之SPI驱动架构

SPI体系结构主要由三部分组成:(1) SPI核心(2) SPI控制器驱动(3) SPI设备驱动基本和I2C的架构差不多重要结构体内核版本:3.7.6spi_master//SPI控制器...

嵌入式软件开发交流 1万+

linux spi驱动分析整理

1、SPI总线:        SPI(同步外设接口)是由摩托罗拉公司开发的全双工同步串行总线,其接口由 MISO(串行数据输入),MOSI(串行数据输出),SCK(串行移位时钟),SS/CS(从使能信号)四种信号构成(当然了,现在芯片技术日新月异,SPI模块的结构也在变化中,象 OMAP系列中的 SPI 模块还支持 5 线的一种模式),SS /CS决定了唯一的与主设备通信的从设备,

tebeg521的专栏 1752

linux的LFC工具,linux spi子系统驱动分析

2.6.18内核下已经添加了完整的spi子系统了,参考mtd的分析,将从下到上层,再从上到下层的对其进行分析。以下先从下到上的进行分析:driver/spi下有两个底层相关的spi驱动程序:spi_s3c24xx.c和spi_s3c24xx_gpio.c其中spi_s3c24xx.c是基于s3c24xx下相应的spi接口的驱动程序,spi_s3c24xx_gpio.c允许用户指定3个gpio口,分...

weixin_42500791的博客 274
上一篇: Linux进程虚拟内存和物理内存
下一篇: Linux的信号处理
CodeJoker
博客等级 码龄18年 50粉丝 37原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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