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
200+累计阅读
288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
Raspberry Pi Pico是一款功能强大的微型单板计算机，搭载了RP2040微控制器。它可以通过使用Raspberry Pi Pico Software Development Kit (SDK)进行编程来实现各种应用，包括物联网设备。在本文中，我们将探讨如何使用Raspberry Pi Pico SDK来开发物联网中的RTC（Real-Time Clock，实时时钟）功能。
RTC是物联网设备中常用的组件之一，用于跟踪和记录时间。Raspberry Pi Pico并没有集成RTC，但我们可以利用其GPIO引脚和SDK提供的功能来实现RTC功能。
首先，我们需要连接一个外部的RTC模块到Raspberry Pi Pico。常见的RTC模块使用I2C接口与微控制器通信。在此假设我们已经正确连接了RTC模块，并且了解其I2C地址和寄存器映射。
接下来，我们需要配置GPIO引脚和I2C通信。我们可以使用Pico SDK提供的接口来实现这一点。以下是一个示例代码，展示了如何初始化GPIO和I2C：
#include <stdio.h>
#基于Raspberry Pi Pico与MicroPython的电子墨水屏日历开发实战
电子墨水屏（E-paper）是一种基于电泳显示技术的双稳态显示器件，其核心原理是通过电场控制微胶囊内黑白粒子的移动来形成图像，刷新后图像可保持且无需功耗。这一特性使其在低功耗物联网设备、智能标签和桌面摆件等场景中具有独特的技术价值。在嵌入式开发领域，Raspberry Pi Pico凭借其高性价比和丰富GPIO，结合MicroPython的高效开发体验，成为快速原型开发的理想平台。本文聚焦于如何利用这两项技术驱动电子墨水屏，通过代码重构、显示优化和功耗管理，实现一个每日自动刷新的桌面日历应用，涵盖了从硬件驱
Raspberry Pi Pico W与电子墨水屏开发套件应用指南
电子墨水屏(ePaper)技术以其超低功耗和类纸显示特性，在物联网和低功耗显示领域具有独特优势。其工作原理是通过电场控制带电颜料颗粒的移动来实现图像显示，仅在刷新时消耗电能，静态显示时零功耗。这种特性使其特别适合智能家居控制面板、电子标签等需要长期显示固定内容的应用场景。结合Raspberry Pi Pico W的WiFi连接能力和丰富外设接口，开发者可以构建功能强大且节能的显示解决方案。在实际工程中，需注意SPI接口配置、温度补偿等关键技术细节，以优化显示效果和系统稳定性。
Raspberry Pi Pico 2开发实战：从RP2350双核架构到MicroPython/C++项目全解析
微控制器作为嵌入式系统的核心，通过集成处理器、内存和丰富外设，实现对物理世界的感知与控制。其工作原理基于硬件与软件的紧密协同，开发者通过编程语言直接或间接操作寄存器，驱动GPIO、ADC、通信接口等模块。这一技术价值在于以极低的成本和功耗，为物联网、智能硬件、工业自动化等领域提供可靠的计算与控制单元。在边缘计算、数据采集、电机控制等应用场景中，微控制器扮演着关键角色。本文聚焦于Raspberry Pi Pico 2这款搭载**RP2350双核** Cortex-M33处理器的新一代微控制器开发板，深入剖析其
基于树莓派Pico W与HT16K33的桌面时钟机器人DIY全攻略
微控制器（MCU）是嵌入式系统的核心，通过执行预编程指令来控制硬件。其工作原理基于处理器、内存和输入/输出接口的协同工作，能够高效管理外设。在物联网（IoT）应用中，MCU的价值在于实现设备的智能化与互联，例如通过Wi-Fi获取网络数据。一个典型的应用场景是制作智能桌面显示设备。本文聚焦于使用树莓派Pico W这款热门MCU，结合HT16K33 LED驱动芯片，构建一个能够联网获取时间并显示动画的桌面机器人。项目实践涵盖了从硬件选型、电路连接到MicroPython编程的全过程，为嵌入式与物联网入门提供了完
树莓派Pico 2 W深度评测：RP2350双核与无线连接实战解析
微控制器（MCU）是嵌入式系统的核心，其架构与性能直接决定了设备的计算能力和响应速度。ARM Cortex-M系列内核因其高效能与低功耗特性，在物联网和边缘计算领域广泛应用。Cortex-M33内核作为ARMv8-M架构的代表，引入了内存保护单元（MPU）和增强的DSP指令集，显著提升了实时数据处理与系统可靠性。这种硬件升级为运行实时操作系统（RTOS）和复杂算法提供了坚实基础，其技术价值在于平衡了性能、功耗与成本，非常适合智能家居、工业传感等应用场景。在此背景下，树莓派Pico 2 W搭载了双核Corte
Raspberry Pi Pico SDK开发-RTC
RP2040 由 Raspberry Pi 设计，具有双核 Arm Cortex-M0+ 处理器和 264KB 内部 RAM，并支持高达 16MB 的片外闪存。 广泛的灵活 I/O 选项包括 I2C、SPI 和独特的可编程 I/O (PIO)。 本实例将演示如何使用RTC。
【雕爷学编程】MicroPython手册之 RP2（Pico）实时时钟 (RTC)
综上所述，MicroPython的RP2（Pico）实时时钟具有时间记录、电池备份和中断功能等特点，适用于数据日志、定时任务和日历显示等应用场景。在使用时需要注意选择合适的电池供电、进行初始化设置、进行时间同步以及合理的电源管理等事项，以确保实时时钟的准确性和可靠性。电池备份：RP2（Pico）实时时钟具有电池备份功能，这意味着即使在主供电断电的情况下，它仍然可以保持时间数据的准确性。时间记录：RP2（Pico）实时时钟能够准确记录当前的年、月、日、时、分、秒等时间数据。支持Python大多数核心语法。
物联网全栈开发实战系列文章汇总（共1361篇，持续更新）
物联网全栈开发实战专栏将涵盖各类单片机、嵌入式设备及驱动开发实例。从仿真到硬件，从单个实例到综合实例，从单个设备到多个设备的各种方式通信、联网等等。以实例为线索，从硬件到用户终端，掌握物联网全栈开发基础。.................................
STM32单片机入门学习（六）-光敏传感器控制LED
光敏传感模块一DO端接B13,GND接GND，VCC接VCC,AO不接。LED负极接B12,正极接VCC。
LMX2820即时校准实战：从失锁到稳定锁频的完整指南
本文详细解析了LMX2820锁相芯片在高频段（11.3-22.6GHz）易出现随机失锁问题的根源，并提供了即时校准（InstCal）的完整实战指南。通过寄存器编程、Index例程和校准配置的关键步骤，确保从失锁到稳定锁频的高可靠性，大幅提升射频合成器在通信与测试测量应用中的性能。
从理论到实践：TRL去嵌入校准在国产矢量网络分析仪上的应用全解析
本文全面解析了TRL去嵌入校准技术在国产矢量网络分析仪上的应用实践，从核心算法到工程实现。详细介绍了TRL校准的数学原理、国产VNA的程控接口开发、校准件质量评估及测量不确定度控制策略，帮助工程师掌握高频器件测量的关键技术。
Isaac Sim 6 利用Replicator实现高效语义分割与实例分割（实践指南5.10）
本文详细介绍了如何利用Isaac Sim 6的Replicator工具高效生成语义分割和实例分割数据集。通过虚拟环境自动标注，效率提升20倍以上，特别适用于农业机器人等计算机视觉项目。文章包含环境配置、场景构建、批量标注技巧及实例分割处理等实战指南，帮助开发者快速掌握合成数据生成技术。
2026年经纬恒润嵌入式笔试试卷带答案
2026年经纬恒润嵌入式笔试试卷涵盖车规MCU选型（如TriCore）、Cortex-M启动流程、指针数组区别、AUTOSAR OS任务调度（静态优先级抢占）、CAN总线特性（终端电阻必要性）、PID控制原理、SOME/IP协议应用等核心知识点。试题聚焦汽车电子系统设计，强调功能安全与实时性要求，涵盖中断处理、Bootloader升级机制、内存布局及可靠性设计（如看门狗、ECC校验）。多选题考察通信协议分层应用，填空题强化基础概念（如MSP初始值、SOME/IP、积分项作用）。整体体现车载嵌入式开发对底层原
GameFramework 框架详解之 Network网络模块 工具链
GameFramework（下面简称GF）Demo中，已经给我们提供了Network模块使用的protobuf使用的动态链接库protobuf-net.dll，但是GF并没有给我们提供protobuf相关的工具链，比如：1.proto文件自动导出对应c#的Packet类和PacketHandler类2.导出Packet类继承IReference以便使用引用池。3.自动生成Packet类和PacketHandler的Id，且保持和服务器Id一一对应。
【Bug已解决】Codex capacity errors 自动重试与意图保留 解决方案
原始报错：Codex Desktop: capacity errors should preserve intent and auto-retry instead of handing model routing back to the user场景：向模型服务发请求时遇到容量错误（服务端繁忙 / 限流 / 容量不足），客户端不做任何重试，直接把"请求失败，请选择另一个模型或重试"的锅甩给用户，让用户手动去点。用户本来只是想完成一次任务，却被中途打断去当"调度员"。
30、航空公司调度问题的数学模型解析
本文详细解析了航空公司调度问题中的核心数学模型，包括航班时刻表生成、机组人员排班和飞机调度的建模方法与求解技术。通过定义变量、约束条件及目标函数，结合线性规划、整数规划等方法，帮助航空公司实现高效调度。文章还探讨了模型的优化策略、简化方法以及实际应用案例，为提升航空运营效率提供了理论支持和实践指导。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
417
扫一扫
