NAND Flash的坏块管理设计

NOR Flash与NAND Flash坏块管理全解析:原理、差异与嵌入式设计实战 闪存(Flash Memory)作为非易失性存储的核心技术,其数据存储原理基于浮栅晶体管结构,通过电荷的注入与保持实现信息写入。然而,物理层面的电荷泄漏与氧化层损伤会导致数据错误,这一可靠性挑战在NAND Flash中表现为出厂即存在的坏块,而在NOR Flash中则体现为长期使用后的位错误累积。从技术价值看,理解闪存的失效机制是构建健壮嵌入式系统的基石,直接影响产品长期稳定性与数据完整性。应用场景上,NAND凭借高密度、低成本优势广泛用于大容量数据存储,而NOR则因支持芯片内执行(XIP)特性,成为启动代 阅读详情
NAND Flash的坏块管理设计

摘要:主要介绍了基于嵌入式Linux的NAND Flash坏块管理设计和实现方案,详细阐述了坏块映射表的建立、维护及其相关算法,同时分析了此坏块算法在Linux内核及Bootloader中的具体应用。测试结果表明该算法能够处理NANDFlash的相关坏块问题,具有较高的稳定性。
关键词:NAND Flash;嵌入式IAnux;映射表;坏块管理

    在拥有诸多优点的同时,NAND Flash由于生产工艺的问题,其在出厂时可能存在一定的坏块。这些固有坏块不能用于存储数据,已被产家标识好。另外,使用过程中由于读写次数增多,好块也会变得不稳定或失效,成为坏块,这就是出厂后产生的坏块。
    NAND Flash在生产及使用过程中都有可能产生坏块,这将使得系统变得不稳定。应用中一般采用跳块策略来管理坏块,但它不能解决系统运行中产生的坏块情况。针对此情形,本文提出基于嵌入式Linux系统平台下的一种基于坏块映射的NAND Flash坏块管理的方案,并详细介绍其相关映射算法和整套系统的相关坏块管理流程。

1 坏块管理层次结构
    Linux下的MTD(Memory Technology Device)是用于管理ROM、Flash等内存设备的一层子系统,它使编写管理内存设备驱动变得更加简单。
    MTD子系统将Flash设备或其分区抽象为MTD设备,使底层驱动只需实现MTD设备,而向上层文件系统提供标准的接口,如MTD字符设备、MTD块设备。
    如图1所示,本方案设计中,将坏块管理层(BBMlayer)紧靠在驱动层之上MTD层之下,从而使得MTD层对坏块不可见,并使坏块的管理是基于整个芯片而不是某个分区,便于上层文件系统实现损耗平衡。

a.JPG
    BBM层基于驱动层提供的读、写、擦除相关操作实现接口read()、write()、erase()、read_oob()、write_oob()、isbad()、mark_bad()。对于其上层MTD子系统而言,关于坏块的相关接口将不存在,物理介质类似于NORFlash。其中read_oob()、write_oob()接口为文件系统提供相关用途,如JFFS2的cleanmarker相关载体。

2 坏块管理模块的设计实现
2.1 坏块管理原理
    本文的设计的坏块管理是基于坏块映射原理的一种实现。在本坏块映射的设计中,NAND Flash被划分为基本空间和预留空间。基本空间为用户看到的NANDFlash的总的存储空间。基本空间中的坏块被映射到预留空间中的相应好块。基本映射关系如图2所示。映射管理信息记录在坏块映射表中,它存储在预留空间。

b.JPG


2.2 坏块映射表的描述
    在预留空间存在4种形式的块:空闲的好块、坏块、被映射的块、存放映射表的块。
    存放映射表的块较为特殊,其中映射表不仅描述基本空间中的坏块映射相关信息,还描述预留空间占整个Flash空间的比例等。
    设计中一张坏块表存于一个Flash块,表的信息存于块中最前面的相关页中。表的头部长度固定,表的整个长度可变,与坏块数目相关。
坏块映射表结构描述如下:  

  c.JPG
    其中hdr_crc和tbl_crc用于检验表的完整性;rese_start_blk即预留空间的起始块号;version用于标识该表的版本;num_bad_blk用于描述已发现的坏块数,即坏块映射表项的数目;map_tbl为记录坏块映射表项内容的首地址。任何一个映射表项包括坏块块号及其映射的好块的块号。
    由于使用过程中会产生新的坏块,映射表中的表项需要增加,从而要更新Flash中的映射表。为了防止系统意外掉电产生映射表不一致问题,采用日志技术。其中version版本号标识映射表的新旧,在更新Flash映射表的同时,版本号递增,同时Flash旧版本映射表并不立即擦除。只有出现预留空间不足的情况,擦除旧版本映射表的动作才执行。此方案还有利于调试,查看映射表的更改历史记录。
    在出现坏块Bn后,通常包括两个动作:写映射表和标识坏块。标识坏块是通过在块的00B相应字节写非0xFF来实现。
    为了支持意外掉电情形,每个版本的映射表必须在Flash里保存两份,如果发现最高的版本映射表没有两份,或者两份不一致,则属于非正常情况,必须重新建立映射表。
    考虑如下情况:写完映射表Vn,接着标识坏块Bn,此时掉电,则下次系统启动后,出现映射表的坏快Bn,实际上并没有被标识,导致不一致问题。写2份Vn可以解决此问题:写第一份Vn后,标识坏块Bn,接着再写第二份Vn。这样即使在标识坏块Bn时掉电,下次系统加电时由于没有发现2份版本相同且最高的映射表,从而识别出此非正常情况。
    同时,维护2份同版本坏块表可以处理存放映射表的块突然坏死而导致系统无法启动的异常,起到备份的作用。
2.2.1 坏块映射表的管理算法
    系统初始化时读入坏块表的内容,在内存中建立所有坏块的映射信息。由于每次发现新的坏块而更新坏块表时,都会写入两个版本一样的坏块表,所以在读入坏块表时就要检查两个表是否有效和一致,可以分为以下情况:
    ①发现2张最高版本并且有效的坏块表Vn+1——系统按表Vn+1建立映射;
    ②只发现1张最高版本并且有效的坏块表Vn+1,并且有2张有效坏块表Vn——发生在上次写完一个Vn+1后突然掉电,使得第二个表Vn+1未写入或写入不完整,这时需要恢复,以建立完整映射,恢复算法如图3所示。

d.JPG


    ③只发现一张最高版本并且有效地坏块表Vn+1,并且有1张有效坏块表Vn——发生在写第二张Vn+1突然掉电,并且之前写第二张Vn也发生掉电;
    ④仅发现一张坏块表V0——发生在系统写第二张V0时掉电,此时系统需重新扫描建立映射表V1;
    ⑤没有发现任何坏块表——系统最初状态;
    ⑥两个完整的坏块表Vn+1,但num_bad_blk不一样——这种情况发生在更新第二个坏块表Vn+1时,写的时候出错,产生一个新的坏块,从而第二次更新的坏块表Vn+1的坏块数增加了。
    对于情况①,只需在系统最初建立前建立好映射关系即可。
    对于情况②,它经常出现在系统在写或者擦除Flash数据块时突然断电,导致数据或者ECC变化,从而Flash读导致ECC不正确。实际上Fl-ash块并没有坏。根据此种情况,将首先为此块分配一个映射块,并把数据拷入映射块。接着对此块进行torture操作,如果发现它为好块,则将之前映射操作撤销,将数据重新拷入此好块。如果此块确实已坏,则将此块标记为坏块,并更新映射表。
    对于情况③,分配一个新的映射块,把有效数据写入新块,并建立映射信息。
    对于情况④,分配一个新的映射块,并将此块查出,然后建立映射信息。
    对于情况⑤,扫描整个Flash,建立映射表Vn、V0。
    对于情况⑥,则采用坏块多的映射表Vn+1,并用它更新Vn+2、Vn+2。
2.2.2 坏块管理及上层接口实现
    该模块实现基于上节所述坏块管理算法对Flash的所有有效块的使用。它主要是处理运行中产生坏块的情况,并让上层程序屏蔽此信息。
    NAND Flash的坏块包含如下三种类型:
    ◆Flash上存在的出厂坏块;
    ◆读过程发生比特反转而被视为的坏块;
    ◆操作过程(读,写,擦除)中产生的新的坏块。
    对于此模块主要完成后两种动态坏块类型的处理过程。对于出厂坏块,只需在初始化时检测出来并将其映射到一个好块,以后的读写过程中对映射块操作即可。
    对于运行中产生的坏块,从操作类型(读、写、擦除)来进行分别处理。
    ①读过程中的比特反转导致ECC错误,由于比特反转是NAND工艺决定的,且是不可避免的随机行为,所以不能简单地根据ECC错误就将其当作坏块处理。具体处理流程如图4所示,通过torture操作判断此“坏块”已真正成为坏块。

e.JPG
    如果NAND Flash在执行擦除或写操作过程时发生断电,则所操作的块内的数据具有不确定性。下次读该块的内容时,可能发生无法纠正的ECC错误。为了能处理这种情况,图4中的torture处理,其实现原理就是选择一些数据写入该块,再读出,如果不一致则该块已变成坏块。


    ②写过程中发生错误,则该块成为坏块。处理方法为:为其分配一个新的有效块,将坏块原有数据拷贝到有效块,并同时写入新的数据,最后更新映射表,标识坏块。写操作的错误处理算法如图5所示。

f.JPG


    ③擦除过程发生错误,则该块成为坏块。处理方法为:为其分配一个新的有效块,并擦除此有效块,更新映射表,标识坏块。
2.3 BootIoader的坏块管理
    在Bootloader层采用Linux内核相同的坏块管理策略,并复用相关代码。Bootloader在内存建立起的坏块映射表可以通过内存共享的方式,传递给Linux内核,从而减少内核重新扫描坏块映射表的时间,加快系统启动速度。

3 测试
    Cases测试方法:对一切可能情况实行模拟测试,最后进行压力测试。
3.1 坏块场景模拟测试
    ①出厂坏块;
    ②运行中产生坏块:读操作产生坏块,写操作产生坏块,擦操作产生坏块,比特反转产生伪坏块。
3.2 坏块表一致性场景模拟
    ①2张相同Vn+1;
    ②1张Vn+1和2张相同Vn;
    ③1张Vn+1和1张Vn;
    ④1张Vn;
    ⑤没有任何坏块表;
    ⑥2张不相同的Vn+1。
3.3 压力测试
    系统不间断运行10天后,工作状态仍然正常。
3.4 文件系统测试
    系统能够支持对坏块敏感的文件系统squashfs、cramfs,其测试案例均通过。这表明该坏块管理方法能有效管理NAND Flash。

4 总结
    本文提出了一种基于嵌入式Linux整套系统的NAND Flash坏块管理实现方案,并详细介绍其坏块映射算法。此方案目前已经应用到数字电视开发平台。在系统平台上的相关坏块动态产生、突然掉电等大量测试表明此方案稳定可靠。

rt-thread驱动篇(08)---STM32F429单片机NAND FLASH驱动 阅读详情

相关推荐

NAND Flash坏块管理:从原理到实践的关键策略解析

本文深入解析NAND Flash坏块管理的核心原理与实战策略,涵盖硬件检测、软件预判及企业级解决方案。通过优化扫描算法、动态阈值监测和分级预留策略,有效提升存储设备可靠性。特别探讨了三星V-NAND和西部数据动态巡检等先进技术,为开发者提供实用避坑指南。

weixin_29260291的博客 354

【重要】Nand Flash基础知识与坏块管理机制的介绍

Flash名称的由来,Flash的擦除操作是以block块为单位的,与此相对应的是其他很多存储设备,是以bit位为最小读取/写入的单位,Flash是一次性地擦除整个块:在发送一个擦除命令后,一次性地将一个block,常见的块的大小是128KB/256KB,全部擦除为1,也就是里面的内容全部都是0xFF了,由于是一下子就擦除了,相对来说,擦除用的时间很短,可以用一闪而过来形容,所以,叫做Flash Mem。出现坏块,则将数据顺序写入下一个好块。相对应的是,所有正常的块,好的块,里面所有数据都是0xFF的。

lyd0813的博客 4504

嵌入式存储解决方案:STM32 NAND Flash坏块管理与ECC校验

本文还有配套的精品资源,点击获取 简介:STM32_NandFlash_Disk 项目针对STM32微控制器的NAND Flash存储器进行管理,专注于实现坏块管理和错误校验功能。在嵌入式系统中,NAND Flash由于其高容量和低价格成为数据持久化存储的优选。然而,长时间的使用可能导致坏块的出现,这需要通过坏块管理和ECC校验来确保数据的可靠性和系统的稳定性。实现这些功能...

weixin_32456485的博客 2937

NandFlash存储管理技术(磨损均衡、坏块管理、位翻转)

Nandflash属于非易失型的存储介质,常作为外存使用。而在实际使用中因为nandflash的物理特性导致的安全问题,轻则数据错误、文件乱码,重则系统死机。这里对nandflash的存储管理技术进行总结,并给出了嵌入式端管理的方案,经验不足之处请多多指教。

weixin_44164532的博客 9830

Comsol固体力学仿真﹣﹣受均匀内压的厚壁球壳弹塑性分析(加载卸载全流程)

COMSOL固体力学及结构力学仿真较少,故而查询了有关资料,才建立了如下模型。图4 加载卸载全历程中的冯米塞斯应力变化。该有限元模型是通过扫掠而得的结构化网格。图2 加载卸载全历程中的塑型区域变化。图3 加载卸载全历程中的位移应力变化。图6 关键节点第一,第三主应力分布。图5 关键节点应力场与塑性区分布。《弹塑性力学》大作业,记录一下。图1 球体的有限元网格模型。

weixin_62236383的博客 1489

关于使用perfetto(systrace)对卡顿进行分析-实战分析

本文主要讲述了我在使用perfetto分析小米中桌面滑动卡顿的方法以及步骤。 这是我用的trace文件: 链接:https://pan.baidu.com/s/11EhCvu0pfR7Qfu6bDf_GLw?pwd=ic43 提取码:ic43Perfetto 是用于性能检测和跟踪分析的生产级开源堆栈。它提供用于记录系统级和应用级跟踪、本机 + java 堆分析、使用 SQL 分析跟踪的库以及用于可视化和浏览多 GB 跟踪的基于 Web 的 UI 的服务和库。在地址栏输入https://ui.perfe

qq_40494059的博客 1万+

qemu模拟arm嵌入式环境

文章目录一、安装qemu二、安装arm工具链三、下载编译内核四、制作根文件系统五、qemu 运行1、直接启动kernel2、通过uboot启动内核2.1 配置QEMU Tap网络2.2 安装配置tftp2.3 编译uImage2.4 编写启动脚本boot.sh3. 挂载 NFS 文件系统六、qemu 模拟机连接外网七、其他1、制作多分区镜像2、运行qemu 一、安装qemu 1、下载编译安装 # wget https://download.qemu.org/qemu-4.2.0.tar.xz # tar x

qigaohua的博客 3772

Megatron-LM从头训练大语言模型:并行策略图示【Tensor并行、Pipeline并行、Data并行、Sequence并行、virtual_pipeline并行、Context并行】

节点包含的层每GPU的参数内存每GPU的激活内存节点0Stage 0层1-1212层参数/2 (TP切分)8k序列激活 (CP切分)节点1Stage 1层13-2412层参数/2 (TP切分)8k序列激活 (CP切分)节点2Stage 2层25-3612层参数/2 (TP切分)8k序列激活 (CP切分)节点3Stage 3层37-4812层参数/2 (TP切分)8k序列激活 (CP切分)负载均衡:每个节点处理相同数量的层(12层)内存优化。

u013250861的博客 286

Rowhammer漏洞致“比特位翻转”,如何解决?

读者们也许会觉得Rowhammer和比特位翻转是音乐及舞蹈行业的专业术语,但其实他们指的是存在于动态随机访问存储(DRAM)——大多数电子设备中都存在的一种核心组件中的某种非常严重的漏洞。随着驱动器中在每个单独的DRAM芯片上的存储容量的提升,造成了其自身严重的漏洞,其允许攻击者把DRAM中比特位的值从1改成0,或翻转为相反的数值。这一基于硬件的攻击能够...

weixin_34410662的博客 574

从地方政府网站抓取政务公开数据:Python爬虫技术详解

在本文中,我们通过具体实例介绍了如何使用Python编写爬虫,从地方政府门户网站抓取政务公开数据。我们使用了requestsSelenium等最新技术,结合SQLite数据库存储抓取的数据,最后使用matplotlib进行数据可视化分析。通过本项目,您可以掌握如何抓取政府网站的公开数据,并将其进行清洗、存储和分析。这些技术对于进行政府政策分析、公共服务分析等方面具有重要的实际意义。希望通过本文的介绍,您能够更好地理解政务数据抓取的流程和方法,并能在实际工作中运用这些技术进行数据采集和分析。

2201_76125261的博客 1704

新凯来嵌入式面经及参考答案

利用编译器预定义宏判断目标架构,如。

大模型大数据攻城狮的专栏 2068

linux nand 坏块_NAND Flash的坏块管理设计

摘要:主要介绍了基于嵌入式Linux的NAND Flash坏块管理设计和实现方案,详细阐述了坏块映射表的建立、维护及其相关算法,同时分析了此坏块算法在Linux内核及Bootloader中的具体应用。测试结果表明该算法能够处理NANDFlash的相关坏块问题,具有较高的稳定性。关键词:NAND Flash;嵌入式IAnux;映射表;坏块管理本文引用地址:http://www.eepw.com.cn...

weixin_39981360的博客 507

Android功耗系列专题理论之六:外设功耗问题分析方法

本文介绍了移动设备功耗问题的分析方法,重点针对传感器和GPU两大模块。传感器部分详细讲解了通过ADB命令获取日志、状态差异分析和单传感器隔离测试的排查方法,并给出优化建议。GPU部分从基础功耗测量、场景测试到功能模块拆解进行多维度分析。同时阐述了GNSS/GPS功耗的测试方法,包括前后台对比、星座双频拆解及SAP/DPO等特殊功能的电流分析,为移动设备功耗优化提供系统性的诊断思路。

376

NAND+Flash坏块管理算法及逻辑层驱动设计

NAND+Flash坏块管理算法及逻辑层驱动设计 【下载地址】NANDFlash坏块管理算法及逻辑层驱动设计 本项目专注于NAND Flash存储器的坏块管理算法优化与逻辑层驱动设计,旨在提升存储器的可靠性和使用寿命。通过对现有坏块管理策略的深入分析,提出了一套高效的坏块检测、标记、映射和替换机制。同时,项目还设计了基于...

gitblog_06789的博客 842

OpenCASCADE:Direct3D CSharp 示例

OpenCASCADE:Direct3D CSharp 示例OpenCASCADE:Direct3D CSharp 示例 OpenCASCADE:Direct3D CSharp 示例 此示例演示了如何在使用CSharp和Windows Presentation Foundation (WPF)编写的.Net应用程序中使用 OCCT 和 DirectX 库。 .Net、OCCT (C++) 和 DirectX 级别之间的连接由用 C++/CLI 编写的代理库OCCProxy和D3DProxy提供。代理库OCC

希望我的博客,能帮上你解决学习中工作中所遇到的问题 1829

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

嵌入式 NAND Flash的坏块管理设计

NAND Flash的坏块管理设计  摘要:主要介绍了基于嵌入式Linux的NAND Flash坏块管理设计和实现方案,详细阐述了坏块映射表的建立、维护及其相关算法,同时分析了此坏块算法在Linux内核及Bootloader中的具体应用。测试结果表明该算法能够处理NANDFlash的相关坏块问题,具有较高的稳定性。 关键词:NAND Flash;嵌入式IAnux;映射表;坏块管理

skdkjxy的专栏 2751

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

NANDFlash坏块管理算法及逻辑层驱动设计:提升存储器可靠性的创新方案

NANDFlash坏块管理算法及逻辑层驱动设计:提升存储器可靠性的创新方案 【下载地址】NANDFlash坏块管理算法及逻辑层驱动设计 本项目专注于NAND Flash存储器的坏块管理算法优化与逻辑层驱动设计,旨在提升存储器的可靠性和使用寿命。通过对现有坏块管理策略的深入分析,提出了一套高效的坏块检测、标记、映射和替换机...

gitblog_06776的博客 279

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")

NANDFLASH的学习(二)

文章目录三、动态坏块处理(一)、坏块的概念(二)、坏块管理的方法1、跳过坏块2、保留坏块(三)、动态坏块管理算法设计思想(四)、动态管理算法设计流程及函数实现1、建立坏块表 上一篇文章NANDFLASH的深度学习(一) 三、动态坏块处理 (一)、坏块的概念 NAND Flash由于生产工艺的问题,会存在一定数量的坏块。它产生的原因是解码失败、地址线错误和存储单元等,当区块超出擦写次数时也很容易变成...

oyzy_Sean的篝火 3168

【nand】NAND Flash闪存坏块的相关知识

1.为什么会出现坏块   由于NAND Flash的工艺不能保证NAND的Memory Array在其生命周期中保持性能的可靠,因此,在NAND的生产中及使用过程中会产生坏块。坏块的特性是:当编程/擦除这个块时,不能将某些位拉高,这会造成Page Program和Block

DJYOS都江堰操作系统 1760

NOR Flash与NAND Flash详解

设计时需针对接口、寿命、纠错等核心问题优化,并紧跟3D堆叠与工艺微缩趋势,以平衡性能、成本与可靠性。推荐型号:Samsung 980 Pro(PCIe 4.0 NVMe)、Kioxia BiCS5(3D TLC)。推荐型号:Winbond W25Q系列(SPI接口)、Micron MT28E系列(并行)。:按块擦除(块大小128KB-4MB),写入速度远高于NOR。:按块擦除(典型块大小64-256KB),写入需先擦除。:以页为单位(典型4KB),地址解码依赖控制器。,需按页(Page)读取。

SDJ_success的博客 2675

基于NAND Flash的转译层的设计

摘  要: 基于NAND Flash的嵌入式存储系统以其轻巧便携、读写速度快等特点成为当前嵌入式存储系统的主流配置。但由于固有坏块以及在擦、写过程中随机产生的坏块影响了NAND Flash的实际应用,所设计的NAND Flash的驱动转译层具有坏块管理机制并实现上层文件系统的连续读写功能。 关键词: NFTL;地址映射;坏块管理     目前市场上闪存芯片主要有两类,即NAND Flash

qingfengtsing的专栏 975
上一篇: ARM]NAND FLASH的MLC和SLC架构对比
下一篇: Linux内核中NAND Flash坏块管理
小木瓜
博客等级 码龄15年 104粉丝 90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