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
1.5k累计阅读
1.6k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
ARM架构指令集详解：从armv6到arm64的选包避坑指南
指令集架构（ISA）是CPU与软件之间的底层合同，决定了二进制程序的兼容性与性能表现。ARM作为精简指令集代表，通过armv6、armv7、armv8等版本迭代，在保持向后兼容的同时引入NEON SIMD、64位寻址等关键特性。理解架构版本、核心型号与位宽的区别，能帮助开发者在多架构软件分发、交叉编译与QEMU模拟arm64等场景中精准选型。无论是安卓APK的ABI适配、Python wheel包的平台标签识别，还是银河麒麟等国产平台部署，掌握armv6到arm64的差异都能有效规避非法指令与安装失败问题。
ARM基础
ARM公司（正式名称为ARM Holdings Ltd.）是一家总部位于英国剑桥的半导体和软件设计公司，专注于开发和授权基于ARM架构的处理器技术。输入设备的任务是把人们编好的程序和原始数据送到计算机中去，并且将它们转换成计算机内部所能识别和接受的信息方式。CPU的指令集是指令的集合，这些指令用于控制计算机的操作和执行各类计算。程序计数器、链接寄存器和堆栈指针是计算机架构中关键的寄存器，它们负责程序的控制流程和数据管理。运算器是对信息进行处理和运算的部件，经常进行的运算是算术运算和逻辑运算，因此运算器。
STM32本质解析：ARM内核、ST外设与生态的三位一体
微控制器（MCU）是嵌入式系统的核心执行单元，其性能与可靠性取决于处理器内核、外设集成及软件生态的协同设计。ARM Cortex-M系列作为主流32位内核架构，提供统一的指令集、异常模型与内存映射标准，确保跨厂商平台的编程一致性；而ST基于该内核构建的STM32产品线，核心价值在于深度定制的模拟/数字外设IP、硅级优化的低功耗设计及CubeMX+HAL构成的工业级开发范式。这种‘ARM内核授权+ST外设创新+成熟工具链’的分工模式，既保障了技术兼容性，又支撑了从超低功耗传感器到边缘AI节点的全场景落地，成为
L9ARM体系结构与接口技术--ARM处理器概论（day2）
ARM的含义ARM（Advanced RISC Machines）有三种含义一个公司的名称、一类处理器的通称、一种技术ARM公司> 成立于1990年11月，前身为Acorn计算机公司> 主要设计ARM系列RISC处理器内核> 授权ARM内核给生产和销售半导体的合作伙伴，ARM公司并不生产芯片> 提供基于ARM架构的开发设计技术软件工具、评估板、调试工具、应用软件总线架构、外围设备单元等ARM产品系列：早先经典处理器包括ARM7、ARM9、ARM11家族。
从NANO 2.x到33 BLE：一文理清Arduino NANO家族谱系与升级路线
本文详细解析了Arduino NANO家族从经典ATmega328P版本到NANO 33 BLE的进化历程，重点介绍了性能提升、无线连接能力及传感器集成等关键升级。通过对比不同型号的核心参数和应用场景，帮助开发者根据项目需求选择最适合的NANO开发板，提升物联网和边缘计算项目的开发效率。
WiFi信道状态信息 基于Intel 5300的CSI Tool 安装及使用（一）
经过半个月的坎坷安装过程，连Windows系统都没装过的本人终于颤颤巍巍把CSI TOOL装好了，下面记录一下适于我所使用设备的安装过程。设备：一台THINKPAD X201，一台师兄借的华硕主板的台式机首先，如果你和我一样对linux其实一窍不通的话，建议先反复看教程里的安装代码，照猫画虎很难一步实现的，中途一定会有这或那的问题需要解决，所以该了解的基础linux指令还是要了解，起码安装过程中的那些指令可以去查一查。.........
ARM 版本号
一、ARM 型号的发展历程 内核版本号 SoC 版本号 芯片型号（三星） ARMv1 … ARMv4 ARM7 S3C44B0 ARMv4 ARM9 S3C2440 S3C2410 ARMv5 ARM9 + xScake ARMv6 ARM911 S3C6410 Cortex-M ARMv7 Cortex-A Cortex-R Cortex-A8 S5PV210 / S5PC100 Cortex-A9 Exynos4412
深度强化学习：Actor-Critic、A2C、A3C
Actor-Critic算法是强化学习中常用的一种方法，policy-based，通过演员和评论员或者是策略网络和价值网络的结合进行学习
ARM基础知识点
1. ARM成长史 ARM的前身为艾康电脑（Acorn），于1978年，于英国剑桥创立。 在1980年代晚期，苹果电脑开始与艾康电脑合作开发新版的ARM核心。 1985年开发出全球第一款商用RISC处理器，即ARM1. 1990年艾康电脑财务危机，受苹果和VLSI的投资，分割出独立子公司Advanced RISC Machines (ARM) ，ARM公司正式成立面...
Playwright与MCP协议结合：AI驱动的智能Web自动化测试实践
Web自动化测试是现代软件开发流程中保障产品质量的关键环节，其核心原理是通过程序模拟用户操作，对Web应用进行功能验证。传统自动化测试工具如Selenium和Playwright虽然提供了强大的API，但脚本编写和维护仍需较高的编程技能。随着AI技术的发展，智能测试成为新的趋势，它通过自然语言理解和自动化执行，显著降低了测试创建门槛。Model Context Protocol（MCP）作为一种连接AI模型与外部工具的开放协议，为自动化测试带来了“智能大脑”。通过将MCP与Playwright结合，测试人员
基于 parallels ubuntu 20.04 LTS (focal) 的ros+px4+gazebo 安装
基于 parallels ubuntu 20.04 LTS (focal) 的ros+px4+gazebo 安装。
【ARM裸机】ARM入门
Flash将内容放入CPU中的寄存器，然后寄存器在传输到内存中【Flash和内存之间不能直接通信】，程序是在内存中运行的，Flash只是存储内容。
打开LWIP_DEBUG的打印信息调试
在lwip 2.1.2的版本，打开的debug 调试的步骤： 1.在debug.h 文件中找到debug打印的定义 默认LWIP_DEBUG这个宏没有定义， 2.在lwipopt.h 文件中或者其他文件定义 一下LWIP_DEBUG这个宏， 3.在opt.h 中可以打开各种宏的调试信息， /* --------------------------------------- ---------- Debugging options ---------- ---------...
arm---先搞清楚各种版本号【转】
阅读目录 ARM的几种版本号 ARM型号的发展历程 注意 转自：http://blog.youkuaiyun.com/linnoo/article/details/53214689 版权声明：本文为博主原创文章，未经博主允许不得转载。 目录(?)[-] ARM的几种版本号 ARM型号的发展历程 注意 回到顶部 ARM的几种版本号 A...
YOLOv8改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作
HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）
Golang内存管理：GC调优实战案例
在Golang编程中，内存管理是一个非常重要的方面。良好的内存管理可以提高程序的性能和稳定性，而GC（垃圾回收）调优则是优化内存管理的关键手段。本文的目的就是通过实际案例，深入讲解Golang中GC调优的方法和技巧，让读者能够在实际项目中更好地进行内存管理和性能优化。范围涵盖了从核心概念的解释到具体代码实现和调优过程的详细分析。本文首先会介绍一些相关的术语和核心概念，让读者对Golang内存管理和GC有一个基本的认识。然后通过故事引入的方式，更加形象地解释核心概念及其相互关系。
第 34 天：嵌入式芯片架构基础解析——以 ARM Cortex-M 系列为核心视角
ARM Cortex-M 系列微控制器架构是现代嵌入式系统的核心支撑技术之一，广泛用于 STM32、NXP LPC、EFR32 等主流平台。本文以实战为导向，系统梳理了 Cortex-M 的核心架构体系、寄存器组织、异常控制、Thumb 指令集优化、中断向量机制等内容，重点分析 M0/M3/M4/M7 各系列的架构差异与典型工程使用场景，提供芯片底层开发所需的全面认知基础与架构视角。
麻雀搜索算法（SSA）详解：从鸟群智能到优化实践
麻雀搜索算法(SSA)是一种新型群智能优化算法，模拟麻雀群体的觅食行为和反捕食机制。该算法将优化问题转化为麻雀群体对食物源的搜索过程，通过发现者、加入者和警戒者的角色分工实现高效优化。SSA具有原理新颖、参数合理、收敛快速等特点，在函数优化、工程设计和机器学习等领域展现出良好应用前景。算法通过数学模型模拟麻雀的觅食策略，包括发现者全局探索、加入者局部开发和警戒者危险预警机制，有效平衡了全局搜索与局部开发能力。SSA相比传统优化算法具有更好的收敛性和优化效果。
QEMU Arm Integrator/CP 板级仿真完全指南：设备清单、内存映射与启动实战
Arm Integrator/CP 是 QEMU 中一个历史悠久、结构清晰、资源开销小的 Arm 32 位板卡模型，常用于早期 Arm Linux 内核的引导与调试、裸机外设驱动开发以及系统级教学的场景。本文以 [docs/system/arm/integratorcp.rst](https://link.gitcode.com/i/31242eb3c0ade9adee522f3b2b1c71c4
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
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")
linux移植
linux往不同的芯片或Soc上移植 嵌入式Linux系统移植的四大步骤 写得非常好
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
QEMU 树莓派（Raspberry Pi）板卡模拟指南：raspi0 到 raspi4b 的完整型号、已实现设备与启动原理
本文基于 QEMU 官方文档与源码，全面梳理 QEMU 对树莓派（Raspberry Pi）系列板卡的模拟支持：从最早基于 ARM1176JZF-S 单核的 `raspi0`/`raspi1ap`，到四核 Cortex-A7 的 `raspi2b`、Cortex-A53 的 `raspi3ap`/`raspi3b`，再到 Cortex-A72 的 `raspi4b`。你将掌握各板卡的 CPU 与内
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！
QMK 固件仓库中的 Clueboard 产品线支持：型号、目录结构与编译刷写指南
Clueboard（由 Zach White / skullydazed 维护）是一家专注定制客制化键盘的厂商，其全系列 PCB 在 QMK 固件仓库中均有完整支持。本文以 [keyboards/clueboard/readme.md](https://link.gitcode.com/i/4c2eb98723acbd7983d4e624dd57cab1) 为索引主线，逐型号梳理该目录下的硬件支持
STM32本质解析：ARM内核、MCU架构与命名规则全讲透
微控制器（MCU）是嵌入式系统的核心计算单元，其本质是集成了处理器内核、内存及丰富外设的单芯片系统。基于ARM Cortex-M架构的MCU（如STM32）采用IP授权+SoC集成模式，以确定性实时性、低功耗和高集成度区别于依赖MMU的微处理器（MPU）。该架构支撑裸机或RTOS开发范式，广泛应用于工业控制、物联网终端与传感器节点等对响应延迟敏感的场景。理解STM32命名规则（如F103VET6）即掌握内核类型、引脚数、Flash容量等关键选型参数，是高效工程实践的起点。
各个芯片命名规则
骁龙X2 Elite解析(2): 完整规格参数一览
骁龙X2 Elite系列是高通2026年推出的第二代ARM架构PC处理器，采用3nm工艺，最高18核设计，CPU频率达5.0GHz，NPU算力提升至80-85 TOPS。该系列包含7个SKU型号，旗舰款X2E-96-100具备228GB/s内存带宽和53MB缓存，GPU性能较上代提升130%。主要面向高端Windows轻薄本，支持5G、Wi-Fi7等先进连接技术，兼容x86/x64程序模拟运行。目前已由华硕、惠普等品牌量产上市，定位从极致便携到高性能全覆盖。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
115
扫一扫
