访问SDRAM的低功耗优化设计方案

来一起看看抖音对于功耗优化是怎么做的;抖音Android性能优化实战 抖音对于功耗优化是怎么做的;抖音Android性能优化实战 阅读详情

为了降低DSP外部SDRAM存储系统的功耗,针对DSP访问片外SDRAM的功耗来源特点,提出了基于总线利用率动态监测的读写归并方案。该方案动态监测外部存储器接口(EMIF’)总线的利用率,根据总线利用率的不同选择开放的页策略,封闭的页策略或休眠模式。

DSP有限的片内存储器容量往往使得设计人员感到捉襟见肘,特别是在数字图像处理、语音处理等应用场合,需要有高速大容量存储空间的强力支持。因此需要外接存储器来扩展DSP的存储空间。

在基于DSP的嵌入式应用中,存储器系统逐渐成为功耗的主要来源。优化存储系统的功耗是嵌入式DSP极其重要的设计目标。本文主要以访问外部SDRAM为例来说明降低外部存储系统功耗的设计方法。

访问SDRAM的低功耗优化设计方案
为更好的管理外部SDRAM,大部分嵌入式DSP片上集成和外部存储器的接口EMIF,DSP的片内设备通过EMIF访问和管理存储器。由EMIF将对同一行的读写尽量归并到一起进行,减少激活/关闭存储体引起的附加功耗开销。图1为基于总线监测的读写归并设计方案的框图。
在这里插入图片描述

图1基于总线监测的读写归并方案

1)采用块读的方法取指令。加入简化的指令Cache,将对SDRAM的读程序读操作按块进行。只有在Cache错过时,由Cache通过EMIF对SDRAM进行块读,每次读16个字节。

2)加入写后数据缓冲区(WPB),将数据总线上的请求发往WPB,由WPB对SDRAM进行块写、读写归并。

3)动态监测EMIF总线的利用率,块读和读写归并时采用开放的页策略,当总线利用率较低时,采用封闭的页策略,当总线利用率很低时,将SDRAM进入休眠模式。

【数字IC设计】低功耗设计概述 低功耗处理方式在数字IC设计中至关重要,在芯片设计中可以从系统层面、处理器层面、模块单元层面、寄存器层面、锁存器层面、SRAM层面和组合逻辑层面来考虑。 阅读详情

相关推荐

ARM DMC内存控制器架构与低功耗优化实践

内存控制器是现代SoC设计的核心组件,负责处理器与DRAM之间的高效数据交互。其工作原理基于精确的时序控制和状态机管理,通过AXI总线协议转换、命令调度和仲裁机制实现高吞吐量数据传输。在低功耗设计方面,控制器采用自动预充电、动态时钟门控和多级自刷新等技术,可显著降低内存子系统功耗。以ARM DMC为例,该IP核支持LPDDR4等移动存储标准,通过六级功耗状态机和动态电压调节,在物联网和移动设备中实现能效优化。深入理解tRCD、tRP等JEDEC时序参数配置,以及DFI接口规范,对提升系统性能和稳定性至关重要

weixin_30780649的博客 386

低功耗SDRAM提供了多种选择改善待机功耗

移动或低功耗SDRAM提供了多种选择来同时改善活动和待机功耗。减少有功和备用电源可延长电池寿命并提高系统可靠性。通过考虑系统使用,工程师可以从以下节电选项中进行选择以提供较低的活动和备用电源: •自动温度补偿自刷新(ATCSR):片上温度传感器根据芯片温度控制刷新率。较高的温度需要更频繁的刷新。通过自动调整刷新率,可以降低功耗,尤其是在较低温度下。 •部分阵列自刷新(PASR):PASR选择在自刷新操作期间将刷新的内存量。通过消除不必要的行激活,可以减少功耗。 •深度掉电(DPD)模式:DPD模式可切断存储

NETSOL的博客 583

FPGA在双屏同步显示中的X/Y交换与帧率转换技术

FPGA(现场可编程门阵列)作为可重构计算的核心器件,通过硬件并行处理能力实现实时视频流处理。其工作原理基于可编程逻辑单元和布线资源,能够灵活适配不同显示设备的时序要求。在异构显示系统中,FPGA的X/Y交换技术通过矩阵转置算法解决扫描方向冲突,配合动态帧缓冲管理实现跨帧率同步,显著降低传统方案的多芯片功耗。典型应用场景包括智能手机双屏输出、车载多屏互动等显示系统,其中QuickLogic PolarPro等低功耗FPGA器件通过SDRAM控制器优化和时钟域隔离,可实现28mW级能效。这类技术在解决480x

weixin_30787531的博客 389

笔试总结(四)

1、如下图所示,当CLK1为100MHz时,约束set_input_delay -clocks CLK1 -max 5sig_a,如果CLK1变成50MHz,需要保证的约束效果不变,此时input_delay应该设置为多少?(D )(大疆FPGA逻辑岗B卷) A 15ns B 20ns C 5ns D 10ns set_input_delay是设置输入延迟用的命令,...

weixin_43727437的博客 1万+

Si4732与STM32L4A6ZG在数字广播接收中的优化设计

数字信号处理(DSP)和低功耗微控制器在嵌入式系统中扮演着核心角色,特别是在需要高可靠性和实时性的应用场景。通过硬件加速和算法优化,可以显著提升系统性能并降低功耗。Si4732 AM/FM接收芯片与STM32L4A6ZG微控制器的组合,展现了在数字广播接收领域的卓越表现。这种方案利用I2C接口和硬件CRC校验确保数据传输的可靠性,在复杂电磁环境下仍能保持低误码率。其技术价值体现在医疗设备、工业仪表等对稳定性要求极高的场景中。通过阻抗匹配优化和电源滤波设计,该方案实现了0.8μV的接收灵敏度和200μVpp的

congjukun0600的博客 431

智能充电桩嵌入式控制系统设计方案

随着绿色能源理念的不断深入,发展电动汽车成为未来汽车工业发展的重点方向。电动汽车的优点在于零排放或近似零排放、对环境污染小使用成本低维护简单。但根据目前的使用现状,制约电动汽车发展的难点在于充电问题,由于充电的分布和设计的缺陷,导致电动汽车的续航可靠性受到影响,因此,研究电动汽车充电桩优化设计具有重要意义电动汽车充电桩的设计核心在于控制系统的设计,通过对电动汽车充电桩嵌入式控制系统设计,提高充电桩的智能充电能力。

hukejishu的博客 2088

功耗优化 · 方案篇 · Android功耗优化指导规范

Android功耗优化是指优化Android APP在运行过程中的电量消耗,以获得更长的电池续航时间和更优秀的用户体验。功耗优化包括:设备的动态调频、网络优化、电池感知、界面优化、后台活动优化和内存优化等Android功耗优化指导规范就讲解完毕了,简单的总结一下: Android功耗优化指导规范主要分为五部分内容,第一部分内容是5W2H分析功耗优化。第二部分内容是功耗优化技术方案。第三部分内容是功耗优化方案分析。第四部分内容是功耗APM监控建设。最后一部分内容是总结与展望。

chuyouyinghe的专栏 5951

FPGA设计中提高工作频率及降低功耗题目合集

降低工作电路延时

H19981118的博客 5502

DDR controller控制器扫盲——1.DDR控制器是什么?2.DDR控制器优化方向

DDR控制器是连接内存与主机的关键接口,通过优化设计可提升系统性能。本文介绍了DDR控制器的架构组成,包括控制接口、命令模块和数据路径模块三大核心组件。重点探讨了两种优化方向:在存储单元层面,采用半行访问技术降低功耗约50%;在控制器层面,新增深度睡眠模式、16位write-X模式等功能。这些改进通过状态机控制、流水线操作和优先级调度等机制,实现了更高效的内存访问。控制器还支持突发访问、多操作并行执行等特性,有效克服了DRAM速度限制。

2301_77694161的博客 3808

三星1Gb DDR2内存芯片IBIS模型应用指南

DDR2 SDRAM(Double Data Rate 2 Synchronous Dynamic Random-Access Memory)是一种主要应用于计算机内存的同步动态随机存取存储器。这种技术相较于DDR SDRAM,在时钟频率、数据传输速率、功耗和散热性能等方面进行了优化,使其更适合于高性能计算和移动设备的需求。DDR2的工作原理基于双倍数据传输率技术,它能在每个时钟周期内进行两次数据传输,一次在时钟上升沿,一次在下降沿。

weixin_42596214的博客 1103

XILINX DDR3 IP核使用详解与实战指南

Vivado Design Suite是Xilinx推出的一体化FPGA设计平台,集成了从项目管理、RTL设计、综合、实现、时序分析到比特流生成的完整流程。相较于传统的ISE工具,Vivado采用基于数据模型的架构,显著提升了大型设计的处理效率,并通过高层次综合(HLS)、IP封装与重用机制以及图形化IP Integrator等特性,极大增强了设计复用性和系统级建模能力。

weixin_42181686的博客 1721

音诺ai翻译机集成NT5CB256M16DP-EK降低访问延迟

音诺AI翻译机通过集成NT5CB256M16DP-EK DDR3L内存芯片,显著降低内存访问延迟,提升语音识别与翻译的端到端响应速度。该方案在功耗、成本与性能间实现平衡,配合Bank Interleaving等技术,使推理延迟大幅下降,系统流畅性接近自然对话体验。

weixin_33481022的博客 482

立创EDA开源项目:小北极冰冰杯(夏)——基于ESP32-C3的智能半导体制冷杯硬件设计与功能解析

本文详细解析了基于ESP32-C3的智能半导体制冷杯——小北极冰冰杯的硬件设计与核心功能。项目利用半导体制冷片实现快速降温,并集成了PWM智能调速散热、四路温度监控、杯具检测及PD/DC双电源输入等实用功能。文章深入剖析了其硬件架构、控制逻辑及实战注意事项,为嵌入式开发与智能硬件爱好者提供了宝贵的参考。

weixin_33245447的博客 271

基于FPGA+AD9680的高速ADC采样效率优化设计(实战篇)

在高速数据采集领域,ADC采样效率直接决定了系统的数据吞吐量、实时性和采集精度,是衡量高速采集系统性能的核心指标。本文结合工程实战,基于AD9680高速ADC芯片与Xilinx Kintex-7 FPGA,设计了一套高采样效率的高速数据采集方案,重点优化ADC采样的同步性、传输速率和数据流通效率,实测有效采样点数达1024000个,采样率稳定维持1Gsps,完美解决高速采样场景下的速率瓶颈、数据丢失等痛点,适合工业、通信等对ADC采样效率有严苛要求的场景。 先明确核心结论:本次设计通过JESD204B高速接

weixin_45314618的博客 575

噪声整形与过采样实战:从N-bit ADC到DSM的SQNR优化指南

本文深入探讨了噪声整形与过采样技术在DSM(Delta-Sigma调制器)中的应用,重点分析了量化器位数(N)、滤波器阶数(L)和过采样率(OSR)对SQNR优化的影响。通过实战案例和参数协同优化策略,帮助工程师在音频处理和通信系统设计中实现更优的信号质量。

weixin_42561040的博客 340

从基础知识到PCB设计,打造全能硬件工程师

成为一名出色的硬件工程师需要在多个领域建立坚实的基础。从硬件基础知识、元器件学习、模拟电子电路到PCB设计,以及数字电子电路与通信,每个方面都是构建全面硬件工程师技能集的重要组成部分。通过深入学习和实践这些领域,你将能够在硬件工程领域中取得更多的成就。

weixin_46969363的博客 2727

高速IO常用HSTL/LVDS/SSTL接口电平的简单对比

HSTL(High Speed Transceiver Logic)是单端 I/O 接口之一,HSTL的标准为EIA/JESD8-6,单端和差分输入缓冲器规范以及上拉输出缓冲器都包含在这个标准中。它一般工作在 200MHz以上,通常采用CMOS和 BiCMOS器件,可以极大地提高系统的总体性能,适用于多存储器组地址总线的驱动。HSTL标准的I/O结构是差分输入,其中一个输入在芯片内部被连接到由用户...

鹰飞天下 2914

Windows Docker Desktop部署MaxKB详细教程

MaxKB(Max Knowledge Base)是一款基于大语言模型(LLM)和检索增强生成(RAG)技术的开源知识库问答系统,旨在帮助企业、教育机构及研究组织高效管理知识并提供智能问答服务。

猿小白的博客 1376

遇见Linux,STM32就从MCU升级到了MPU!

原来如此,工程师们期待已久的能够跑Linux系统的STM32产品——STM32MP1,终于来到中国了!2007年,ST推出世界首个基于Cortex-M架构的STM32系列...

1756

华为OD机考双机位A卷 - 流浪地球(Java & Python& JS & C/C++ & GO )

华为OD机考双机位A卷 - 流浪地球(OD上机考试双机位A卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 4042

创建 Qt Quick 项目

来看看如何使用 Qt Creator 创建 Qt Quick 项目!

青春不老,奋斗不止! 1万+

STM32F407看门狗:IWDG与WWDG超时计算及喂狗设计

在嵌入式系统可靠性设计中,看门狗定时器是保障MCU程序长期稳定运行的基础机制。其原理是由独立或窗口计数器按固定节拍递减,程序在规定时间内完成喂狗,否则超时或窗口外喂狗即触发复位,从而把程序跑飞、死循环等异常暴露出来。对STM32F407等工业控制、数据采集和电机驱动设备而言,合理设置IWDG独立看门狗与WWDG窗口看门狗的超时时间、喂狗点和复位原因记录,能显著提升现场设备的可维护性。围绕LSI时钟精度、任务健康检查、RTOS心跳和调试冻结等工程细节展开配置与排障,是让看门狗真正发挥兜底监控价值的关键。

weixin_30983965的博客 294

Autosar NvM配置-手动配置Nvblock及使用-基于ETAS软件

NVM作为存储协议栈中最顶层的模块,是必须要掌握的。目前项目基本使用MCU带的Dflash模块,使用Fee模拟eeprom。在项目前期阶段,应该充分讨论需要存储的内容,包括应用数据,诊断数据等,用以评估Dflash空间是否够用。本文基于ETAS软件介绍NVBlock配置生成NVM参数及使用。使用NVBlock配置生成,基本不用手写代码,还是比较方便的。对于Nv block的划分,建议将同时写的一类数据放到一个block中,因为block除了data以外,Fee还会增加一些header数据,占用不少内存。

赞的博客 1886

存储芯片分类

本文系统介绍存储芯片分类。按断电后数据是否保留分为两大家族:非易失性(NOR/NAND Flash、ROM、eMMC/UFS)与易失性(SRAM、DRAM)。SRAM最快但昂贵,作CPU缓存;DRAM作运行内存,含DDR/LPDDR/GDDR,演进至DDR5,DDR6预计2028年;HBM是3D堆叠高带宽内存,面向AI算力,已迭代至HBM4(带宽2048GB/s),由SK海力士、三星、美光主导,国产长鑫存储正加速追赶。NOR可随机读取宜存代码,NAND高密度用于SSD等大容量存储;eMMC/UFS为嵌入式存

XLPKJ的博客 366

R语言基于机器学习三分类结果、计算三分类混淆矩阵、计算每一个类别对应的特异度(specificity)、灵敏度(sensitivity)、PPV、NPV

R语言基于机器学习三分类结果、计算三分类混淆矩阵、计算每一个类别对应的特异度(specificity)、灵敏度(sensitivity)、PPV、NPV

data+scenario+science+insight 656

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")

arm linux ntfs_遇见Linux,STM32就从MCU升级到了MPU!

原来如此,工程师们期待已久的能够跑Linux系统的STM32产品——STM32MP1,终于来到中国了!2007年,ST推出世界首个基于Cortex-M架构的STM32系列的MCU,12年过去了,STM32产品系列不断壮大,到现在ST第一颗支持Linux系统的微处理器(MPU)也加入到STM32阵营。STM32MP1具有三个Arm核,还内置了3D GPU据意法半导体微控制器事业部STM32...

weixin_39626237的博客 381

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: SRAM的容量扩展
下一篇: 嵌入式STT-MRAM效应与流致反转
NETSOL
博客等级 码龄6年 35粉丝 154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
 
 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