Threadx_08:汇编启动代码分析

【ThreadX】深入解析SIL4认证的RTOS内核:从源码到实战 本文深入解析了通过SIL4安全认证的实时操作系统ThreadX内核,从底层启动代码、任务调度器源码到线程管理机制,详细剖析了其高可靠性与确定性的设计哲学。文章结合实战经验,探讨了如何将ThreadX应用于安全关键型嵌入式系统,并提供了优先级阈值、栈分析等实用建议。 阅读详情

threadx源码github地址
https://github.com/azure-rtos/

未完待续

ThreadX启动文件tx_initialize_low_level.s与MCU启动文件的融合移植实践 本文详细解析了ThreadX启动文件tx_initialize_low_level.s与MCU原生启动文件的差异,并提供了在STM32平台上的融合移植实践。通过堆栈指针协调、中断向量表衔接、系统时钟同步等关键修改点,帮助开发者高效完成ThreadX移植,确保RTOS稳定运行。文章还分享了验证调试技巧和不同MCU平台的适配经验。 阅读详情

相关推荐

STM32H743(M7内核)基于CubeMX与源码手动集成ThreadX实战指南

本文详细介绍了在STM32H743(M7内核)上基于CubeMX与手动集成ThreadX的实战指南。针对CubeMX自动配置的兼容性问题,提供了从工程基础配置、ThreadX源码整合到MDK工程深度优化的完整解决方案,特别强调了M7内核特有的缓存配置与内存管理技巧,帮助开发者实现高稳定性的实时系统移植。

weixin_42558093的博客 435

实时操作系统ThreadX全中文手册上线了

关注+星标公众号,不错过精彩内容作者 | strongerHuang微信公众号|嵌入式专栏对于很多初学者来说,学习一门技术非常头疼的一件事,就是面对英文资料和手册。不但初学者,对于有一...

strongerHuang 1万+

STM32F103移植ThreadX RTOS实战:从内存分配到多任务调度

实时操作系统(RTOS)是嵌入式开发中管理多任务、提升系统响应确定性的核心技术。其核心原理是通过任务调度器,基于优先级或时间片轮转,让多个任务“并发”执行,从而高效利用CPU资源。对于资源受限的微控制器(MCU),RTOS的价值在于将复杂的应用逻辑模块化为独立任务,并通过信号量、队列等机制安全通信,极大提升了代码的可维护性和可靠性。在工业控制、物联网设备、消费电子等场景中,RTOS是实现复杂功能的基础。本文将聚焦于在经典的STM32F103C8T6(Cortex-M3内核)上,手把手完成微软Azure RT

weixin_29171129的博客 219

ThreadX_笔记

安富莱_STM32-v7开发板ThreadX内核教程——笔记1.ThreadX--任务管理1.1 裸机-栈1.2 RTOS--栈1.3 MSP、PSP1.4 实际应用中系统栈空间分配多大?1.5 ThrreadX 的任务状态1.6 ThreadX 启动流程2.栈大小及溢出2.1 任务栈大小的确定2.2 ThrreadX 的栈溢出检测机制2.2.1 实现原理2.2.2 实现方法3.ThrreadX 中断优先级配置,含 BasePrrii 配置方案 1.ThreadX–任务管理 1.1 裸机-栈      管

oDuanYanGuHong的博客 3946

嵌入式MPU寄存器配置实战:从原理到TI处理器内存保护实现

内存保护单元(MPU)是嵌入式系统中实现硬件级内存访问控制的核心组件,通过在硬件层面实时监控和校验内存访问,有效防止指针越界、非法篡改等内存错误,保障系统稳定与安全。其工作原理基于区域定义、实时监控和规则校验,通过配置起始地址、结束地址及权限属性寄存器,为不同内存区域设定访问规则。在实时操作系统(RTOS)和功能安全(如ISO 26262)应用中,MPU的技术价值尤为突出,能够实现任务隔离、防止栈溢出攻击、保护关键外设寄存器,从而提升系统可靠性。本文以德州仪器(TI)处理器为例,深入解析MPU寄存器组的设计

注重长远 天天积累 cqujsjcyj 613

深入解析ThreadX任务管理:函数探秘

在实时嵌入式系统开发中,ThreadX作为一种可靠、高效的实时操作系统(RTOS),其任务管理功能备受开发者青睐。通过合理使用上述ThreadX任务管理函数,开发者可以实现任务的创建、调度、挂起、终止和睡眠等操作。通过指定任务的入口函数、堆栈大小、优先级等参数,该函数将为任务分配必要的资源并将其加入到任务列表中。任务终止后,所占用的资源将被释放,并且不再参与调度。当然,ThreadX还有更多功能丰富的任务管理函数,如互斥锁、定时器等,可以根据具体需求进行使用。函数可恢复被挂起的任务,使其重新参与调度。

小灰灰的博客 1392

threadx(四)--系统心跳配置解析

.global _tx_thread_system_stack_ptr .global _tx_initialize_unused_memory .global __RAM_segment_used_end__ .global _tx_timer_interrupt .global __main .global __tx_SVCallHandler .global __tx_PendSVHandl...

tyustli 1542

ThreadX操作系统在MDK中的移植方法(2021.06.06更新)

本文原创作者初晴,感谢大佬提供的PDF,本文经授权后整理发布。 1. 前言 微软于最近开源了 ThreadX 操作系统,关于这个RTOS有多牛逼,请看硬汉哥的这篇文章: ThreadX全家桶初探,一旦推广起来,对其它RTOS和中间件几乎是毁灭性打击 本文中使用的开发板为小熊派IoT开发板,主控为STM32L431RCT6: 在移植之前,请准备一份可以正常使用printf串口输出的裸机工程,本文中我使用cubemx生成。 ThreadX源码请访问开源仓库获取:https://github.com/.

Mculover666的博客(嵌入式) 9630

ThreadX内核源码分析(SMP) - 核间通信(arm)

多核情况下,一个核可能改变另外一个核的执行状态,例如一个核挂起另外一个核正在执行的线程,如果没有机制通知另外一个核该线程被挂起的话,那么被挂起的线程就感知不到自己被挂起了;ThreadX内核使用SGI中断,从一个核发送一个中断信号到目的核上去,从而使另外一个核产生中断,另外一个核就会去检查状态变化,例如是否要重新调度(别的核改变了该核需要执行的线程)。 参考《ARMv8-A_Architecture_Reference_Manual_(Issue_A.a).pdf》"D8.6.28 ICC_S

arm7star的博客 2921

threadx-6.4.1 源码

threadx-6.4.1 源码

避开这些坑!Kaggle数据集下载常见问题及解决方案(含Header Editor插件配置)

本文针对Kaggle数据集下载过程中的常见难题,提供了系统性的解决方案。重点解决了验证码无法显示、API安装失败、密钥文件配置错误及下载命令执行问题,并详细介绍了使用Header Editor插件配置请求头以绕过验证码障碍的实战方法,帮助用户高效获取数据。

weixin_29043895的博客 304

Azure RTOS ThreadX MDK 汇编 tx_initialize_low_level

AC5 和 AC6 代码不太一样 tx_initialize_low_level 的作用是做操作系统底层初始化操作,在Threadx初始化过程中执行。 可以参考 FREERTOS 中的代码 void vTaskStartScheduler( void ) /**/ C语言的注解符号可能会报错 SYSTEM_CLOCK CPU CLOCK的设定 SYSTICK_CYCLES RTOS systick频率 SYSTEM_CLOCK = 400000000 SYSTICK_CYCL

denghuajing的博客 2471

单机多环境部署apollo 2.3.0

理解apollo的整体架构后,对比nacos配置中心功能点,其设计的复杂度以及完整度相较nacos而言更为丰富 对于不同的环境,例如 FAT, PRO 在部署时进程已经完全物理隔离,并且每个环境config/adminservice依赖的数据也完全物理隔离(连接不同的db),在数据隔离与安全方面做的很完善,但同时也提升了架构的复杂度 而 portal 可以管理多个环境,单节点部署虽然有单点问题,但并不会影响业务从configservice读取配置, 挂掉只要重启就可以,只是在

Life is a starting point everywhere 1302

常见嵌入式操作系统中的线程(任务)管理机制

梳理了嵌入式操作系统的线程(任务)管理机制:先拆解为 TCB、状态机、创建模型、调度、上下文切换、延时通知、SMP 等 12 类共性机制及 CPU 架构硬件实现;再逐一详解 Linux、FreeRTOS、μC/OS、RT-Thread、Zephyr、ThreadX、NuttX、LiteOS、AliOS Things 等十大系统的接口与实现;最后以横向对比与选型建议,揭示各系统设计哲学与能力分化。

smallerxuan的博客 7692

自助结账商品检测(Scanned Item Detection)——基于YOLOv8的RPC数据集实战

RPC数据集是由中国科学院自动化研究所发布的零售商品结账检测公开数据集,广泛用于自助结账和零售场景下的目标检测与识别。YOLOv8是YOLO系列最新版本,由Ultralytics推出,继承了YOLO家族的高效快速和高准确性,适用于实时检测场景。本文系统介绍了基于YOLOv8的RPC数据集自助结账商品检测方案,涵盖数据准备、训练、推理及UI界面设计。未来,可结合多模态感知、RFID融合技术,打造更加智能和稳定的自助结账系统。

YOLO 253

手把手教你用LabelImg打造专属YOLO数据集:从标注到训练全攻略!

YOLO(You Only Look Once)是一种快速、高效的目标检测算法。它使用一种简洁的.txt文件格式来保存每张图片中的标注信息,适合构建自定义目标检测数据集。🔹 图像文件.jpg.png等;每张图片将对应一个同名的标签文件(.txtdog.jpg对应dog.txt;图像在训练前通常会被缩放成统一尺寸,例如 YOLOv3 默认输入为416x416。🔹 标签文件(.txt)是一个纯文本文件;每一行表示一个标注目标;字段说明类别编号,从0开始,例如:狗是0,猫是1x_center。

FJN110的博客 2471

深入解析ARM Cortex-M4F异常与中断机制:从NVIC到故障处理

在嵌入式系统开发中,异常与中断机制是保障系统实时性与可靠性的核心技术。其基本原理在于,当外部事件或内部错误发生时,处理器能够暂停当前任务,转而执行预先定义的处理程序。这一机制的核心硬件支持是嵌套向量中断控制器(NVIC),它负责管理中断的优先级、响应与嵌套。从技术价值看,高效的异常处理不仅能提升系统响应速度,更是实现多任务调度、低功耗管理及系统健壮性的基石。在应用场景上,无论是工业控制器的实时逻辑,还是物联网设备的低功耗唤醒,都深度依赖于此。本文聚焦于ARM Cortex-M4F微控制器,详细剖析其异常模型

weixin_30550081的博客 360

“华为杯”研究生数学建模竞赛2016年-【华为杯】A题:多无人机协同任务规划

题分别求解,保证了攻击方无人机滞留在防御方雷达有效探测范围内的时间总和最小,接着,通过提出巡检待命无人机的设想,型无人机携带炸弹的具体清单和攻击的目标清单),保证攻击方的无人机滞留防御方雷。在使用基于贪心算法的覆盖法时,覆盖的目标点中必须首先不含配备雷达站的目标点。步优化保证攻击方的无人机滞留防御方雷达有效探测范围内的时间总和最小,需首先。的“灵巧”炸弹,采用抛投方式对地攻击,即投放后炸弹以飞机投弹时的速度作抛物。运动,当炸弹接近目标后,可主动寻的攻击待打击的目标,因此炸弹落点位于目标中。

getusushu的博客 1040

嵌入式调试方法论:从分层策略到实战技巧,构建高效调试体系

在嵌入式系统开发中,调试是验证硬件与软件协同工作的关键环节,其核心在于洞察代码在真实硬件环境下的运行时行为。传统调试方法如串口打印和仿真器调试,虽基础但常面临效率瓶颈。其原理是通过不同层级的观测手段,从外部信号捕获到内部状态追踪,逐步定位问题根源。这一过程的技术价值在于将调试从被动的“救火”转变为主动的“防火”,显著提升开发效率和系统可靠性。在应用场景上,尤其适用于实时性要求高、资源受限的嵌入式设备,如物联网终端、工业控制器和消费电子。通过构建分层调试策略,整合日志系统、运行时监控和故障快照等工具,工程师可

weixin_34175509的博客 408

基于VisionMaster实现数据实时存储至MySQL (二)

摘要:之前的分享主要聚焦于简单的一维数据实时存储。但在做缺陷检测项目时,情况往往更加复杂:一张检测图像中可能同时存在多个缺陷,每个缺陷都有一组独立的核心参数(如质心、长短轴、面积等)。如何在 MySQL 中记录这些成组出现的缺陷数据,而不只是简单的单条记录?

haier123888的博客 227

UCIE Specification详解(七)

Logical Physical Layer(逻辑物理层)

Crazzy_M的博客 1692

Cortex-M4硬故障、MPU与FPU寄存器配置实战指南

在嵌入式系统开发中,异常处理和内存保护是保障系统稳定性的核心技术。硬故障(Hard Fault)作为最高优先级的异常,是系统发生严重错误时的最后防线,其状态寄存器(HFAULTSTAT)记录了故障根源,是诊断系统死机、程序跑飞的关键。内存保护单元(MPU)则通过划分内存区域并设置访问权限,实现了任务间的隔离,防止非法访问导致的数据篡改,这对于运行实时操作系统(RTOS)的多任务环境至关重要。浮点单元(FPU)大幅提升了数学运算效率,但其引入的庞大寄存器上下文需要通过懒保存(Lazy Preservation

weixin_33857230的博客 354

OpenAI Function Calling 实战:让 Agent 自动调用外部 API 接口

在 2023 年 6 月之前,大语言模型(LLM)的能力边界是清晰的:它能说会道,能写诗作赋,也能帮你润色文案。但如果你问它"北京现在天气怎么样",它要么答不上来,要么基于过时的训练数据给你一个错误答案。原因很简单——LLM 的训练数据是有截止日期的,它活在"过去"。2023 年 6 月,OpenAI 在 GPT-4 的更新中引入了 Function Calling 功能,彻底改变了这一局面。Function Calling(也叫 Tool Use 或工具调用)是一种让 LLM 与外部系统交互的机制。

2201_76125393的博客 92

嵌入式MCU选型实战:Cortex-M3与经典ColdFire架构深度对比

微控制器(MCU)是嵌入式系统的核心,其架构选择直接影响项目的性能、成本与开发效率。从原理上看,MCU架构决定了指令集、内存管理和外设集成方式,进而影响代码密度、执行效率和实时性。在技术价值层面,标准化架构(如ARM Cortex-M系列)凭借统一的软件接口和丰富的生态,能显著降低开发门槛和长期维护成本;而经典架构(如飞思卡尔ColdFire)则以其高度的灵活性和对传统开发者的友好性,在特定升级或传承场景中具备独特优势。在工业控制、消费电子和物联网节点等应用场景中,工程师需要在性能、功耗、外设匹配度以及团队

weixin_30905133的博客 423

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Cortex-M4F内存模型、异常处理与同步原语实战解析

在嵌入式系统开发中,内存模型定义了处理器访问不同地址空间(如Flash、SRAM、外设)的行为规则,是系统稳定性的基础。其核心原理在于根据内存类型(Normal、Device、Strongly-Ordered)控制访问顺序和优化策略,例如对Device类型内存的访问必须严格有序。这直接关系到中断响应、数据一致性等关键技术价值。在实时性要求高的应用场景,如电机控制或通信协议处理中,不当的内存访问会导致数据竞争或外设配置错误。为此,Cortex-M4F提供了位带操作和LDREX/STREX指令对等硬件同步机制。

weixin_33824363的博客 362

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")

ThreadX学习(2)——线程

ThreadX学习(2)——线程学习参考:ThreadX中的线程线程创建堆栈分配互斥锁线程优先级优先级反转优先级继承抢占阈值线程状态数据结构TCB就绪列表API 学习参考: 《Real-Time Embedded Multithreading: Using ThreadX and ARM》 安富莱_STM32-V7开发板ThreadX内核教程(V0.7) ThreadX中的线程 在ThreadX中,一般没有进程的概念,统称为线程。 关于调度器的实现细节,ThreadX可能是用汇编写的,没看懂。 T

weixin_43739110的博客 6034

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

上一篇: ARM指令集、寄存器及CM4启动过程
下一篇: 802.11k RRM
WenLang_M
博客等级 码龄10年 239粉丝 46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