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
5.4k累计阅读
5.5k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
je ZF=0则跳转 jne ZF=1则跳转
assume cs:code, ds:data
data segment
db 'Hello,test'
data ends
code segment
start:
mov ax,10h
mov bx,01h
s:
inc bx
test ax,bx
jne s
mov ax,4c00h
int 21h
code ends
end start
end
STM32 HAL库串口DMA接收不定长数据的两种实战方法：IDLE中断与超时管理详解
本文详细解析了STM32 HAL库中串口DMA接收不定长数据的两种实战方法：IDLE中断与超时管理。通过对比分析两种方案的硬件要求、响应速度和适用场景，为嵌入式开发者提供了高效可靠的串口通信解决方案，特别适用于智能家居、传感器网络等需要处理不定长数据包的应用场景。
8086 汇编（十）
目录cmp指令、jne指令 与 flags寄存器 cmp指令、jne指令 与 flags寄存器 flags寄存器（标记寄存器）：CPU 中专门用于存储 逻辑判断 结果的寄存器。不同型号的 CPU，flags寄存器 的位数可能不同（8bit、16bit、32bit、64bit），每种型号的 CPU 都会提供一张 结果状态表，用于说明 flags寄存器 每个bit 所代表的含义。 cmp（compare）指令：用于比较两个操作数的大小，并将结果状态记录到 flags寄存器 中。cmp指令 通过对两个操作数做减
DSMA时序修复避坑指南：当Setup和Hold互卡时，除了调Margin还能做什么？
本文深入探讨DSMA时序修复中的Setup与Hold互锁问题，提供7种高阶策略，包括优先级判断、高级参数组合、单元类型智能替换等，帮助工程师突破时序收敛瓶颈。特别针对fix_eco_timing命令的隐藏参数和物理协同优化进行详细解析，助力芯片设计实现时序收敛。
汇编指令学习与总结CMP，TEST，JE，JNZ，JNE，LEA，MOVE，SUB，INC,DEC,ADD,MUL,DIV,JGE，JB ,CQD
所有的汇编都是我零基础逆向微信汇编的指令 边玩边学（左边有 机器码，自己可以查 位置） 如有不对的地方请指出 注明:一些指令的英文单词，并非官方，只是为了好记好理解 cmp【compare】指令 进行比较两个操作数的大小 例:cmp oprd1,oprd2 为第一个操作减去第二个操作数,但不影响第两个操作数的值,它影响flag的CF，ZF，OF，AF，PF. 66E9419E 66:833...
树莓派4B（Raspbian buster系统）安装ROS Melodic（附带网络配置和远程桌面控制说明）
树莓派4B（Raspbian buster系统）安装ROS Melodic（附带网络配置和远程桌面控制说明） 一、硬件准备 二、软件准备 三、安装前的准备工作 四、开始ROS的安装 五、运行小乌龟 由于坑比较多希望大家安装的时候尽量不要跳步进行，一定要等每一步运行成功了再往下进行。 一、硬件准备 1、树莓派4B一个 2、SD卡一张（最好是16G以上的我的是用的64G的） 3、显示器、键盘、鼠标 二、软件准备 1、Raspberryimage （写系统使用的） 链接：https://pan.baidu.com
用matlab编程求矩阵的极大无关组,向量组极大无关组表示问题
已知向量组T:Eqn11.gif (3.16 KB, 下载次数: 1)2013-10-21 19:19 上传.(1) 求向量组T的秩，并判断向量组T的相关性；(2) 求T的极大线性无关组；(3) 将其余的向量用所求的极大线性无关组线性表示。程序：>> A=[1 1 3 2;-1 1 -1 3;5-2 8 9;-1 3 1 7]>> r=rank(A)>> A1=...
汇编语言：cmp、je、jne、jb、jnb、ja、jna 指令
cmp (compare) 是比较指令，cmp 的功能相当于减法指令，只是不保存结果，但会根据结果对标志寄存器进行设置，cmp指令格式：cmp 操作对象1, 操作对象2。je（jump equal），等于则转移； jne（jump not equal），不等于则转移；jb（jump below），小于则转移；jnb（jump not below），不小于则转移；ja（jump above），高于则转移；jna（jump not above），不高于则转移。
Brim与ZUI协同安装指南：从下载到流量分析实战
本文提供Brim与ZUI协同安装与实战指南，详细讲解从下载、环境变量配置到流量分析的全流程。通过将PCAP文件转换为ZNG格式，结合直观的Zed查询语言，这套组合能极大提升大型网络数据包的分析效率，是网络安全与运维人员进行高效流量分析的利器。
2021-04-03 cmp与jne配合实现if判断
逆向插入汇编代码 cmp与jne配合 cmp a,b 如果a==b 那么寄存器ZF会变为1 否则为0 当ZF为0时,也就是a不等于b时, jne会完成跳转
华为OD机试 新系统真题 【数字系统转换器】
华为OD机试 新系统真题【数字系统转换器】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题【数字系统转换器】多语言题解。
Simulink智能驾驶场景探索：自动泊车系统设计与验证
自动泊车系统（APS）传感器模块：用于检测车辆周围的障碍物和其他车辆的位置。路径规划模块：根据传感器数据生成最优的泊车路径。控制器模块：根据路径规划结果生成转向角、速度等控制信号。执行器模块：根据控制器生成的信号调整车辆的方向盘、油门和刹车。在本实例中，我们将使用超声波传感器和摄像头来检测车辆周围的环境，并使用PID控制器实现自动泊车功能。通过本教程，我们介绍了如何使用 Simulink 进行自动泊车系统的仿真。背景介绍：理解自动泊车系统及其在智能驾驶中的应用。所需工具和环境。
8086汇编4位bcd码_编程｜控制结构（条件、循环）语句本质上是汇编指令cmp+JCC+jmp...
CPU指令本质上是顺序执行的，但可以实现跳转(向后跳转可形成循环语句，后前跳转可形成选择分支语句)。1 条件选择语句与cmp和JCC汇编指令看C语句与对应的汇编代码：6: int a=3;00401578 mov dword ptr [ebp-4],37: int b=4;0040157F mov dword ptr [ebp-8],48: int max;9: if(b>a)0040158...
欺诈文本分类微调（一）：基座模型选型
通义千问Qwen2具有0.5B、1.5B、7B、72B等一系列参数大小不等的模型，我们需要做的是从大到小依次测试每个模型的能力，找到满足自己需要的最小参数模型。依1.5B和1.5B-Instruct的主要区别：按照官方文档，前者是预训练模型，后者是经过指令微调的模型。
汇编：比较&跳转
在16位汇编语言（如x86汇编）中，比较指令用于比较两个操作数的大小，通常用于条件跳转、循环控制等逻辑操作，比较指令（如CMP）会根据操作数的比较结果设置标志寄存器中的相关标志位。
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
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
CMP指令详解：原理、应用与代码案例
摘要：CMP（Compare）是汇编语言中用于比较两个操作数的指令，通过隐含减法运算设置标志位但不保存结果。该指令影响ZF（零）、CF（进位）、SF（符号）和OF（溢出）标志位，支持无符号数和有符号数比较。典型应用包括条件跳转、循环控制和字符串比较，可通过x86汇编或C语言内联汇编实现。与TEST指令不同，CMP执行减法运算，多条件比较需组合CMP和跳转指令。性能优化建议使用test替代cmp与零比较，并关注分支预测机制。
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")
X86汇编语言的分支和控制跳转指令
在使用高级语言例如java,C++，python来编写代码时，我们使用最多的莫过于分支跳转控制语句，例如if..else, switch..case, for()等，本节我们看看这些分支...
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
c语言编写程序循环指令,汇编编程笔记--转移与循环指令
一.jmp指令(1)指令格式: jmp 标记名称(2指令意义: 无条件转移指令,类似c语言goto指令,执行此指令时,先将标记名称所在的地址入到指令寄存器(ip)内,程序就执行ip所指之处的指令.(3)指令执行后,根据结果可能变动的标记: jmp指令并不影响任何标记.>>>>> 注:1.标记名称(traget)的命名,不可以用保留字.2.标记名称所在地址,可以依据程序...
x86 汇编指令大全：游戏程序员的实战读法
以上是汇编语言中常见的指令，涵盖了数据传输、算术运算、逻辑运算、控制流、比较、字符串操作、浮点运算、条件跳转、系统调用、处理器控制、伪指令等多个方面。具体的指令和语法可能会因处理器架构（如 x86、ARM、MIPS 等）而有所不同，因此在编写汇编程序时，务必参考相应架构的文档和手册。当然可以！以下是更多的汇编语言指令和相关概念，涵盖了更高级的功能和特性，主要以 x86 和 ARM 架构为例。
汇编基础指令
这些寄存器共同描述了程序当前的执行状态通用寄存器存储临时数据 / 参数；RSP定位栈顶，RBP辅助栈帧管理；RIP决定下一条指令的位置；RFLAGS反映运算和执行的状态标志。二者可以不同（历史上也有过 16 位地址 + 8 位数据位宽的架构，如早期 8086）；但在 x86-64 的场景下，相同的 64 位设计。
汇编语言简明教程 实验报告
汇编语言简明教程 实验报告 提示：本文是应燕山大学实验要求，经抓耳挠腮大量掉发查阅资料后所得 文章目录汇编语言简明教程 实验报告前言实验一 汇编语言源程序的输入1.1实验内容1.2实验过程1.3实验结果实验二 数 据 的 建 立 与 传 送 程 序2.1实验内容2.2实验过程2.3实验结果实验3 分 支 程 序 设 计3.1实验内容3.2实验过程3.3实验结果实验4 分 支 程 序 设 计4.1实验内容4.2实验过程4.3实验结果实验5 学 生 成 绩 名 次 表 实 验5.1实验内容5.2实验过程5.3
逆向——汇编
逆向——C语言（一）C语言（一） C语言（一）
汇编语言：将四位十六进制数转换成二进制数
汇编语言：将四位十六进制数转换成二进制数题目要求运行截图编程平台代码实现 题目要求 从键盘接收一个四位的十六进制数，将其转换成二进制数后输出，不考虑错误输入。 运行截图 编程平台 Masm for Windows 集成实验环境 2012.5 代码实现 DATAS SEGMENT data DW 0;存放输入的十六进制数 input DB 'Enter a four-digit hexadecimal number: $' print DB 13,10,'Corresponding
汇编语言程序设计实验四
一、实验目的 掌握汇编编程规范，熟悉编程环境。 二、实验内容 编程计算3550H-2320H，按16进制输出计算所得的差1230H。再输出3550H-2321H的差，检验程序的正确性。 提示：考虑依次将1230H（即0001 0010 0011 0000B）从高位到低位，每4位二进制数一组分离出来，再将4位二进制数转换为ASCII码，利用DOS系统功能调用的2号子功能输出，就得到16进制数据的输出效果。本题要求综合应用移位操作、逻辑操作等指令，并利用条件转移指令实现简单的循环程序，程序流程如图1所示。DOS
MASM + DOSBox 8086 汇编语言实验：第十五周 —— 重复数统计（数组交集）
数组A，BX作为地址寄存器计算数组元素个数（每个元素占2字节）数组B，SI作为地址寄存器ARRAY3 DW?;数组C，DI作为地址寄存器，存储交集元素NUM DW?;存储交集元素的个数DATA ENDSDW表示每个元素为16 位有符号整数（word），因此地址偏移每次需加 2。8086 汇编的双层循环控制指针操作与内存寻址有符号数比较的正确处理方式DOS 系统调用的规范使用虽然逻辑简单，但极易因地址偏移错误、寄存器未初始化等问题导致程序异常。建议在 DOSBox 中配合debug。
汇编语言中十进制转十六进制----（ 6 ）
DATAS SEGMENT ;数据段DATAS定义 CTR DB 0DH,0AH,'$' ;定义变量CTR, 内容为"0d0a$', 就是回车换行和$字符 DATAS ENDS CODES SEGMENT ASSUME CS:CODES,DS:DATAS ;代码段，数据段和栈的声明 START: MOV AX,DATAS MOV DS,...
汇编CMP指令深度解析：从标志位原理到条件跳转实战
在计算机体系结构中，指令集是CPU执行操作的基础，而程序控制流是实现复杂逻辑的核心。其原理依赖于CPU内部的状态标志寄存器，这些标志位记录了算术与逻辑运算的结果特征。从技术价值看，理解标志位机制是掌握底层编程、性能优化和调试的关键，尤其在嵌入式开发、操作系统内核及高性能计算领域至关重要。应用场景广泛，包括条件分支、循环控制、边界检查等程序流程控制。本文聚焦于汇编语言中的CMP指令，它通过执行一次隐形的减法来设置标志位，是条件跳转的决策核心。深入探讨了零标志、进位标志、符号标志和溢出标志的协同作用，并对比了有
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
471
扫一扫
