- 博客(1)
- 收藏
- 关注
RSS订阅原创 学习笔记（一）stm32 ADC+DMA+FFT 标准库+hal库
本文比较了STM32F103（标准库）和F407（HAL库）的ADC配置及FFT处理。F103的ADC最大采样率约175kHz，采用12位ADC，通过DMA传输数据，FFT处理时需将12位数据左移16位以满足32位输入要求。F407的ADC时钟可达36MHz，理论最大采样率约1.4MHz，采用HAL库简化配置流程。两者都通过定时器触发ADC采样，使用DMA传输数据，并采用FFT进行频域分析，包括数据格式转换、频谱幅值计算和主频提取。HAL库封装了更多功能，简化了开发流程。
2025-07-21 10:23:09
1198
2
人工智能深度学习基础（python）
1. 请使用PyTorch加载torchvision.datasets.MNIST()的数据集，包括训练集和测试集。然后使用任意深度学习模型（例如：简单的卷积神经网络、全连接网络等）对训练集进行训练，并在测试集上进行预测。最后，请输出模型在测试集上的准确率。
REANME:
# 一、数据准备阶段
# 1. 定义数据转换：
# - 使用 transforms.Compose 将多个数据转换操作组合在一起。
# - transforms.ToTensor() 把输入数据（如 MNIST 图像）转换为 PyTorch 的张量格式，便于后续处理。
# - transforms.Normalize((0.5,), (0.5,)) 对数据进行归一化，将图像像素值从[0, 1]范围归一化到[-1, 1]范围。
# 2. 加载 MNIST 数据集：
# - torchvision.datasets.MNIST 用于加载 MNIST 数据集。
# - root='./data' 指定数据集存储路径。
# - train=True 表示加载训练集， train=False 表示加
2024-09-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人