- 博客(29)
- 收藏
- 关注
RSS订阅原创 STM32--10硬件读写MPU6050
每隔100ms做一次取数显示，其实取数加显示应该是30ms左右，我试过10ms，结果是数不动了，有时候还全是0，这里不知道为什么，deepseek也不能说准，以后有设备再排查吧。读寄存器的流程是开始I2C通信，发送设备地址（写），发送寄存器地址，重新开始，发送设备地址（读），关闭应答，结束I2C通信，等待数据接收，后存入Data，打开应答。一定是先关应答，后读数，如果反过来，读完数了，再关应答，从机下一组数已经到了，主机却不想要了，会导致主机从机的状态机不一致，混乱。
2026-09-06 15:32:41
238
原创 STM32--10软件读写MPU6050,I2C的初次应用
接收字节时采用位或传输，初始时Byte=0000 0000,我们往Byte里填数，当SCL为1时，SDA为1我们就给它填进来，比如1010 0011，SDA会在第7，5，1，0位读到1，位或0000 0000 之后成功接收数据1010 0011。，在SCL为1的情况下，SDA置0就是起始条件，SDA置1就是终止条件，连续的起始终止会打乱状态机，导致通信失败，总之这里的程序执行逻辑是很刻板的。如果此时从机SDA置0，从机和负极之间可没有大电阻，就是直连，整个电路都会被带到从机的低电平上，即从机控制了电路，
2026-08-26 15:20:05
250
原创 STM32--9USART收发HEX数据包
手动清除中断挂起标志位，这里不写这行也行，因为USART_ReceiveData(USART1)会自动清除中断挂起标志位，这里写是给提个醒。pRxPacket：计数器，状态1时计数，到4之后转到状态2.在发送时通过帧头0XFF和帧尾0XFE把数据包裹起来发送。接收时通过中断响应接收，一个字节触发一次中断。RxState：状态机的状态，有0，1，2。
2026-08-19 20:07:16
256
原创 STM32--8USART串口发送和接收
参数和格式匹配放入字符串。第一次i=0，123/10的3次方再对10求余，再加上字符常量'0'，'0'的asc码值是48，所以结果就是0。第一次i=1，123/10的2次方再对10求余，再加上字符常量'0'，'1'的asc码值是49，所以结果就是1。第一次i=2，123/10的1次方再对10求余，再加上字符常量'0'，'2'的asc码值是50，所以结果就是2。第一次i=3，123/10的0次方再对10求余，再加上字符常量'0'，'3'的asc码值是51，所以结果就是3。发送字符串时遇到'\0'空字符停止，
2026-08-17 16:23:01
180
原创 STM32--8DMA,ADC联用接收传感器信号
传输方向，外设为源，即外设向内存传输数据。单次传输模式，这里是传输4个通道就截止。DMA_M2M_Disable，非内存传内容，即外设内存互传。DMA_Priority_Medium，中等传输优先级。DMA_BufferSize=4，通道数为4。
2026-08-13 15:17:47
222
原创 STM32--7ADC模数转换
ADC转换结果右对齐，因为ADC转换结果是12位的，但寄存器是16位的，所以就有一个在寄存器中靠左存，还是靠右存的问题，一般我们选靠右低位存，这样结果可以直接拿来用。单次模式，拧一下电位器读一次电压。在需要读连续的信号或信号变化很快时才用连续模式。扫描模式不开启，因为这里只用了a0一个通道，当使用多个通道时需要开启扫描模式。单ADC模式，因为还有个双ADC模式，但比较复杂。设置新的校准因子，等完全设置好了再进行下一项。清除校准因子，等到彻底清除再进行下一项。实际使用通道数为1，这里只用了pa0.
2026-08-11 15:35:13
227
原创 STM32--6PWM测定频率和占空比
在一个时钟周期内，若采用pwm1模式，则是cnt<=ccr,输出高电平，反之输出低电平，所以用ccr/arr（自动重装即period）算出的占空比。开漏输出是只有一个n-mos管接负极，如果n-mos管导通，输出就是0v，如果n-mos截止，那输出就是高阻态，所谓高阻态就是输出悬空，可能是0，可能是1，也能0.1跳变，不确定。因为输出比较模块是在TIM模块配置内的，换句话说，RCC_APB1Periph_TIM2是配置定时器的时钟，定时器时钟开启，他的时基单元和输出比较功能就能正常运行。
2026-08-05 16:54:59
193
原创 STM32--5 PWM控制呼吸灯
占空比 = TIM_Pulse / (TIM_Period + 1) × 100%，意思是初始占空比是0，即小灯灭。普通推挽输出由软件控制，比如用Resetbits，Setbits这种函数控制高低电平。GPIO_Mode_AF_PP：复用推挽输出。输出模式为PWM1，高电平有效，打开输出通道。复用推挽输出这里用的定时器外设控制。这两行都是高级定时器配置，不用管他。
2026-07-31 16:54:44
209
原创 STM32--4定时器定时中断
原来频率为72MHz，分频成7200块，分频之后频率10000，意思是一秒计数10000次，到达10000此后计数器溢出，发出中断，在中断函数中将Num+1，完成计数。写上这句之后，中断标志位被清零，才能实现从0计数。TIM_CounterMode，计数器计数方向，TIM_CounterMode_Up从零开始向上计数达到TIM_Period之后重置为0重新计数。TIM_RepetitionCounter，重复计数器，多用于高级定时器控制中断或触发DMA，普通定时器我们直接设置0，不生效。
2026-07-27 17:33:10
175
原创 STM32--2按键控制小灯亮灭
因为我们采取GPIO_Mode_IPU的上拉输入，即芯片内有一个高电平，如果B1引脚为低电平，则电路接通，此时我们把KeyNum=1，记录按键按下，电路接通的状态。用下拉也可以，但上拉输入 抗干扰能力强，因为另一端直接接GND，噪声最小，而且布线方便，GND实际更容易接，实际应用绝大多数时候用上拉输入。再main函数中，将按键和小灯的功能集合起来，按下B1引脚的按键，KeyNum=1，然后小灯亮。不用的话，引脚就会悬空，读到电平可能是0，可能是1，也可能来回跳变，会不稳定。为什么用上拉输入，不用行不行？
2026-07-24 13:37:21
209
原创 STM32--1流水灯
APB2是高速总线，最高72MHz，常挂载GPIOA~G、USART1、SPI1、TIM1、ADC1/2/3、所有AFIO功能，72MHz是一秒内晶体产生的方波信号，1秒内高低电平交替变化。//设置时钟源为HCLK，启动定时器。GPIO_Write直接写GPIOA的引脚，因为他有16个引脚，所以有16个二进制位，0x是十六进制。0X0002是0000 0000 0000 0002，意思是点亮A2处的小灯，后面以此类推。GPIO_Mode_Out_PP，推挽输出，用两个MOS管来实现强驱动，
2026-07-22 15:02:02
186
原创 pytorch17-＞一张实际图片的识别实战
==================== 2. 加载模型（直接用完整模型） ====================# ==================== 4. 预处理图片 ====================# ==================== 3. 加载图片 ====================# ==================== 6. 输出结果 ====================print(f"✅ 图片加载成功，原始尺寸: {image.size}")
2026-06-26 18:36:47
232
原创 pytorch16-＞完整模型运行实例
(outputs.argmax(1) == targets).sum()，如果算出某类结果和目标一致，代表预测正确，反之，预测错误。outputs有64张图片，10种图片类型的得分，argmax(1)是算第一维的最大参数，也就是输出10种图片类型得分的最高值，从而判断它是哪种图片。tudui.train()，模型切换到训练模式这题的tudui.train()，和tudui.eval()只是起到标志作用。print(f"-------- 第 {epoch+1} 轮训练开始 --------")
2026-06-26 17:18:17
236
原创 pytorch15-＞vgg16的修改，保存，加载
==================== 2. 修改模型 (适配 CIFAR-10) ====================# ==================== 3. 模型保存 (P26) ====================# ==================== 4. 模型加载 (P26) ====================# ==================== 1. 加载预训练模型 ====================
2026-06-25 18:53:16
244
原创 pytorch14-＞optim优化器的简单应用
一个3通道5*5的卷积核有75个参数，卷积核轮流扫描这张图片的像素，卷积核发现像素的规律，有的地方亮，参数值大，有的地方暗，参数值小，几轮卷积池化下来，神经网络能看出这些数字背后的秘密，在人类看来它们可能是一种边缘，一种线条，一种形状，神经网络眼中，他们就是一堆有规律的数字，下一次他又发现这种数字了，他认为这个和之前他见过的‘猫’很像，这样来识别物体。tudui.parameters():获取参数在优化器中修改，只能修改卷积核和全连接层的权重和偏置，flatten和maxpool没有权重和偏置，因为它们。
2026-06-25 16:04:08
220
原创 pytorch13-＞loss损失函数的简单应用
1. 定义输入和目标（注意：需要 float32 类型）# 2. reshape 成四维（batch, channel, height, width）# 3. L1Loss（平均绝对误差，默认 reduction='mean'）# 5. MSELoss（均方误差）# 6. CrossEntropyLoss（交叉熵，常用于分类）y = torch.tensor([1]) # 真实类别索引为 1。
2026-06-24 18:39:51
22
原创 pytorch12-＞Sequential的简单应用
假设原图是32*32，卷积核是5*5，原来总共就是0~31行，如果不填充，卷积核只能在2~29行取到数，上下左右边缘的2行都被损失掉了，如果补上两行，padding=2的话，卷积核才能取到原来的32*32。# │ └──────────── 第2个参数：out_channels（输出通道数）# └──────────────── 第1个参数：in_channels（输入通道数）print("完成！
2026-06-24 16:13:48
505
原创 pytorch11-＞线性层linear的简单应用
output = torch.flatten(imgs, start_dim=1) ，从第1维开始展平，把1，2，3维的3，32，32乘到一起成为[64, 3072]，再通过tudui网络输出，3072输入进去，10输出来。print(f"flatten 后: {output.shape}") # [64, 3072]print(f"输入形状: {imgs.shape}") # [64, 3, 32, 32]print(f"输入形状: {imgs.shape}") # [64, 3, 32, 32]
2026-06-21 16:37:22
207
原创 pytorch10-＞非线性激活sigmoid函数简单应用
运行 tensorboard --logdir=logs_sigmoid 查看效果")1.sigmoid函数：把所有实数收敛到0~1，负数越大越接近零，0收敛到0.5，正数越大越接近一。torchvision负责视觉图片方面，主要是数据集准备和常见的数据预处理张量化。再定义一个神经网络土堆，一般这里边会有很多操作，这题只有一个sigmoid操作，4.这道题的思路是，先准备一个cifar10数据集，给他张量化，# 记录经过 Sigmoid 处理后的图片。# 2. 定义网络 (仅包含 Sigmoid)
2026-06-21 15:14:22
205
原创 pytorch9-＞maxpool2d的简单应用
关于灰度图，他只有一维，从0到255，只有黑白灰，所以叫灰度图，如果是RGB的三通道那你可以得到人眼一样的色彩，鸟是4通道，他们甚至能看到紫外线。同学，你眼里还有光吗。这句话很有意思，self是Tudui类的对象，maxpool1是self的属性，self.maxpool1是Maxpool2类的对象，那么不难看出，只有第一次取到完整9个数，如果你是ceil_mode=True，你能得到2，3，5，1。如果你是ceil_mode=False，即取不全的，就破罐子破摔，不要了，那你能得到的只有一个2。
2026-06-16 19:32:52
185
原创 pytorch8-＞conv2d卷积的简单应用
'./data',return xstep=0step+=1if step>5:breakprint('完成')Conv2d是的缩写，是。
2026-06-16 15:40:01
1024
原创 pytorch7-＞nn.module的简单演示
2. super().__init__()继承父类nn.module。为什么已经导入torch了，还要import nn？神经网络的数据输入采用张量格式。nn.module有什么用？参数移动到 GPU 的过程。etwork（神经网络）nn.module是。训练/评估模式的切换。
2026-06-15 14:45:15
165
原创 pytorch6-＞dataloader的简单应用
test_loader：有10000张图，在dataloader中用 batch_size=64,每64个图片分成了一组，而且标上了序号一共157组。imgs, targets = data，imgs里有64张图片，如果你看imgs.shape,它是四维的[64,3,32,32]，dataset=test_data,dataset只是个参数名，和路径没关系，不写也可以，比如第一行只写个test_data,shuffle=True,打乱顺序，每轮训练前打乱数据顺序，防止模型记住顺序，让模型学得更好。
2026-06-15 14:02:08
155
原创 pytorch5-＞datasets.CIFAR10简单例题
classes是列表，CIFAR10出生时自带，可以将label转化成name，比如label=1时，train_set.classes[label]是飞机.train_set[0]，train_set对象正常不能[0]，由于train_set[0]等价于train_set.train =True,（True，表示训练集，false，表示测试集）测试集：10,000张图片，每个类别有1,000张，用于评估模型效果。训练集：50,000张图片，每个类别有5,000张，用于训练模型。datasets，模块。
2026-06-12 13:44:07
333
原创 pytorch4-＞tensorboard的add_image函数简单应用
1.numpy：Numerical Python（数值计算库）它是 Python 里处理数组和矩阵的核心库。图片路径可以是相对路径，也可以是绝对路径，建议使用相对路径，项目复制到别人电脑也能用根据路径打开图片，赋给img_PIL。image_path是字符串，img_PIL是图片，有像素把 PIL 图片对象转成 NumPy 数组（像素数字矩阵），因为tensorboard不接受PIL，只接受NumPy 数组这种数字矩阵把图片放到tensorboard上。
2026-06-12 12:05:53
152
原创 pytorch3-＞tensorboard的add_scalar函数基础应用
实例化SummaryWriter类的对象writer，将TensorBoard 的动作存入文件’logs‘SummaryWriter：类，负责把数据写进日志文件，供tensorboard使用。add_scalar：挨个描点，启动TensorBoard 后渲染成线。关闭writer对象，如果不关闭，程序中途崩溃，缓存里的数据可能丢失。tensorboard：模块，张量板，让训练过程显示在浏览器上。scalar：标量，有别于向量，它是无方向的量。utils：PyTorch 实用工具包。从0到99取100个数。
2026-06-11 19:31:11
272
原创 pytorch2-＞transforms简单应用
本文展示了使用PyTorch的transforms模块进行图像预处理，并通过TensorBoard可视化处理结果。主要内容包括：1) 使用ToTensor将PIL图像转换为张量并归一化到[0,1]范围；2) 使用Normalize进行标准化处理；3) 通过Resize调整图像尺寸（固定尺寸和比例缩放两种方式）；4) 使用Compose组合多个变换操作；5) 用RandomCrop实现随机裁剪增强数据。所有处理结果都通过SummaryWriter写入TensorBoard日志，方便可视化比较不同处理效果。关键
2026-06-09 20:03:43
178
原创 pytorch1-＞dataset简单例题理解
PIL：Python Imaging Library（Python 图像处理库），Image：图片处理模块。torch：库，utils：实用工具包，data：模块，Dataset：数据集类（身份证，实际用处不大）从self.image_paths列表中索引拿到图片，打开并返回一个图片对象。print(f'一共有{len(dataset)}张图片')os，模块，path路径子模块，join连接路径函数。print(f'第一张图片：{img}')打开文件夹，返回子文件名的列表。self的作用：指代类的实例。
2026-06-09 14:24:42
439
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人