STM32 ST-LINK Utility 烧录程序与Flash保护解锁实战

STM32程序烧录:JFlash工具使用深度剖析 深入讲解如何使用JFlash进行STM32程序烧录,涵盖操作步骤与常见问题解决,帮助开发者高效掌握jflash怎么烧录程序的核心技巧。 阅读详情

1. ST-LINK Utility 是什么?为什么你需要它

如果你正在玩STM32单片机,肯定会遇到需要把程序烧录到芯片里的情况。我自己用了这么多年的STM32,ST-LINK Utility可以说是最直接、最稳定的烧录工具之一。它不像那些复杂的IDE环境需要一堆配置,就是个轻量级的烧录软件,专门负责把编译好的HEX或BIN文件塞进芯片的Flash里。

简单来说,ST-LINK Utility就是个"快递小哥",负责把程序代码从你的电脑传输到STM32芯片的内部存储空间。它支持ST-LINK/V2和V2-1调试器,这些都是ST官方出的调试工具,兼容性绝对没问题。我实测过很多第三方烧录工具,最后还是觉得官方的这个最靠谱,特别是当你遇到一些奇怪的烧录问题时。

这个工具最实用的地方在于它能直接操作芯片的Option Bytes和Flash保护设置。很多新手都会遇到这种情况:第一次烧录很顺利,但第二次想更新程序时突然就报错了,提示什么"read protection"或者"write protection"。这就是触发了STM32的Flash保护机制,而ST-LINK Utility正好能解决这个问题。

除了基本的烧录功能,它还能读取芯片的内存内容、校验程序是否正确写入、批量烧录多个芯片,甚至还能擦除整个Flash。对于量产或者需要频繁调试的场景特别有用。我记得有一次在工厂量产时,就是用这个工具配合脚本实现了自动化烧录,大大提高了生产效率。

2. 准备工作:硬件连接与软件安装

2.1 硬件连接其实很简单

先说硬件连接,这个真的很基础但很重要。我见过不少新手在这里栽跟头,其实就四根线:SWDIO、SWCLK、GND和3.3V。ST-LINK调试器上通常都会明确标注这些接口,对应连接到STM32芯片的相应引脚就行。

这里有个小技巧:一定要先接GND再接电源线。我早期就犯过这个错误,热插拔的时候因为电势差问题烧了一个芯片,虽然概率不大但确实会发生。另外,如果板子有独立供电,ST-LINK的3.3V可以不接,直接用板子的电源,这样更安全一些。

连接好后,打开ST-LINK Utility软件,点击工具栏上的"Target

flash写保护原理_STM32的Flash写了保护怎么办? 关于STM32对内部Flash的保护为了防止对Flash的非法访问,所有STM32的芯片都提供对Flash的保护,具体分为写保护和读保护。如果对Flash设置了写保护,那就无法对Flash进行编程和擦除。在开发STM32的时候,如果出现这种情况,通常仿真器都支持对Flash进行解锁,像jlink,stlink等仿真器都支持这个功能。在使用MDK进行调试的时候,可... 阅读详情

相关推荐

STM32芯片被锁死?别慌!手把手教你用ST-Link Utility解锁Flash Timeout错误

本文详细介绍了STM32芯片因Flash Timeout错误被锁死的解决方案,通过ST-Link Utility工具逐步指导解锁流程,涵盖硬件连接、Option Bytes设置及保护机制原理,帮助开发者快速恢复芯片功能并预防类似问题。

weixin_42713608的博客 926

STM32H750 突破128K Flash限制:利用ST-LINK Utility解锁2MB内部存储实战

本文详细介绍了如何利用ST-LINK Utility突破STM32H750芯片128KB Flash限制,解锁其隐藏的2MB内部存储空间。通过实战步骤讲解工程配置、Hex文件生成及程序下载,为开发者提供了一种经济高效的存储扩展解决方案,特别适用于原型开发和学习项目。

q3r4s5t的博客 687

STM32烧录原理与SWD/UART/DAP-Link选型指南

嵌入式程序烧录本质上是向微控制器Flash存储器执行受控擦写操作的技术过程,其可行性取决于硬件启动模式、调试接口协议与权限控制三大约束。SWD(Serial Wire Debug)作为ARM Cortex-M标准调试通道,以最少引脚实现高速可靠烧录;UART Bootloader则依托芯片内置ROM固件,在低成本场景下提供基础编程能力;DAP-Link作为开源CMSIS-DAP实现,强调跨平台兼容与免驱部署。三者分别对应开发调试、量产更新与生态中立等不同工程需求。理解STM32启动流程(如BOOT0/BOO

fox11的博客 830

ST-LINK Utility 从安装到实战:STM32烧录调试核心工具详解

在嵌入式开发中,Flash烧录与调试是连接软件与硬件的关键环节。其核心原理是通过调试接口协议(如SWD/JTAG)与微控制器内部存储器进行通信,实现对固件的写入、读取与擦除。这项技术的价值在于提供了脱离复杂IDE环境的底层操作能力,确保了编程的可靠性与灵活性,尤其适用于量产烧录、固件升级和芯片救砖等场景。ST-LINK Utility作为ST官方推出的独立编程器,正是这一技术的典型代表。它通过直接驱动ST-LINK硬件调试器,为开发者提供了直观的存储器视图、选项字节编程和高效的拖拽式烧录体验。无论是处理常见

weixin_30924239的博客 482

STM32新手必看:ST-LINK Utility烧录bin文件与连接问题排查指南

固件烧录是嵌入式开发中最基础也最关键的一环,而脱离IDE手动烧录bin文件更是工程师必须掌握的技能。STM32芯片通过SWD调试接口与ST-Link调试器通信,实现程序的擦除、写入与校验。ST官方推出的ST-LINK Utility以极简界面和稳定流程,成为新手理解烧录原理的最佳入门工具。无论是手头只有bin文件需要验证功能,还是芯片被读保护锁死无法连接,亦或是小批量产线需要高效烧录,ST-LINK Utility都能提供清晰可靠的解决方案。文章从工具安装、驱动配置、SWD接线讲起,详细拆解连接、擦除、编程

weixin_33841722的博客 460

STM32 Flash写保护解锁全流程:ST-LINK Utility与MDK烧录故障排查

在嵌入式开发中,Flash保护机制是保障固件安全的关键技术,但配置不当或意外触发常导致调试器无法连接、芯片“变砖”。理解读保护(RDP)与写保护(WRP)的硬件原理,是快速定位“Cannot Access Target”等烧录故障的基础。通过ST-LINK Utility或STM32CubeProgrammer执行全片擦除,可安全解除Level 1读保护,恢复芯片可编程状态。针对MDK烧录报错,系统排查SWD接线、驱动版本、Flash算法等常见环节,结合命令行脚本固化解锁流程,能显著提升调试与量产效率。本文

weixin_27017211的博客 197

STM32开发必备:ST-LINK Utility从安装到实战全解析

在嵌入式开发中,程序烧录是将编译后的机器码写入微控制器Flash存储器的关键步骤,其原理是通过调试接口(如SWD/JTAG)与芯片内部存储器控制器进行通信,实现数据的擦除、编程与校验。这项技术的核心价值在于确保了固件能够准确、可靠地部署到硬件中,是产品从开发转向量产和维护的基石。其应用场景广泛,从最初的代码调试、到工厂量产烧录、现场固件升级以及芯片故障诊断均不可或缺。本文聚焦于STM32生态中的经典工具ST-LINK Utility,它正是实现高效离线烧录和深度存储器操作(如读写保护配置)的利器,能有效解决

weixin_34290096的博客 625

STM32开发必备:ST-LINK Utility从安装到高级调试全攻略

在嵌入式开发中,程序烧录与调试是连接软件与硬件的关键环节。其核心原理是通过调试接口(如SWD/JTAG)与微控制器内核直接通信,实现对Flash存储器的擦除、编程及内存访问。这项技术的价值在于提供了底层硬件操作能力,使开发者能够超越集成开发环境(IDE)的限制,进行芯片级调试、固件修复及生产自动化。在STM32系列MCU开发中,ST-LINK Utility正是实现这些功能的专业工具,广泛应用于程序下载、选项字节配置、内存读写和批量生产等场景。掌握其使用,能有效解决芯片连接失败、读保护锁定等常见问题,提升开

weixin_34268753的博客 705

STM32 Flash写保护解锁:从Keil MDK报错到ST-LINK Utility恢复

在嵌入式开发中,STM32芯片的Flash写保护问题常让开发者误以为芯片损坏。实际上,这是芯片内部选项字节中的读保护(RDP)与写保护(WRP)机制在起作用,旨在防止固件被非法读取或篡改。理解其原理,有助于快速定位Keil MDK下载失败、Target DLL cancelled、RDDI-DAP Error等常见报错。在调试或量产场景中,合理使用ST-LINK Utility或STM32CubeProgrammer解除保护,即可恢复芯片的烧录能力。通过ST-LINK Utility连接目标、调整选项字节、

weixin_29192141的博客 331

STM32 ST-LINK Utility固件烧录全指南:从SWD接线到批量生产

在嵌入式开发中,固件烧录不仅是将编译后的代码写入芯片,更涉及读取备份、擦除管理、校验保护等底层操作。IDE的下载功能依赖工程配置,而ST官方推出的STM32 ST-LINK Utility是独立的芯片级编程工具,通过SWD或JTAG接口直接访问Flash,无需搭建工程即可完成HEX、S19、BIN格式的烧录,并支持Option Bytes配置与命令行批量执行。它既能帮助工程师在现场脱离IDE升级固件,也能在产线中实现自动化烧录与校验,同时解决芯片读保护、引脚复用等导致的连接异常问题。掌握这一工具,是深入ST

weixin_33933118的博客 497

从连接、烧录到擦除:一份给嵌入式新人的STM32 ST-LINK Utility保姆级操作手册

本文提供了一份详细的STM32 ST-LINK Utility操作指南,从硬件连接到程序烧录、Flash保护机制到芯片擦除,全面覆盖嵌入式开发中的关键步骤。特别适合新手快速掌握ST-LINK Utility的使用技巧,避免常见错误,提升开发效率。

weixin_30735745的博客 423

STM32调试遇阻?别慌!手把手教你用ST-LINK Utility解锁Flash写保护(附MDK报错解决)

深夜的办公室里,咖啡杯早已见底,你的Keil MDK调试窗口突然弹出"Flash Timeout"红色报错——这个场景恐怕是每个STM32开发者都经历过的噩梦。当项目deadline迫在眉睫,硬件却因Flash写保护拒绝任何程序写入时,ST-LINK Utility就像一把精准的手术刀,能快速解除芯片的防御机制。本文将带你亲历完整的问题定位与解决流程,从报错分析到工具实操,最终让开发板重新恢复活力。

weixin_42521843的博客 442

STM32调试避坑指南:ST-LINK Utility烧录、解锁写保护与常见报错排查

在嵌入式开发中,STM32作为主流MCU广泛应用于各类工控、物联网与消费电子产品,而程序烧录与调试是开发流程中最基础的环节。ST-LINK调试器搭配官方工具,可完成固件下载、Flash擦写、数据校验与选项字节配置等操作。实际开发中,开发者常遇到芯片无法连接、程序烧录超时或Flash区域被写保护等问题,其背后往往涉及SWD接线时序、复位策略、读保护等级以及Flash算法配置等原理性知识。理解这些机制,不仅能解决Keil、CubeProgrammer等其他工具下的相似报错,还能为批量产线烧录提供可靠的自动化方案

weixin_33314040的博客 207

stm32烧写flash工具 flasher-stm32.zip

stm32烧写flash工具,向STM32烧写Bootloader,STM32支持3种引导方式,Flash、SRAM和ISP。通常情况下,我们使用Flash比较多,这种方式通过下载器(JLink、STLink等)将代码放到Flash中,请注意这里一定要根据你自己的情况选择Bootloader,否则可能出现问题

学Simulink--基于多能源系统协同与能源互联网的电网系统场景实例:风光氢储一体化系统的能量管理与调度仿真

在全球“双碳”目标驱动下,高比例可再生能源并网成为电网发展的核心方向。然而,风电与光伏具有强随机性与间歇性,给电网稳定运行带来巨大挑战。风光氢储一体化系统(Wind-Solar-Hydrogen-Storage Integrated System)通过将可再生能源发电电解水制氢氢气储存与燃料电池发电有机结合,构建了一个长时储能与能量形态转换的闭环系统,是实现能源互联网与零碳电力系统的关键路径。✅平抑波动:氢储能可实现跨天、跨周储能✅能量转化:电→氢→电/热/交通燃料,实现多能互补✅长时储能。

amy_mhd的博客 1073

如何选择StandardScaler、MinMaxScaler和RobustScaler做标准化的对比解释和示例代码

选择合适的标准化方法取决于数据的特点和需求。如果数据分布接近正态分布且无异常值,可以使用。如果需要将数据映射到特定范围内并保持相对关系,可以使用。如果数据中存在异常值或离群点,可以使用进行鲁棒标准化。在分类、聚类算法中,需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候,StandardScaler表现更好(避免不同量纲对方差、协方差计算的影响);在不涉及距离度量、协方差、数据不符合正态分布、异常值较少的时候,可使用MinMaxScaler。

qq_36001281的博客 4942

innovus实战攻略 | 用setUsefulSkewMode解锁时序优化的“隐藏技能”!

就像时序优化的“瑞士军刀”,参数虽多,但掌握了分类逻辑后,用起来其实很简单!如果你有更绝的用法,欢迎在评论区分享,大家一起卷起来!简单来说,它就是时序优化的“乾坤大挪移”。通过调整触发器的时钟到达时间,把关键路径的建立时间“借”给非关键路径,从而实现全局时序收敛。别急,这个命令就是你的“时序救星”!(工具最多只能借1.2ns的裕量,防止“借过头”导致新问题!这个参数能帮你兜底!(对关键路径“下死手”,确保优化到位!(设置上限,给工具套上“紧箍咒”!(直接跳过边界,避免优化反噬!(全局管理,防止“借过头”!

weixin_50820814的博客 1363

【二 Deepseek+Coze案例】【 2.2 Coze + Deepseek 实现小红书爆款笔记:打造专属Agent智能体】

摘要 本文介绍了如何利用Coze平台和Deepseek模型构建自动化Agent智能体,用于生成和优化小红书爆款笔记。文章首先分析了爆款笔记的核心特征,包括精准定位、吸引标题、实用内容、精美排版和热门标签。随后提出Agent智能体的功能需求,涵盖热点追踪、内容生成与优化、数据分析及自动发布等模块。在技术实现上,详细阐述了从环境配置、数据采集到内容生成与优化的全流程,并提供了Python代码示例,展示如何调用Coze函数获取热点数据及竞品笔记。该方案通过智能化的内容创作与运营策略,帮助用户高效打造高曝光的小红书

商务合作|问题讨论|交流学习 请联系作者微信,加微信请务必注明来意,博客主页有联系方式 2324

SerDes学习笔记:DFE均衡架构示例(USB3.1、PCIe3.0\4.0)

本文探讨了DFE均衡器架构在不同数据接口中的应用特性。研究表明,抽头数量随数据速率提升而增加,1-16抽头架构较为常见。通过PCIeGen3/4实例分析,对比了单抽头、双抽头和15抽头DFE的性能差异,证明多抽头结构能通过精细调节有效提升噪声容限和降低误码率。文章详细阐述了DFE工作原理,包括其通过反馈信号对输入信号的补偿机制,以及不同抽头对消除码间干扰的作用。实验采用8Gbps速率(125ps/UI)进行波形仿真,直观展示了均衡处理前后的信号变化,为理解信道均衡技术提供了重要参考。

一只豌豆象的博客 520

【机器学习-17】数据变换---小波变换特征提取及应用案列介绍

小波变换作为一种前沿的数据分析工具,近年来在信号分析领域崭露头角。小波分析的理论和方法凭借其独特优势,在信号处理、图像处理、语音处理、模式识别以及量子物理等多个领域得到了广泛的应用,堪称近年来在工具及方法上的重大突破。小波变换以其多分辨率的特性,在时域和频域均展现出对信号局部特征的强大表征能力。通过伸缩和平移等运算过程,小波变换能够对信号进行多尺度聚焦分析,为非平稳信号的时频分析提供了一种有效手段。它允许我们由粗及细地逐步观察信号,从而精准地提取出有用信息。

qq_38614074的博客 2万+

信捷PLC XD5系列运动控制(10轴)编程应用篇

项目PLC采用XD5-60T10-E,36DI 24DO 晶体管输出,支持10路脉冲输出功能。TMR指令定时器时基可以自己设定,这点比其他品牌PLC方便。ZRN指令我们需要上升沿指令触发。 5、变址寻址 该说不说这个变址寻址是真的强,比西门子指针、三菱的变址寄存器Z 、V都要更加灵活。 7、特殊寄存器:时钟 8、如何建立PLC通讯...............

RXXW_Dor的博客 1万+

人工智能训练师三级考试题型全解析|190道真题样例+30天备考路线

人工智能训练师三级考试并不神秘:理论考190道选择题(刷题就能过),实操考代码+方案设计(练练就会)。核心是花时间——30天系统备考,足以从容通过。如果你想从零开始系统备考,覆盖所有考点和实操技能,欢迎查看我的专栏:📖《人工智能训练师三级·从零到拿证完全指南》80篇系统化内容,覆盖报名、备考、冲刺、拿证全流程六大模块知识点逐个击破,每个考点都讲透实操代码题手把手教学,附带完整参考代码高频考点速记 + 易错题精讲 + 3套模拟试卷30天备考计划 + 冲刺复习策略。

白话机器学习 6108

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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")

上一篇: STM32F103外部中断:从按键消抖到低功耗唤醒的实战陷阱与优化
下一篇: IIC vs 串口:多协议电子指南针在智能硬件中的融合设计
git9versioner
博客等级 码龄4年 75粉丝 1650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  | 博主筛选后可见
 
 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