工作中的感悟随时分享

DASH 流媒体协议(Dynamic Adaptive Streaming over HTTP)概述——起源、MPD文件解析、相关项目 简单介绍DASH的起源与发展、MPD文件简要解析、相关项目,以及常见流媒体协议的比较 阅读详情

一直在想,如何能够更即时地将自己在工作中的感悟分享出去,以便帮助更多的人呢?我准备增加一个干货笔记的栏目,分享一下工作中有价值的知识点。当然,这些知识点肯定比较分散,不系统,更适合有一定基础的工程师阅读。不过,这样的方式胜在及时。平时积累知识,积累到一定程度再做个总结,将这些知识系统化。

以下是近期的几个知识点的总结:

芯片签核时clock uncertainty的设置:如果是台积电的文档的话,会说得比较明白,setup uncertainty除了建议值之外,还会要求客户加上clock jitter。clock jiter则需要看pll的文档。有些foundry的signoff guide没有要求客户加上clock jitter,那么是不是就不需要加了呢?不是的,有可能foundry认为这个属于常识,就没有写出来。假设clock jitter做得很差,signoff guide建议的uncertainty是不可能包含这部分的值的。

对于小公司来说,signoff guide是进行最后签核唯一根据。大公司由于有多次流片以及量产的数据,可以提炼出自己的签核标准。在保证足够的良率的情况下,其签核标准可能比founry提供的更松。这样的好处是,能够让自己的产品更有竞争力。这些放松是有一定的条件的。是不是说严格按照foundry提供的标准就能保证足够的良率呢?非也,虽然foundry的标准会覆盖绝大部分类型的客户,导致这个标准偏保守,但是,如果设计比较差的话,这个标准也并不能保证足够高的良率。简而言之,大厂通过设计上的改进来保证自己的良率,以至于可以降低signoff标准。

transition一般是clock period的1/6, clock transition是data period的1/3。如果transition在最后阶段难以满足签核标准时,这个是个放松的依据。

有些foundry给pr的tech file写得实在是烂。当PR工具中没有drc,而最后做pv的时候,发现数以万计的drc的时候,需要考虑自己修改tech file。这就给后端工程师提出了更高的要求。tech file(或者tech lef)没有所谓的golden,是可以根据需要修改的。最终的目的是通过signoff工具的检验。

最后一个知识点,为了保持知识有一定的稀缺性,改为付费。这个知识对于多数工程师来说,价值不大,但是对于大规模量产的芯片来说,则有较高的价值。请大家根据自己的需要谨慎选择是否付费。

UNet改进(6):基于注意力机制的多尺度医学图像分割方法 本文提出了一种集成多尺度注意力机制的UNet改进模型UNetWithAttention,用于提升医学图像分割性能。该模型在标准UNet架构基础上,设计了并行3×3、5×5、7×7卷积核的多尺度注意力模块,通过特征拼接和Sigmoid激活生成注意力权重,实现了对不同尺寸病变的自适应关注。模型采用分离式设计,将特征提取与特征选择解耦,在编码器-解码器各阶段嵌入注意力模块。实验表明,该方法在视网膜血管分割和肺结节检测任务中优于标准UNet,Dice系数和IOU分别提升2.6%和4.1%,同时保持计算效率。 阅读详情

相关推荐

熵权法+TOPSIS完整教学:用Python评估大学科研实力(含雷达图绘制技巧)

本文提供了一套完整的熵权法与TOPSIS综合评价方法在Python中的实现教程,以高校科研实力评估为例,详细讲解了从数据预处理、客观权重计算、综合排序到结果可视化的全流程。重点介绍了如何利用Python进行数据清洗与转换,通过熵权法自动确定指标权重,并结合TOPSIS模型计算各院校与理想解的相对接近度进行排名。教程还包含了使用Matplotlib绘制专业雷达图的技巧,帮助读者直观呈现多维数据的对比分析结果,适用于各类多指标决策与绩效评估场景。

weixin_28520495的博客 416

综合基础知识)(三)

4. top level blocks之间的信号遵循30/30/30的timing budget经验法则是 -- 30%给上游模块output data path,30%给top level routing,30%给input data path。2. set_max_transition, set_max_capacitance参考.lib,取值小于二维表index_1, index_2上限。1. set_max_fanout 25 为起点,可以多尝试几次。

asd1233443的博客 444

深信服桌面云实战:从零部署到高效运维的配置全景指南

本文详细介绍了深信服桌面云从零部署到高效运维的全流程配置指南,涵盖硬件规划、平台部署、虚拟桌面发布、终端管理及性能优化等关键环节。特别强调了双万兆网络架构、分布式存储配置和智能调度功能的应用,帮助用户实现高性能、高可用的虚拟桌面环境。

weixin_28568819的博客 401

工作中的工作心得随时分享(2)

继续分享几个知识点。1做cts的时候,使用相同VT的cell,这可以降低由于VT miscorrelation引起的clock skew variation。2signoff guide中...

graymount的博客 2127

R | 提取文件夹内栅格数据的最小值、最大值、标准差和平均值

各位同学好,我们长需要用长时间序列栅格数据的平均值做变量的时间变化分析,用代码能够帮助我们省下很多时间。

qq_48539301的博客 449

Python-自动化绘制股票价格通道线

创建更强大、更可靠的价格通道检测算法。

探索人工智能领域 948

吐个槽!

最近不止一个人跟我说什么先进工艺,foundary不再提供signoff标准了!我承认, 我根本不信, 虽然我没搞过什么5nm。先不猜测是哪家的foundary。就问以下几个问题。难道f...

graymount的博客 798

面向可扩展的 ABAP CDS:EXTEND VIEW 全面实战与工程化指引

摘要: 本文深入讲解ABAP CDS的EXTEND VIEW功能,帮助开发者在标准或自建模型上安全扩展字段与关联。核心内容包括: 作用:避免直接修改标准CDS,通过轻量扩展添加业务字段和关联,降低维护风险。 语法要点:需定义CDS扩展实体名和Dictionary Append View名,支持添加普通字段、关联,但不允许聚合或修改原有结构。 限制:不能扩展含聚合、UNION的视图,且扩展字段需避免命名冲突。 工程实践:建议使用客户命名空间,区分结构扩展与元数据扩展,并注意功能性变更需通过其他方式实现。 示例

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 394

为什么signoff时候transition满足要求

为什么signoff时候transition满足要求 主要是因为我们库里面的查找表的范围是固定的,不能超过它的范围值。

seu他山之石的博客 503

4、海洋哺乳动物运动能量学:潜水与生存的奥秘

本文深入探讨了海洋哺乳动物在潜水与运动中的能量消耗机制,涵盖其生理反应、代谢成本、节能行为策略及测量方法。通过分析不同物种的能量利用特点,揭示了它们如何在极端水下环境中维持能量平衡,并讨论了该研究在保护生物学、生态系统动态和动物健康管理中的实际意义。文章还展望了未来多学科交叉、长期监测及应对环境变化的研究方向,为理解海洋哺乳动物的生存奥秘提供了系统性视角。

p5l2m9n4o6q的博客 116

第95节:多模型多卡推理管理

多模型推理:在同一硬件平台上同时部署多个不同或相同的深度学习模型,满足多任务需求。多卡推理:利用多块 GPU 资源,提升推理吞吐量与并发能力。目标:合理分配 GPU 资源,实现高效、低延迟的推理服务。

yumeiguo的博客 218

时序分析基本概念介绍<设计规则约束>

今天我们要介绍的sdc内容是设计规则相关的sdc,也就是我们经常说的drv. 主要包括set_max_capacitance,set_min_capacitance,se...

Tao_ZT的博客 3639

【QNX+Android虚拟化方案】12 - 设备虚拟化 之 Passthrough透传、Vdev Trap、HAB Socket 原理解析

【QNX+Android虚拟化方案】12 - 设备虚拟化 之 Passthrough透传、Vdev Trap、HAB Socket 原理解析

|~~~热爱生活、努力学习的小伙汁~~~| 1371

经验分享:聊一聊软件测试员真正的工作内容VS测试中的一些感悟

文末分享:有需要自动化学习资料的小伙伴可以关注,免费获取这一系列的视频资料和面试文档资料! 等你会了这些互联网最新技术之后,所谓的职场瓶颈几乎已经消失,相信年薪30W+也是很简单的!关键就看你愿不愿意学! 合理利用自己每一分每一秒的时间来学习提升自己,不要再用"没有时间“来掩饰自己思想上的懒惰!趁年轻,使劲拼,给未来的自己一个交代! 上面这些是我的收集和整理,这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你 你如果对python自..

公众号:【伤心的辣条】 275

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")

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

工作感悟

学会做事做人。

木易云清 654

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

刚转行软件测试人员入职经验,经验分享:聊一聊软件测试员真正的工作内容VS测试中的一些感悟...

关注我,每天分享软件测试技术干货、面试经验,想要领取测试资料、进入软件测试学习交流群的可以直接私信我哦~~对于软件测试,各位应该都不陌生,老师也都讲过,无论是测试流程、测试方法还是场景测试,亦或是测试用例,这些在面试的时候经常被问到的“考点“都能够说出个一二三来。但这也是从理论上学到的东西,真正进入测试工作中跟理论还是有一些差别的。我看过很多人在平台上投稿讲述自己投身软件测试的故事,大多是从自己转...

weixin_39832348的博客 362

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

在企业工作一年多的几点感悟

大学本科毕业之后留校任教,一边教学问,一边做学问,拿到硕士后辞职来香港读博士。之后有幸被联科集团收留,脱离教育科研领域,在企业界从基层做起。虽然时间不长,但收获不少,也印证了一些我一直以来坚持的某些看法。我个人觉得,一切才刚起步,不过会抓住机遇,渐进加速。这里分享一些阶段性的感悟。也许是青涩的想法,但也是成长的果实。我打算分三个方面去说,之前教育科研工作和学习中的感悟,现在企业工作中的感悟,同事相

Progressive Notes 5578

面试给我的感悟

面试给我的感悟 近期在换工作,这段经历确实不容易,但是也受益良多,下面就把近期的一些体会和想法和大家分享一下。 回归博客 记得上次写博客,可能都是七八年前了,当然,那时也没坚持多长时间,而且写的东西也不好。不过,这次我想回归博客,并且坚持下去,作为一个IT行业多年的程序员(我还是觉得这个称号更朴实一些)来说,应该把一些自己的知识和经验分享给大家,并且对自己也是一个积累,希望大家能督促我,在这里先谢...

bianxiaoxm的专栏 4323

张一鸣:我的大学四年收获及工作感悟

一行读完需要9分钟速读仅需 3 分钟大家好,我是一行在生活工作当中,我们经常会发现:为什么同时进入职场的年轻人,两三年后达到的高度可能相差甚远?今天分享张一鸣大佬的这篇深度总结,应该能给...

一行玩python 677

一个华为人在华为工作十年的感悟 --徐家骏

作者背景:徐家骏是华为数据中心的头,技术超级牛人,一级部门总监,华为副总裁,年收入过千万,数据中心是用火山岩建的深入地下的一个大型建筑。防辐射,可防卫星的电子,雷达等手段的侦察。里面有象卫星发射中心那种超大屏幕,机房里满是三米的大型服务器和大型计算机。连接整个华为全球的每一台终端,整个华为每天三十多万封邮件,海外和全球的同步研发,内部的信息管理,内部流程,华为的国内国际IP电话都是通过出去。  ...

dongpengfei123的博客 1985

新手感悟

工作一年多了,也顺利也不顺利。 顺利的是没被公司开除,且学到了一些新技术。不顺利的是工资不怎么高,项目不怎么多。 在上家公司呆了一年,总体感觉进步不大,学学MVC 做了两个项目,又补补jquery 用起来很舒服。 不幸的是 webForm忘得差不多了,不过MVC 真的很好用,很是方便。 遇到的一些好人,同事,技术大牛,好上司。在他们的帮助下成长,在他们眼底下一次次重演他们的曾经,...

aiye6246的博客 123

2.2 工作总的一些感悟

weixin_51625382的博客 139

关于工作的几点感悟

关于工作的几点感悟各位朋友们,晚上好。很高兴我们又见面了。今天我将为大家分享关于工作的几点感悟。首先感谢大家的收听。下面,由我为大家开讲。先跟大家简单介绍下我的工作吧。我是一位程序员,从事安卓软件开发工作。那我平时都忙些什么事呢?编写软件,测试软件,优化软件。这三件事占据了我主要的工作时间。我很喜欢这份工作。我也喜欢思考自己的工作,下面跟大家分享一些我的胡...

codehxy的专栏 271

我与优快云?我只是想找个地方分享经验

前言  最开始写博客的想法很简单,就是分享经验。你能想象嘛?我呕心沥血的完成一份算法的解读,有计算过程有咨询老师,当完成这份算法的时候,我那叫一个开心,比打游戏砸出一件紫色属性还高兴,可是却无处分享,没人喝彩,我是真的糟心,就想在网上分享一下我实现算法的过程,于是乎我找到了 优快云 。 我当时完成了 还原二叉树 这一篇博客。内心是十分激动的,特别想把我实现的过程,和实现的结果都告诉网上的人,...

Caeser110的博客 1222

点滴记录:管理工作的50点亲身感悟(分享!)

点滴记录:管理工作的50点亲身感悟(分享!) 管理认知 1.经常自我反省,检视一下,在管辖范围内的人、时、地、物、有没有浪费资源,或无效运用的状况。 2.不要在下属面前抱怨工作,数落上司及公司的不对。 3.接受上司交待任务时,在没有尝试执行之前,绝不说“不可能”、“办不到”。 4.每天找出一件需要突破,创新的事物,并动脑筋想一想,有无改善创新的方法。...

weixin_34080951的博客 124

我的找工作之路

我的新浪微博:http://weibo.com/freshairbrucewoo。 欢迎大家相互交流,共同提高技术。    我的找工作之路          对于大四的学生来说最重要的事情就是找工作了,我现在也正是大四,也正在努力找适合自己的工作.找工作能够让人体会到各种各样的滋味,毕竟这是我们开始真正踏入社会的第一次磨练。我在找工作的过程中学会了很多,感受到很多,更是明白了很多。现在就把

BruceWoo的专栏 3463
上一篇: 汽车芯片玩家如何分类?有哪些呢?
下一篇: 小心,你的简历被监视了
白山头
博客等级 码龄7年 1111粉丝 104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