【视频课程】深度学习模型优化更新!神经网络搜索NAS核心算法模块上线

AI工业落地的三大硬骨头:神经可塑性、能耗瓶颈与新场景泛化 人工智能在工业场景中的真正挑战,早已超越算法精度与模型规模,直指系统级物理约束。神经可塑性关乎模型能否持续适应动态产线数据流,避免灾难性遗忘;能耗瓶颈决定AI能否在边缘设备长期稳定运行,而非依赖云端算力堆砌;新场景泛化能力则回应低资源、小样本、跨模态等现实限制,要求模型具备物理常识与结构化学习能力。这些并非理论空谈,而是医疗影像部署、风电预测、智能质检等一线项目中反复出现的工程瓶颈。本文聚焦可验证、可部署、可量化的技术解法,涵盖液态神经网络、脉冲神经网络、能耗-精度联合优化、故障树引导采样等工业级实践路径, 阅读详情

4b726ce8829e0a90167b02d4c3a95219.png

 

前言

欢迎大家关注有三AI的视频课程系列,我们的视频课程系列共分为5层境界,内容和学习路线图如下:

第1层:掌握学习算法必要的预备知识,包括Python编程,深度学习基础,数据使用,框架使用。

第2层:掌握CV算法最底层的能力,包括模型设计基础,图像分类,模型分析。

第3层:掌握CV算法最核心的方向,包括图像分割,目标检测,图像生成,视频分类。

第4层:掌握CV算法最核心的应用,包括人脸图像,图像质量,视频分析,图像编辑。

第5层:掌握算法落地的关键技术,包括模型优化,模型部署。

cca03edbdd3d659d21a0e51eb0a4ec08.jpeg

其中部分课程的主体内容已经更新完毕,比如数据使用/模型分析/图像分类/图像分割/目标检测/图像生成/图像翻译/图像增强/视频分类/模型部署/模型优化/人脸图像检测与识别/人脸属性编辑;部分课程正在重制更新中,比如人脸三维重建;部分课程正在计划上线中,比如通用图像编辑/视觉Transformer/强化学习/半监督与无监督,请大家及时关注!

​​​​​​​【有三AI官方唯一课程平台地址为:https://appcdfgt3n15676.h5.xiaoeknow.com,请使用浏览器在网页或者使用小鹅通APP进行学习】 

最新的完整介绍如下:【总结】最系统化的CV内容,有三AI所有免费与付费的计算机视觉课程汇总(2022年12月)

642e6b6004d61acd14f11fd9ef943001.png

本周《深度学习之模型优化:理论实践篇》上新,新增了神经网络搜索(Neural Architecture Search)相关核心算法内容,包括神经网络搜索基础,基于栅格搜索的方法,基于强化学习的方法,基于进化算法的方法。

为什么要学习这门课

好的模型结构是深度学习成功的关键因素之一,不仅是非常重要的学术研究方向,在工业界实践中也是模型是否能上线的关键。对各类底层深度学习模型设计和优化技术理解的深度是决定我们能否在深度学习项目中游刃有余的关键,模型压缩与优化是专门针对模型进行精简的技术,这是模型能够在各类嵌入式平台使用的关键技术,包括紧凑模型设计,模型剪枝,模型量化,模型蒸馏,自动化模型设计等内容。

189061baf0cd71bbf8668a81e916eb03.jpeg

当前许多成熟的框架都支持进行模型的压缩优化,比如Tensorflow、TensorRT,内置了经典的模型压缩优化方法。

39d64c2678897ee178bc618dee065e43.png

为了帮助大家系统性地学习深度学习模型优化的相关内容,我们推出了《深度学习之模型优化》系列课程,目前已完成约9个小时的理论课+4个小时的实践课(还在更新中)。

子欲学深度学习,模型优化是必学进阶内容!我们这一门课期望帮大家彻底搞定模型优化的学习问题!课程的第一阶段内容已经更新完毕,本课程结合实际项目,将所学理论应用于实践。

9f92aa0cf90eef3e989038c0562e0dfa.png

深度学习之模型优化课程

课程内容介绍

本课程内容包括模型优化压缩的经典算法理论与实践,目前一期已经基本更新完毕,超过13个小时,涵盖了深度学习模型压缩的核心领域,包括模型剪枝、模型量化、知识蒸馏等,既有足够的宽度,也具备有足够的深度。我们会非常详细地讲解算法中的细节,帮助彻底消化算法原理;

下图是已有课程的大纲脑图:

1eac8679cad58c9bfed5be04a3ccf0f8.png

下面简单了解一下各部分的内容:

(1) 模型剪枝基础,包括模型剪枝的基本概念,模型的冗余性分析,约25分钟【本部分内容可以免费收听】。

78c966a63b48862ef9ba41ba2a4808af.png

1f22d96601ee17986ac004227d492af6.png

(2) 非结构化模型剪枝(基础篇),包括基于幅度的连接权重剪枝框架及其改进,约25分钟【本部分内容可以免费收听】。

86cb8657188f5d29fff3d7b121774f43.png

83ae33c39e784166d120ec72f185ba0c.png

(3) 结构化模型剪枝,包括幅度篇、稀疏权重篇、稀疏因子篇、重建篇,详细介绍了当前各种主流的结构化模型剪枝技术,一共约110分钟。

a16603af2f5e0ced7f729c7258f0850e.png

02be8c1855b1c739d14e87d8ed09c0f9.png

d0a4acb0d269f80b9eec480b2f0a89e6.png

f0290bcf9bc13ee6eda7fe07ab23bba0.png

23ea342fa846fc9c1ffaba74ff0594f0.png

(4) 模型量化基础,介绍模型量化方法的分类,模型量化的优势,约20分钟,本部分内容可以免费收听。

1903aefe005d840fe44a2464164cc4e8.png

997947e4e9e0247edaa9142cb33d7981.png

(5) 2值模型量化,包括基础篇、重建篇,详细介绍了当前主流的2值网络,约50分钟。

c174e56e9abe446092a043b2d61cfa57.png

00c06a0ac31b9d7d81fc638cec599dc1.png

af0a802d2cbb8bc17964e6d47904c5a2.png

(6) 8bit模型量化,介绍的内容包括基于KL散度的对称量化、非对称的训练时与训练后量化框架,时长约45分钟。

7b15a2f18a1ce71bace272cdc6573bab.png

9762638e0c1b5c282cff0e2e4dc72663.png

(7) 混合模型量化,介绍了基于不同位宽的激活值、权重值、梯度值的量化训练框架,约30分钟。

82e8910bd8f0ff907f14b659f5587a41.png

e171fb80934bc47b5cc20efa7a74945f.png

(8) 知识蒸馏基础,包括知识蒸馏的概念与迁移学习基础,约25分钟【本部分内容可以免费收听】。

0a33c5e7b41e68705037bdb4a1687d74.png

ad61cb4e802f7e638aa59848e2c99b59.png

(9) 知识蒸馏框架,包括基于特征匹配,基于优化目标驱动,基于自蒸馏的框架,时长约90分钟。

f06b5fef6ffb8427257a8b0c477eb7b2.png

9e67b38f5a1ee6e2abaf175132f370b4.png

0307b6993c61d655b32844c32238f128.png

(10) 神经网络搜索,包括神经网络搜索基础,基于栅格搜索的方法,基于强化学习的方法,基于进化算法的方法,时长约110分钟。

73d603ec62c824decc358d9823dfd1bd.png

486a338d75b5ce6b0f077e75dafed9af.png

0b85e9cd903ba087630a99ab1768f961.png

(11) Distiller模型压缩框架,介绍Distiller的整体架构,模型剪枝与模型量化的功能模块,约40分钟【本部分内容可以免费收听】。

80816e99132792b7e43e3124407e7425.png

f8f53ebab5e2339f0a53f18de66685c7.png

c1f4ae7f43a2a4c158d09948738030ca.png

638dcd0ee66d38bc94c14a6528c7e02f.png

(12) 结构化模型剪枝实践,包括基准模型训练以及基于稀疏约束与缩放因子的结构化剪枝实践,约60分钟。

58b9b396fb124ee70be9011446cf7546.png

95d1a86afa49bc2f0a984c6d421009e1.png

(13) 8bit模型量化实践,包括量化校准表生成与模型量化,ncnn框架介绍,模型转化与推理,约50分钟。

ccd13558bd9d7d114637020171ee88e8.png

03431eaa871e234a076a084ee20b1e27.png

(14) 模型蒸馏实践,包括模型训练与蒸馏,一共约30分钟。

8968656e4d1333951f3f3a1a06896a36.png

f2c7a811135e6087a2f0cabc002a139a.png

(15) 早期直播回放,包括模型压缩基础,模型精简设计实践,模型剪枝实践,模型量化实践,模型蒸馏实践,工程技巧,AutoML的应用,约60分钟。

以上就是已有的课程内容,共计超过13个小时,后续还会持续丰富完善内容,请大家保持关注。

本课程讲师为言有三,讲师简介如下:

0c21b30daaf6dc9a74c4e2d6d5963bd1.png

龙鹏,笔名言有三,技术社区《有三AI》创始人。先后就读于华中科技大学(2008-2012),中国科学院半导体研究所神经网络实验室(2012-2015),先后就职于奇虎360人工智能研究院(2015.7-2017.5),陌陌科技深度学习实验室(2017.5-2019.3),深度学习算法专家,阿里云MVP,华为云MVP。

拥有超过7年的计算机视觉从业经验,拥有丰富的传统图像算法和深度学习计算机视觉项目经验,著有书籍《深度学习之图像识别:核心技术与案例实战》(机械工业出版社2019.4),《深度学习之模型设计:核心算法与案例实践》(电子工业出版社2020.6),《深度学习之人脸图像处理:核心算法与案例实战》(机械工业出版社2020.7),《深度学习之摄影图像处理:核心算法与案例精粹》(人民邮电出版社2021.4),《生成对抗网络GAN:原理与实践》(机械工业出版社2022.10),拥有10余项发明技术专利与学术论文。

擅长领域:Caffe,Tensorflow,Pytorch等主流深度学习平台。神经网络与深度学习理论,深度学习模型设计与优化,计算机视觉的基础领域,AI美学,2D与3D人脸算法,生成对抗网络GAN等领域。

本课程是模型使用课程的其中一部分,属于有三AI整个课程体系中的高阶课程,需要大家已经能够熟练使用深度学习框架与基础模型,建议与另外3门课程配合享用,包括《深度学习之模型分析》,《深度学习之模型设计》,《深度学习之模型部署》,详细介绍请查看:

【视频课】AI必学,超3小时,3大模块,掌握模型分析核心技术!

【视频课】AI必学,超20小时,4大模块,循序渐进地搞懂CNN模型设计与简单部署!

【视频课】快速掌握6大模型部署框架(Pytorch+NCNN+MNN+Tengine+TensorRT+微信小程序)!

9a68f147cd39821427b735a9b7ef995d.png

fb5ff9b04fb3f0c72ddbbaf341030123.png

a9d77974d0517674932187f7a1f2d64d.png

如何获取课程

订阅本课程的方法有两个:

其一:订阅《深度学习之模型优化》专栏,随着内容增加价格会不断增加,感兴趣的请提前订阅,链接如下:

65900b5dcefde6424f68a491aee1b3cb.jpeg

已有的课程目录如下:

7c4ddfbd88c576e3ca565ec47f2c435d.jpeg

其二:参加有三AI-CV秋季划-模型优化组,可以获得4套模型设计与优化部署相关的课程,包括《深度学习之模型设计-理论实践篇》,《深度学习之模型分析-理论实践篇》,《深度学习之模型优化-理论实践篇》,《深度学习之模型部署-移动端与服务端》,《深度学习之数据使用-理论实践篇》,了解课程可以点击链接与扫码:

【CV秋季划】模型算法与落地很重要,如何循序渐进地学习好(2022年言有三一对一辅导)?

b81e19afd52db57c942bd913585866a5.png

课程设有交流群,大家在订阅课程后可以添加小助手入群,同时欢迎在深度学习领域有沉淀积累的同学加入有三AI生态,让更多人受益!

7932bae0e1e1a56795b54987d006758b.jpeg

5183a0bada176a765e231d638cc9be17.png

fd7752dc2fc6dd6db5cc50e103002f41.png

往期相关

微视觉计算实战:从模型压缩到边缘部署的完整指南 计算机视觉技术正经历从云端到边缘的范式转移,其核心在于如何在资源受限的终端设备上实现高效感知。这一转变由模型小型化、硬件加速器发展及对数据隐私、实时性需求的增长共同驱动。通过剪枝、量化、知识蒸馏等模型压缩技术,结合TensorFlow Lite、TVM等专用推理框架,开发者能够在微算力、微功耗、微体积的严格约束下部署视觉AI模型。这些技术广泛应用于智能家居、工业检测、安防监控等场景,实现了在嵌入式设备和移动终端上的实时视觉分析,推动了人工智能在边缘计算领域的落地与创新。 阅读详情

相关推荐

置顶必读(2) |《YOLOv8实战:从入门到深度优化》总目录导航 & 学习路线指南(持续更新中)

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 28万+

压缩模型NAS

前言: bert等预训练模型虽然大放异彩,但是实际在落地的时候还是遇到各种问题,比如:储存空间的限制,时延的限制等等。为此有很多工作都是针对预训练模型的压缩展开的。比如最常见的就是模型蒸馏,今天想说的是另外一个思路:NAS即模型搜索,其主要思路就是不需要人为去设计特定的网络,而是让模型自己去选择,这类方法通常需要考虑的两点就是: (1 )怎么定义候选空间。 (2 )加速训练 缺点其实很明显了,那就是耗时、资源,今天就来看一篇。 TASK-AGNOSTIC ANDADAPTIVE-SIZEBER..

爱吃火锅的博客 1860

【信息科学与工程学】【数据中心】第二十四篇 数据中心DaaS场景及算法

Flink, Kafka Streams, 时序数据库。Flink, Kafka Streams, 流处理引擎。Presto, ClickHouse, 查询加速引擎。Presto, ClickHouse, 查询加速引擎。延迟<50ms,可用性>99.99%,QPS>10K。REST API, GraphQL, API网关。Tableau, Power BI, 自助BI。Tableau, Power BI, 可视化库。Spark, Hadoop, 分布式计算框架。Spark, Hadoop, 分布式计算。

weixin_49199313的博客 1091

NAS入门(学习笔记)

使特征学习自动化使自动化自动化机器学习 (automated machine learning) 是一种自动化的数据驱动方法, 并做出一系列决策。按模型类型划分,分为以下两类:​:传统机器学习模型的自动化学习,包括基础算法的选择和超参数优化以及机器学习pipeline的自动合成等。​。

weixin_41021342的博客 1943

【信息科学与工程学】【人工智能】第一篇 人工智能算法知识库01

编号格式说明示例数量分配​8位数字,前2位主类,中间2位子类,后4位序号99,999,999个。

weixin_49199313的博客 1878

【信息科学与工程学】【数据科学】数据科学领域-第十一篇 数据集成算法01

​​降低维护成本​​:通过抽象通用流程(如),当需要修改故障注入逻辑(如更换混沌工具)时,只需修改一处代码,无需修改所有测试用例;​​提升扩展性​​:通过参数化故障场景(如),可快速生成新的故障用例(如针对新服务的延迟故障),适应系统迭代需求;​​增强场景真实性​​:通过组合混沌操作(如),模拟真实生产环境中的复杂故障链(如“网络延迟+服务宕机”),更准确地验证系统韧性;​​提高分析效率​​:通过自动化结果分析(如),快速获取MTTR、错误率等关键指标,减少人工分析时间。

weixin_49199313的博客 957

神经结构搜索技术(NAS)的英文全称是什么,是用来干什么的?

具体来说,NAS 通过搜索神经网络的结构空间,找到对于特定任务或数据集表现良好的网络结构。这是一个复杂的优化问题,通常采用启发式搜索、进化算法、强化学习等技术来自动发现和设计神经网络。NAS 的优势在于能够自动地发现具有良好性能的神经网络结构,避免了手动设计网络结构的繁琐过程。这有助于加速深度学习模型的开发过程,提高模型性能,并且使深度学习更加普及和可行。问题描述:神经结构搜索技术(NAS)的英文全称是什么,是用来干什么的?

weixin_43501408的博客 695

【信息科学与工程学】【数据中心】 第十四篇 智算中心算法体系规划

每个节点独立计算本地对偶变量的次梯度,通过异步通信更新对偶变量,步长选择采用自适应策略(如ηt​=t​η0​​)。:采用L1(内存缓存)、L2(SSD缓存)、L3(磁盘缓存)三级缓存架构,结合LRU/LFU算法实现动态缓存管理。:靠近用户终端(如基站、小区),仅缓存高频访问内容,部署在用户最近的网络边缘,实现"最后一公里"加速。:存储完整内容库,负责内容注入与全局调度,部署在核心数据中心,具备高带宽和高可用性设计。:基于用户IP、运营商、节点负载等实时数据,动态选择最优边缘节点,实现全局负载均衡。

weixin_49199313的博客 830

AI导论03:深度学习、NAS与GAN

本文介绍了什么是深度学习,介绍了神经网络的概念,介绍了什么是(神经网络结构搜索)NAS以及(生成对抗网络)GAN,最后介绍了AI相关概念的关系。

大前端程序员的自我修养 2046

【信息科学与工程学】【通信工程】【企业网、园区网、数据中心、广域网】各类业务网络及其网络演算算法

企业网络是一个复杂的系统,其业务、人员、流量和安全特征相互交织。下面这张表格梳理了这些核心特征及其关联的数学模型,帮你先建立整体概念。特征维度核心特征关联数学模型/方法业务特征​多样性、服务等级协议、混合云趋势图论(拓扑优化)、排队论(M/M/1)、随机过程(业务到达)、优化理论(资源调度)人员特征​角色权限差异、访问行为随机性、安全意识差异概率统计(行为建模)、随机过程(会话生成)、博弈论(安全策略)、访问控制矩阵流量特征​混合性、突发性、时空规律性、方向性(南北/东西向)泊松过程(短时突发)、重尾分布(

weixin_49199313的博客 893

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营06

13 | 司法诉讼 | 原告律师 | 争取和解优势 | 证据披露的序贯博弈 | 策略性证据释放 | 持有证据集E = {强证据e_s, 中证据e_m, 弱证据e_w}。设公众原有认知人格向量为 Pold​​=(p1​,p2​,...,pk​), 其中p_i为负面特质(如“不敬业”)。危机后, 通过行为序列 {At​}和宣传, 将公众认知向新向量 Pnew​​引导, 使得在关键维度上, Pnew​​与 Pold​​的余弦相似度降低, 并与一个正面的、可接受的“原型”(如“浪子回头”、“慈父”)对齐。

weixin_49199313的博客 1489

NAS(神经结构搜索)学习记录

文地址: 《Neural Architecture Search: A Survey》 问题 深度学习卷积神经网络最近得到了很好的发展,由于深度学习可以捕捉到有用的特征,其在图像处理领域取得了很好的效果;然而, 这种效果很大程度上得益于新的神经网络结构的出现,如ResNet、Inception、DenseNet等等。但设计出高性能的神经网络需要大量的专业知识与反复试验,成本极高,限制了神经网络在很多问题上的应用;尽管各种神经网络模型层出不穷,但往往模型性能越高,对超参数的要求也越来越严格,稍有不同就无

panghuzhenbang的博客 6784

【信息科学与工程学】【数据科学】 第四十四篇 数据湖 系列二 函数库02

加法模型: y(t) = g(t) + s(t) + h(t) + ε_t,其中g(t)为趋势项,s(t)为季节项,h(t)为节假日效应,ε_t为误差。管控目标: 写入延迟低,数据一致,不丢失。将新模型与当前生产模型并行运行,新模型接收同样的输入并产生预测,但不影响实际业务决策,仅用于收集性能数据进行比较。在数据加工任务运行时,实时捕获任务执行产生的血缘信息,并更新到血缘图,实现血缘的准实时同步。溯源深度: 可配置。将数据血缘图中的节点(如数据中心、云区域)映射到实际地理位置,在地图上展示数据的流动路径。

weixin_49199313的博客 291

AI技术落地实战:从问题驱动学习到模型部署的完整路径

人工智能(AI)的核心在于通过算法和模型,让计算机从数据中学习规律以解决复杂问题。其原理通常涉及从海量数据中提取特征并优化参数,最终形成可执行的预测或决策模型。这一技术的核心价值在于能够处理传统规则编程难以应对的模糊、非结构化任务,从而在众多领域创造效率提升与自动化可能。其应用场景广泛覆盖计算机视觉(CV)、自然语言处理(NLP)等关键方向,例如在工业质检、智能客服等具体业务中实现价值转化。要实现从技术到价值的跨越,关键在于遵循“问题驱动”的务实路径,而非盲目追随技术热点。这要求从业者深刻理解人工智能算法和

weixin_30512043的博客 309

【信息科学与工程学】计算机科学与自动化—第十五篇 云计算 11 算法篇01

编号类型领域问题问题的数学分析(含几何学/拓扑学/代数学/数论/集合论/离散数学/概率论/统计学/其他)及数值分析及算法分析及参数列表及参数数值设计C/C++/rust/python代码软件(含编译器)及硬件资源需求(CPU/GPU/内存【NAND/DRAM/HBM/其他】/HBM、HDD、SSD、RAID卡、其他)关联知识1工作负载调度数据中心最小化总完成时间/成本。

weixin_49199313的博客 223

基于深度学习的人脸姿态估计:从MobileNetV2混合模型到工程部署全解析

人脸姿态估计是计算机视觉中的一项基础任务,旨在从二维图像中推断人脸在三维空间中的朝向,通常用偏航角、俯仰角和翻滚角三个欧拉角描述。其核心原理是通过学习图像特征与三维姿态参数之间的映射关系,实现对头部朝向的精准感知。该技术的价值在于为众多上层应用提供了关键的姿态感知能力,是实现空间理解与人机交互的重要一环。在应用场景上,它广泛应用于需要理解用户头部朝向或与虚拟内容进行空间对齐的领域,例如增强现实中的虚拟试戴、直播美颜特效的适配、驾驶员状态监控以及智能安防中的人脸比对与活体检测。本文聚焦于基于深度学习的人脸姿态

weixin_34197488的博客 388

AI视觉任务算法全景详解(全部任务类型与对应算法列表)

本文档全面梳理了计算机视觉领域的46类核心任务及600+主流算法,涵盖图像理解、目标检测、3D视觉、图像增强、生成编辑、视频处理等方向。内容包含每类任务的算法原理、演进脉络和工业选型建议,并附6个实用附录(选型速查表、骨干网络对比、数据集汇总等)。适用于算法工程师、视觉AI研究员和技术决策者进行技术调研和项目落地参考,技术栈覆盖深度学习框架与CUDA加速方案。文档采用系统化分类体系,提供从理论到实践的完整指导。

weixin_45590420的博客 448

欧姆龙PMAC CK3M控制器新手避坑指南:从开箱到EtherCAT总线配置的完整流程

本文详细介绍了欧姆龙PMAC CK3M控制器的完整配置流程,从开箱检查到EtherCAT总线配置,特别针对新手常见问题提供避坑指南。内容包括硬件连接、软件安装、EtherCAT主站初始化、从站配置、电机参数设置等关键步骤,帮助工程师快速掌握PMAC控制器的使用技巧。

weixin_42532938的博客 391

达尔文进化论与神经网络的数学同构性解析

进化论是理解自适应系统的基础范式,其核心机制——变异、遗传、选择与生存斗争——在数学结构上与现代神经网络训练高度同构。梯度下降并非孤立算法,而是自然选择在连续可微空间中的最优实现;损失函数本质是环境施加的选择压力,学习率对应环境严酷度,batch size则定义了每代进化的种群规模。这种机制级映射超越了表层类比(如‘神经元像生物神经元’),直指优化问题的普适解法,为AI工程师提供跳出反向传播定式的认知杠杆,也为生物学与教育者构建可量化、可复现、可嵌入工程流程的跨学科解释框架。本文聚焦达尔文视角对PyTorc

chuoshao2508的博客 355

从仿真到打样:PMOS栅极泄放电路设计全流程复盘与三个踩坑点总结

本文详细复盘了PMOS栅极泄放电路从仿真到打样的全流程设计,重点总结了三个关键踩坑点:三极管BE结过压击穿、静态功耗超标和栅极振荡现象。通过优化缓启动电路、改进保护设计和布局调整,最终实现18ms开通时间、190μs关断时间和8μA静态功耗的工业级性能指标,为类似电源开关设计提供实用参考。

weixin_28693683的博客 371

手把手教你解决USB批量传输中512字节整数倍数据丢失问题

本文详细解析了USB批量传输中512字节整数倍数据丢失问题的根源,并提供了通过零长度包(ZLP)的解决方案。文章涵盖USB协议核心机制、ZLP实现代码示例(包括Android、Linux和Windows平台)、调试技巧及性能优化建议,帮助开发者彻底解决这一常见问题。

smartcontract5的博客 267
上一篇: 【重要】2023年有三AI还有哪些包含一对一指导的综合性课程服务,实名指导老师+永久有效+无套路运营...
下一篇: 【视频课程】算法工程师需要的ChatGPT大模型算法理论与实践课程!非粗浅科普...
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3636粉丝 976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

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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