不可或缺的PrepareImageRegions函数

本文深入解析了.NET Micro Framework环境中PrepareImageRegions函数的作用及其重要性。文章指出,在没有main函数的情况下,此函数确保了静态变量从装载域正确复制到执行域,从而避免了变量值出现随机现象。此外,还详细介绍了PrepareImageRegions函数的具体实现。

//=====================================================================
//TITLE:
// 不可或缺的PrepareImageRegions函数
//AUTHOR:
// norains
//DATE:
// Friday 3-December-2010
//Environment:
// MDK 4.1
// .Net Micro Framework 4.1
//=====================================================================

如果大家看了《main函数之前究竟发生了什么?》(http://blog.youkuaiyun.com/norains/archive/2010/12/03/6052029.aspx)这篇文章,应该已经知道在main函数之前,MDK究竟为我们做了什么。但如果转到.NMF,可能大家就犯愁了:.NMF没有main函数!这看起来似乎不是什么大问题,但实际上这问题却很严重。根据文档我们可以知道,MDK只有发现存在main函数的定义的时候,才会自动生成__main函数!如果没有__main函数,很多初始化就无法完成,离散文件中的装载域就无法映射到执行域。

如果你还不明白这无法映射的严重性,那么我们来看个例子。有一个全局的static变量g_iVal,它初始化的代码如下:static int g_iVal = 50;

假如代码的装载域无法映射到运行域的话,那么最直接的结果就是,当你使用g_iVal时,数值不是50,而是一个随机的数值!我想,再也不会有比这更严重的事情了吧?

为什么会有这结果呢?因为我们的代码是放在装载域(可能是flash,也可能是其它),g_iVal的数值自然也处在该域;但程序跑起来之后,g_iVal的地址已经被印射到内存(也就是执行域),但其数值却有没有被拷贝到相应的内存位置!我们用MDK生成的工程进行调试,之所以数值会被拷贝到执行域,是因为有__main函数打理这一切!

那么现在在.NMF的环境下,我们要如何做到这步?莫非要自己声明一个main函数,然后手动调用__main?答案自然是不行,因为.NMF的设置,会让MDK不会自动生成__main函数!那么我们应该怎么做?其实答案很简单,之所以前面会啰嗦那么一大堆,主要是解释为什么会产生这种情况的原因,以及这种情况所带来的结果而已。如果要解决这问题,只需要在你的solution的BootstrapCode函数中调用PrepareImageRegions函数即可。

PrepareImageRegions函数是在tinyhal.CPP中实现的,其完整的代码如下:void __section(SectionForBootstrapOperations) PrepareImageRegions() { // // Copy RAM RO regions into proper location. // { UINT32* src = (UINT32*)&LOAD_RAM_RO_BASE; UINT32* dst = (UINT32*)&IMAGE_RAM_RO_BASE; UINT32 len = (UINT32 )&IMAGE_RAM_RO_LENGTH; Prepare_Copy( src, dst, len ); } // // Copy RAM RW regions into proper location. // { UINT32* src = (UINT32*)&Load$$ER_RAM_RW$$Base; UINT32* dst = (UINT32*)&Image$$ER_RAM_RW$$Base; UINT32 len = (UINT32)&Image$$ER_RAM_RW$$Length; Prepare_Copy( src, dst, len ); } // // Initialize RAM ZI regions. // { UINT32* dst = (UINT32*)&Image$$ER_RAM_RW$$ZI$$Base; UINT32 len = (UINT32 )&Image$$ER_RAM_RW$$ZI$$Length; Prepare_Zero( dst, len ); } }

代码条理非常简单,无非就是获取装载域和执行域的地址,然后通过Prepare_Copy进行拷贝而已。而这Prepare_Copy的实现也仅仅是个循环,然后赋值,代码如下:static void __section(SectionForBootstrapOperations) Prepare_Copy( UINT32* src, UINT32* dst, UINT32 len ) { if(dst != src) { while(len) { *dst++ = *src++; len -= 4; } } }

唯一让各位迷惑的可能是类似& Image$$ER_RAM_RW$$Base这样的变量是哪里来的,其实源头就在于离散文件,也就是solution下面的scatterfile_tools_XXX.xml文件。比如,& Image$$ER_RAM_RW$$Base变量对应的就是scatterfile_tools_XXX.xml中所定义的ER_RAM_RW。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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