物联网入门-Arduino的下载与配置教程(以ESP32为例)-2024

教程介绍

本次教程主要讲述如何下载与配置Arduino,以及开发版对应驱动的下载安装

原文链接:物联网入门-Arduino的下载与配置教程(以ESP32为例)-2024

步骤概述

1:下载Arduino

2:安装Arduino

3:下载安装驱动

4:配置Arduino

步骤1:下载Arduino

下载方式1:网盘链接 -> Arduino2.3.3下载器

下载方式2:官网下载 -> Arduino官网

进入官网后,可看到有三种系统、不同版本对应的下载器,你是什么版本的系统点击对应链接就行了,如图

QQ_1733579812127

步骤2:安装Arduino

双击安装包,一直下一步下一步即可,然后路径的话默认即可,如图

QQ_1733581906045

安装完成后可直接运行,如图

QQ_1733582566215

步骤3:下载安装驱动

用USB线将EPS32连接,然后win+s搜索设备管理器,可以在端口栏看到自己的EPS32上显示了个感叹号,这表示没有对应驱动,因此需要先下载驱动,而且可以看到我这里是CP210X,如图:

12fef82004be34febcb03981b52ae2de

到官网下载驱动 => 驱动下载连接

我们只需要驱动,因此直接下载Windows Driver即可,如图

QQ_1731938771520

下载好后,直接下一步下一步就完事,如图

1

2

然后重新打开设备管理器可以看到感叹号消失了,这表示驱动安装成功,如图

3

步骤4:配置Arduino

请确保ESP32已经通过USB线连接了电脑!!!

配置1-切换为中文

如果你的Arduino打开是英文版且不习惯的话,可以按照如图点击File -> Preferences 中切换为中文

QQ_1733583490673

配置2-设置端口

如图,点击工具 -> 在端口中选择端口即可,Arduino可以识别到开发板的端口

6327e0e1971f0498b95a5d051f873645_720

配置3-开发板配置

当我们端口选择了后,按照如图选择开发板

QQ_1733583820369

初次使用,可以看到,点击选择开发板后,没有任何选项可供我们选择,如图

QQ_1733583837991

因此我们需要先获取对应开发板的包,关于获取开发包所需包,需要有科学加速才能下载,这里我提供一个离线的esp32开发板包-> 夸克网盘分享

下载后,在文件管理中来到路径 C:\Users\AW\AppData\Local\Arduino15\packages  ,这个路径中的AW是用户名,请切换为自己的用户名!!!,然后在packages下直接解压下载的压缩包即可,如图

QQ_1733586019242

然后重启Arduino,我们再次选择开发板,可以看到有相关的选项了,如图

QQ_1733586222202

在选择开发板的时候,建议通过工具 --> 开发板-->esp32来选择,如图,由于我使用的是ESP32-WROOM,因此我选择ESP32 dev module,如图

f70947d55bd786461a6594654ebd0df2_720

然后在左上角的选择开发版,直接确定即可,如图

QQ_1733586618031

配置串口监视器

点击工具,选择串口监视器,波特率设置为115200,后续的开发版中的输出信息便是在串口监视器中显示的,如图

QQ_1733586671262

至此,Arduino和驱动的下载安装配置教程结束,可以开始你的ESP32开发了

结语

以上是幽络源的Arduino和驱动的下载安装配置教程,如有不懂之处可加群询问交流

### 使用PINN(物理信息神经网络)解决偏微分方程的实 #### 背景介绍 物理信息神经网络(Physics-Informed Neural Networks, PINNs)是一种结合深度学习物理学知识的方法,能够高效求解复杂的偏微分方程(Partial Differential Equations, PDEs)。这种方法的核心在于将已知的物理规律作为约束条件嵌入到神经网络训练过程中,从而提高模型预测能力并减少对大量数据的需求。 以下是几个典型的PINN用于求解PDE的具体案及其代码实现: --- #### 案1:一维热传导方程 在一维空间中,热传导过程可以用如下形式表示: \[ u_t = \alpha u_{xx}, \quad x \in [a,b], t > 0, \] 其中 \(u(x,t)\) 表示温度分布,\(t\) 是时间变量,\(x\) 是位置坐标,而 \(\alpha\) 则代表材料的导热系数。边界条件可以设定为固定端点处的温度值或者绝热状态下的梯度零假设。 ##### 实现步骤 下面展示了一段基于PyTorch框架的一维热传导方程解决方案[^2]: ```python import torch import numpy as np # 定义神经网络结构 class Net(torch.nn.Module): def __init__(self, layers): super(Net, self).__init__() self.linears = torch.nn.ModuleList([torch.nn.Linear(layers[i], layers[i+1]) for i in range(len(layers)-1)]) def forward(self, x): a = x for i, l in enumerate(self.linears[:-1]): a = torch.tanh(l(a)) a = self.linears[-1](a) return a # 初始化参数 layers = [2, 20, 20, 1] # 输入维度 (x,t),隐藏层节点数,输出维度(u) model = Net(layers) def compute_loss(model, x_data, t_data, alpha=0.1): """定义损失函数""" xt = torch.cat((x_data.unsqueeze(-1), t_data.unsqueeze(-1)), dim=-1).requires_grad_(True) u_pred = model(xt) grad_u = torch.autograd.grad( outputs=u_pred.sum(), inputs=xt, create_graph=True)[0] u_x = grad_u[:, 0].view(-1, 1) u_t = grad_u[:, 1].view(-1, 1) hessian_xx = torch.autograd.grad(outputs=u_x, inputs=xt, retain_graph=True, create_graph=True)[0][:, 0].view(-1, 1) pde_residual = u_t - alpha * hessian_xx mse_pde = torch.mean(pde_residual ** 2) return mse_pde # 训练循环省略... ``` 上述代码片段展示了如何构建一个简单的全连接前馈神经网络,并通过自动微分技术计算目标函数相对于输入的空间二阶导数以及时间一阶导数,进而形成残差项以优化整个系统性能。 --- #### 案2:Burgers' 方程 另一个经典子是非线性的 Burgers’ 方程,在流体力学领域具有重要意义: \[ u_t + uu_x = \nu u_{xx}, \] 这里引入了粘滞效应因子 \(\nu>0\) 来描述扩散现象的影响程度。该类问题同样可以通过调整相应超参设置来适配不同场景需求[^1]。 --- #### 已验证的有效性分析 研究表明,相比于传统数值方法如有限元法或谱方法等,采用PINN不仅可以获得更高的精度而且还能显著降低运算成本特别是当面对高维情形时优势更加明显。 ---
评论
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