【官网最新翻译】创建一个片段(fragment)

Jetpack系列之Navigation----入门(一) 以下内容翻译自android官网 Jetpack源码解析----Navigation 概览、使用入门概览组成优势Safe Args使用安全Args传递安全类型的数据通过global action使用安全ArgsNavigation 组件使用入门设置您的环境创建navigation graphNavigation Editor向 Activity 添加 NavHost通过 XML 添加 NavHostFragment使用 Layout Editor 添加 NavHostFragment向 navigation 阅读详情

http://developer.android.com/training/basics/fragments/creating.html


你能想到一个片段作为活动(activity)的一个模块化部分,它有它自己的生命周期,接收它自己的输入事件,并且可以在活动运行时添加或删除(有点像一个“子活动” ,你可以重复使用在不同的活动中)。本课介绍如何使用支持库来扩展片段类,以便您的应用程序仍然兼容使用系统版本低至Android 1.6的安卓设备。


注意:如果您决定 应用程序需要支持的最低API级别是11或更高,则不需要使用支持库,可以改用内置的片段类和相关的API框架的。要知道,这节课的重点是使用支持库中的API ,它使用一个特定的软件包签名,有时在不同平台版本中API的名字稍有不同。

在开始这一课之前,你必须设置你的Android项目来使用支持库。如果你以前没有用过支持库,按照

支持库安装文档来设置你的安卓项目来使用v4支持库。不过你可以换成v7库来在你的活动中包含操作栏,v7库兼容最低安卓版本2.1,也包括fragment API。


创建一个片段类(Fragment class)

要创建一个fragment,首先继承Fragment类,然后重写关键生命周期方法来插入你的应用程序逻辑,和你写一个Activity类类似。

创建一个片段时,一个区别是,你必须使用onCreateView ( )回调来定义布局。其实,这是你需要为了得到一个片段运行的唯一的回调。例如,这里有一个简单的片段,指定其自己的布局:

import android.os.Bundle;
import android.support.v4.app.Fragment;
import android.view.LayoutInflater;
import android.view.ViewGroup;

publicclassArticleFragmentextendsFragment{
   
@Override
   
publicView onCreateView(LayoutInflater inflater,ViewGroup container,
       
Bundle savedInstanceState){
       
// Inflate the layout for this fragment
       
return inflater.inflate(R.layout.article_view, container,false);
   
}
}

就像一个Activity,一个Fragment应该实现其他的生命周期回调,让您可以管理它的状态,因为它是从Activity和其生命周期状态之间的转换活动添加或删除。例如,当Activity的onPause ( )方法被调用时,在Activity中的任何Fragment也收到onPause ( ) 回调。


有关片段的生命周期和回调方法的详细信息可参考片段开发人员指南。


使用XML添加片段到一个活动
片段是可重用的,模块化的UI组件,一个片段类的每个实例必须与一个父FragmentActivity相关。您可以通过活动布局的XML文件定义每个片段来实现这种关联。

注: FragmentActivity是支持库提供API级别是11或更早的系统来处理片段的特殊活动。如果您支持的最低系统版本的API级别是11或更高版本,那么你可以使用一个普通的活动。

下面是添加两个片段到活动的一个布局文件 例子。

res/layout-large/news_articles.xml

<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
    android:orientation="horizontal"
    android:layout_width="fill_parent"
    android:layout_height="fill_parent">

    <fragment android:name="com.example.android.fragments.HeadlinesFragment"
              android:id="@+id/headlines_fragment"
              android:layout_weight="1"
              android:layout_width="0dp"
              android:layout_height="match_parent" />

    <fragment android:name="com.example.android.fragments.ArticleFragment"
              android:id="@+id/article_fragment"
              android:layout_weight="2"
              android:layout_width="0dp"
              android:layout_height="match_parent" />

</LinearLayout>
讲布局应用到你的活动中
import android.os.Bundle;
import android.support.v4.app.FragmentActivity;

public class MainActivity extends FragmentActivity {
    @Override
    public void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.news_articles);
    }
}
如果你使用的是2013 APPCOMPAT库,你的活动而应该继承ActionBarActivity ,这是FragmentActivity的子类

注意:当您通过定义布局XML文件中的方式添加片段到活动的布局,你不能在运行时删除该片段。如果您打算 在用户交互过程中换入或换出你的片段,您必须在 活动第一次启动时将片段添加到活动。

Android开发新范式:本地AI代理与IDE集成实现一键项目生成 在软件工程领域,自动化代码生成与智能开发辅助一直是提升研发效能的关键方向。其核心原理在于将自然语言处理与程序语义理解相结合,通过大语言模型解析开发者意图,自动生成符合语法规范的可执行代码。这项技术的核心价值在于大幅降低重复性编码工作,使开发者能够聚焦于业务逻辑与架构设计。在移动开发场景中,Android应用开发常涉及大量样板代码和标准配置,这正是自动化生成技术的最佳应用场景。本文聚焦于通过配置本地AI代理接口,实现从需求描述到完整Android工程的一键生成,其中Ollama模型部署与IDE插件集成是关键技 阅读详情

相关推荐

ChatGPT语音交互升级:双向流式对话技术解析与开发实践

语音交互技术正从传统的单工模式向全双工模式演进,这一变革的核心在于实现双向流式对话。传统语音助手采用端到端延迟较高的串行处理流程,用户需等待完整音频录制、云端识别、模型生成及语音合成后才能获得响应,导致交互机械且无法自然打断。双向流式技术通过实时语音识别(Streaming ASR)与流式API的结合,允许音频数据在同一个通信通道内同时双向流动,使AI能够实时感知用户停顿与打断意图,从而大幅提升交互的自然度与沉浸感。这项技术不仅优化了语音助手的响应机制,更为实时翻译、智能陪练、会议助手等应用场景提供了新的可

weixin_34117211的博客 416

Fragment使用总结

前久用fragment练习过一个小demo,写完就完事儿了,然后今天看到fragment突然就没有思绪了,所以说明总结与常看是很重要的,今天重新看了遍fragment,来这里做个总结。

WeirdoCy的博客 687

Fable 5项目:将《红色警戒2》从x86桌面移植到iOS ARM平台的技术实践

跨平台移植是软件工程中的一项核心技术,其核心原理在于通过抽象层和适配器模式,将针对特定硬件架构和操作系统API的应用程序,迁移到不同的计算环境中。这项技术的核心价值在于最大化软件资产的生命周期和覆盖范围,尤其在游戏领域,能让经典作品在新兴硬件上焕发新生。典型的应用场景包括将PC游戏移植到移动设备、主机游戏移植到PC,以及旧系统应用向现代平台的迁移。本文以社区驱动的Fable 5项目为例,深入探讨了如何将经典的x86架构《命令与征服:红色警戒2》游戏,通过逆向工程、图形接口转换和输入系统重设计,完整地移植到基

weixin_33868027的博客 313

ARB_fragment_program学习:(一)可编程语言概要

基于GPU的可编程语言有很多,Opengl的扩展库ARB_fragment_program与ARB_vertex_program、D3Dd的vertex shader与pixel shader (这两个相当于编程语言中的汇编语言,比较底层,程序由汇编指令组成)、Opengl提出的shading language、nvidia出Cg语言、微软出的HLSL语言、ATI的RenderMonkey(这四种

邹华的图形学专栏 1759

二进制部署的K8s集群,如何对到期证书更新

一年前搭建的k8s集群,突然不能够正常访问,出现502错误,首先怀疑容器没起来,先对问题进行排查,排查响应的容器有没有正常启动,状态一切正常,访问容器地址也可以正常访问,于是访问node port地址,发现无法正常访问,确定问题出现在svc中。 由于其他的应用、系统也无法提供正常的服务,应该是k8s的问题,非单个应用的原因。查看服务状态,kubectl describe svc xxx,endp...

时光旅行者 3773

Fragment Shader Program

片段着色程序对每个片段进行独立的颜色计算,最后输出颜色值的就是该片段最终显示的颜色。 可以这样说,顶点着色程序主要进行几何方面的运算,而片段着色程序主要针对最终颜色值进行计算。 片段着色器还有一个突出的特点是:拥有检索纹理的能力。对于GPU而言,纹理等价于数组, 这意味着,如果要做通用计算,例如数组排序,字符串检索等,就必须使用片段着色程序。 片段和像素的区别?

V的博客 863

芯片设计-信号完整性 SI 解析:Unit Interval 与比特周期的关系及其在高速信号中的应用

本文深入解析了芯片设计中信号完整性(SI)的核心概念Unit Interval(UI)与比特周期的关系及其在高速信号中的应用。通过实际案例和计算公式,详细阐述了UI在不同数据速率下的变化、在眼图分析中的关键作用,以及如何应对高速信号设计中的抖动和码间干扰等挑战。文章还提供了PCB布线和芯片设计中的UI优化技巧,帮助工程师提升高速信号设计的实战能力。

weixin_28683391的博客 470

【官网最新翻译】使用fragment来创建一个灵活的用户界面

当设计应用程序以支持各种屏幕尺寸时,您可以在不同的布局结构上重用片段来优化用户体验。 例如,在手持设备上单窗格的用户界面一次只能显示一个片段,相反,在平板或者具有更宽屏幕尺寸上你需要设置并排的片段以给用户展现更多的信息 图1。两个片段,显示在不同的屏幕尺寸,不同的配置,但相同的活动(Activity)中。在一个大屏幕,两个片段适合并排,但在手机设备上,一次只有一个片

program_thinker的专栏 1057

Spring AI 实战:第七章、Spring AI Advisor机制之记忆大师

从金鱼到最强大脑通过 Spring AI 的记忆功能,我们成功让 AI:记住了用户身份实现了多用户隔离做到了持久化存储最终效果用户:“和上次一样” → AI 秒懂用户:“你知道我的名字吗?” → AI:“当然,张三!AI的进化路线🐟金鱼脑 →🧠最强大脑 →🏛️记忆宫殿管理员。

liaokailin的专栏 1517

Open3D (C++) 计算点云坐标最值及其索引

使用C++版本的Open3D计算点云最值点及其对应的下标索引

点云侠的博客 731

Android Fragment之间的通信

1.Fragment 的概述(1)Fragment是什么 我们都知道,Fragment的翻译可以译为:碎片、片段。在Android开发中引入这一概念的目的是为了解决不同安卓设备屏幕分辩率不同的问题,引入Fragment碎片技术,可以实现动态和灵活的UI设计,软件工程师们不需要再对同一款软件进行多次的适应性开发,以便于适应不同屏幕分辨率的安卓设备。我们可以将Fragment看作是Acitivity的一

skylake_的博客 1160

11、基于拓扑质心和树编辑距离的RNA二级结构比较方法

本文介绍了一种基于拓扑质心和树编辑距离的RNA二级结构比较方法,特别适用于处理具有假结结构的RNA。通过PEELING算法识别拓扑质心并将其转换为树结构,结合树编辑距离进行高效比较,并提供工具planeGraph2tree实现该方法。博文详细描述了方法原理、操作流程以及应用示例,展示了其在功能性非编码RNA分析中的实用性。

resnet7explorer的博客 115

Android培训翻译_使用Fragment创建动态UI

本文是Android开发官网 Android培训的中文翻译,限于译者水平有限,便于大家指正,采用中英文对照风格,原文见 http://developer.android.com/intl/zh-CN/training/basics/fragments/index.html 更多已翻译内容请见 Android培训翻译_目录 Fragment通常被译为“片段”,本文将保留专有名次的英...

weixin_30478619的博客 175

GEE土地分类:一文读懂精度评定—混淆矩阵confusion matrix、整体精度OA、用户者精度、生产者精度、kappa系数和F1score系数含案例

本文介绍了如何在 Google Earth Engine (GEE) 中构建和分析混淆矩阵,以评估分类模型的性能。首先,通过 ee.Array 构建混淆矩阵,并展示了如何指定自定义类标签。接着,计算了多种性能指标,包括准确率、Kappa 值、F1-score、消费者准确率和生产者准确率。此外,还演示了如何计算不同类别的 F1-score。最后,通过一个实际案例,展示了如何利用 GEE 进行土地分类,并评估分类器的性能,包括训练和验证样本的准确率、Kappa 值等指标。这些步骤帮助用户理解模型的优缺点,并进行

此星光明博客 444

立体仓库WCS控制系统-AGV通信代码

string str = "任务下发,WCS->NT8000(q-Message),ikey:" + p.ikey.ToString() + "fromStation:" + p.fromStation.ToString() + "toStation:" + p.toStation.ToString();if (nt8000.Connect(_ServerAddr, _ServerPort)) QueueSpeech.AddQueue(string.Format("与NT8000重连成功"));

xdpcxq的专栏 2205

Android Fragment学习

在xml中加入fragment: android:name="com.hujing.android22.test.fragment.EnrollFragments" package com.hujing.android22.test.fragment; import android.app.Fragment; import android.os.Bundle; impor

android程序猿HJ的博客 637

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")

Fragment

Android3.0(API 级别 11)开始引入Fragment的概念,有些书中将Fragment说为“碎片”,Android官网翻译的是“片段”。当然这不是重要的。关于Fragment的介绍官网是这样写的: Fragment表示Activity中的行为或用户界面部分。您可以将多个片段组合在一个Activity中来构建多窗格UI以及在多个 Activity 中重复使用某个片段。您可以将片段

ITMonkeyKing的博客 403

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。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Android记录官方文档系列(2):Fragment(上)

转载请注意:http://blog.youkuaiyun.com/wjzj000/article/details/55224843本菜开源的一个自己写的Demo,希望能给Androider们有所帮助,水平有限,见谅见谅… https://github.com/zhiaixinyang/PersonalCollect (拆解GitHub上的优秀框架于一体,全部拆离不含任何额外的库导入) https://g

Android里的一个彩笔 768

UnityShader官方案例之编写顶点和片段着色器

“Look well to this day. Yesterday is but a dream and tomorrow is only a vision. But today well lived makes every yesterday a dream of happiness and every tomorrow a vision of hope. Look well therefore

AutisticPatient的博客 691

URL 接口的使用

无

qq_43812868的博客 1791

DroidParts 中文系列教程(基于官方教程)

DroidParts中文系列教程(基于官方教程) (一)DroidParts框架概况 2014年4月18日星期五 11:36 他是一个精心构造的安卓框架,包括下面这些基本功能 DI依赖注入,可以注入View,Fragment,Services,资源等 ORM:高效简单的持久化工具 EventBus:可以发送和接受事件(消息) 简单的JSON序列和反序列化工具,而且支持处理嵌套对...

weixin_30835933的博客 249

Tycho基本POM配置

Tycho官网教程上对于几个xml的基本配置。

景云鹏的博客 1299

EventBus + ButterKnife demo

EventBus是由greenrobot 组织贡献的一个Android事件发布/订阅轻量级框架。EventBus是一个Android端优化的publish/subscribe消息总线,简化了应用程序内各组件间、组件与后台线程间的通信。Android EventBus 是一个在 Android 应用程序中用于简化组件间通信的库。它提供了一种基于事件驱动的编程模型,让你可以轻松地在不同的组件(如活动、片段、服务等)之间传递消息,而不需要复杂的接口或回调。

XuChaofafa的博客 984

SR5E1E570C30F01X车规MCU烧录指南:SWD、UART与CAN三种方式详解

在嵌入式开发中,MCU固件烧录是连接硬件与代码的关键环节,尤其对于车规级芯片,其可靠性和安全性要求远高于消费级产品。Cortex-M7内核的车规MCU,如ST SR5E1系列,凭借其强大的运算能力和功能安全特性,广泛应用于电池管理系统和整车控制器。工程师从STM32平台迁移时,常面临调试接口选择、Bootloader配置、量产刷写策略等挑战。本文从烧录的底层原理出发,对比SWD、UART Bootloader和CAN Bootloader三种通道的适用场景,并结合ST-Link等常见工具,详解从开发环境搭建

weixin_34221775的博客 1237
上一篇: 【官网最新翻译】android提供导航
下一篇: 【官网最新翻译】使用fragment来创建一个灵活的用户界面
思想的苇草
博客等级 码龄15年 35粉丝 20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