从寄存器到AI:STM32CubeMX与HAL库的现代化开发范式革命

嵌入式系统设计(基于STM32CUBEMX和HAL库) 摘要:嵌入式系统是专用计算机系统,具有实时性、低功耗特点。STM32CubeMX是ST公司推出的图形化配置工具,可快速生成基于HAL库的初始化代码,简化STM32开发流程。HAL库提供统一API接口,封装底层操作,便于移植。两者结合可显著提升开发效率,但需注意性能开销和代码体积问题。开发环境安装需通过指定网盘获取安装包,按指引完成STM32CubeMX及芯片支持包的安装。 阅读详情

从寄存器到AI:STM32CubeMX与HAL库的现代化开发范式革命

在嵌入式开发领域,STM32系列微控制器已经成为工程师们最信赖的伙伴之一。从早期的寄存器操作到标准外设库,再到如今的STM32CubeMX与HAL库,开发方式经历了翻天覆地的变化。这种演进不仅仅是工具和库的更新,更是一场深刻的开发范式革命,它重新定义了嵌入式软件工程师的工作方式,特别是在团队协作的中大型项目开发环境中。

对于追求开发效率、代码可维护性和跨平台移植性的工程师来说,理解这一演进过程及其背后的设计哲学至关重要。现代嵌入式开发已经不再是单纯地操控硬件寄存器,而是需要综合考虑外设配置、中间件集成、跨系列芯片移植以及AI辅助代码生成等多个维度。

1. 开发范式的历史演进与设计哲学

嵌入式开发方式的演进反映了整个行业对效率和可靠性的不懈追求。早期的寄存器级编程虽然能够提供极致的控制力和最小的资源开销,但开发效率低下且容易出错。每个外设都需要手动配置数十个寄存器,工程师必须深入研究数百页的数据手册,这种开发方式对个人能力要求极高,且难以保证团队协作的一致性。

标准外设库(SPL)的出现首次尝试将硬件细节抽象化,为常用外设提供了统一的编程接口。这使得工程师能够更关注业务逻辑而非硬件细节,大大提高了开发效率。然而SPL仍然存在局限性:不同芯片系列之间的库不兼容,中间件支持有限,且无法自动解决外设冲突问题。

HAL库的诞生标志着ST对嵌入式开发抽象层的重新思考。与SPL相比,HAL库提供了更高层次的抽象,统一了不同STM32系列的编程接口,并集成了丰富的中间件支持。其核心设计哲学是"写一次,到处运行",通过硬件抽象层屏蔽底层硬件差异,极大地简化了跨平台移植的工作量。

三种开发方式的对比:

特性寄存器操作标准外设库(SPL)硬件抽象层(HAL)
开发效率低中高
学习曲线陡峭中等平缓
可移植性无有限优秀
代码可维护性低中等高
资源开销最小中等较高
中间件支持无有限丰富

提示:在选择开发方式时,需要根据项目需求权衡效率与控制力。对性能极其敏感的应用可能仍需寄存器级优化,而大多数应用场景中HAL库的优势明显。

2. STM32CubeMX:图形化配置的革命性价值

STM32CubeMX作为STM32生态系统中的核心工具,彻底改变了工程师配置微控制器的方式。这个图形化配置工具不仅仅是一个外设初始化代码生成器,更是整个项目开发的起点和协调中心。

核心功能价值体现在多个层面:首先,它通过直观的引脚映射图实时显示外设分配情况,自动检测并解决资源冲突。当工程师选择使用某个外设时,工具会自动分配推荐引脚,并实时标记冲突情况。这种视觉反馈极大地减少了配置错误。

其次,时钟树配置是STM32CubeMX的另一个强大功能。通过图形化界面,工程师可以直观地设置PLL参数、分频系数和各总线时钟频率,系统会自动检查时钟配置的合法性并实时显示频率值。这对于优化功耗和性能至关重要。

// CubeMX生成的时钟配置代码示例
void SystemClock_Config(void)
{
  RCC_OscInitTypeDef RCC_OscInitStruct = {0};
  RCC_ClkInitTypeDef RCC_ClkInitStruct = {0};
  RCC_PeriphCLKInitTypeDef PeriphClkInit = {0};

  // 配置主PLL
  RCC_OscInitStruct.OscillatorType = RCC_OSCILLATORTYPE_HSE;
  RCC_OscInitStruct.HSEState = RCC_HSE_ON;
  RCC_OscInitStruct.PLL.PLLState = RCC_PLL_ON;
  RCC_OscInitStruct.PLL.PLLSource = RCC_PLLSOURCE_HSE;
  RCC_OscInitStruct.PLL.PLLM = 8;
  RCC_OscInitStruct.PLL.PLLN = 336;
  RCC_OscInitStruct.PLL.PLLP = RCC_PLLP_DIV2;
  RCC_OscInitStruct.PLL.PLLQ = 7;
  HAL_RCC_OscConfig(&RCC_OscInitStruct);

  // 初始化CPU、AHB和APB总线时钟
  RCC_ClkInitStruct.ClockType = RCC_CLOCKTYPE_HCLK|RCC_CLOCKTYPE_SYSCLK
                              |RCC_CLOCKTYPE_PCLK1|RCC_CLOCKTYPE_PCLK2;
  RCC_ClkInitStruct.SYSCLKSource = RCC_SYSCLKSOURCE_PLLCLK;
  RCC_ClkInitStruct.AHBCLKDivider = RCC_SYSCLK_DIV1;
  RCC_ClkInitStruct.APB1CLKDivider = RCC_HCLK_DIV4;
  RCC_ClkInitStruct.APB2CLKDivider = RCC_HCLK_DIV2;
  HAL_RCC_ClockConfig(&RCC_ClkInitStruct, FLASH_LATENCY_5);
}

中间件集成是STM32CubeMX的第三个核心价值。工具集成了FreeRTOS、LWIP、FatFS等常用中间件,提供图形化配置界面,自动生成初始化代码和任务模板。这使得复杂系统的搭建变得简单高效。

项目管理功能让CubeMX超越了单纯的配置工具。它可以生成多种IDE项目文件(Keil、IAR、STM32CubeIDE等),管理软件包依赖,保持项目配置与代码生成的同步。这种一体化的项目管理极大地减少了环境配置时间。

3. HAL库的抽象层设计与移植性优势

HAL库的设计理念是提供一套统一的、跨STM32系列的硬件访问接口。这种抽象层设计使得应用程序代码与具体硬件解耦,大大提高了代码的可移植性和可维护性。

统一的外设模型是HAL库的核心特征。每个外设都遵循相同的编程模式:初始化结构体、句柄机制、阻塞/中断/DMA三种传输模式。这种一致性减少了学习成本,工程师掌握一个外设后可以快速上手其他外设。

// UART传输示例展示HAL库的统一模式
// 初始化
UART_HandleTypeDef huart2;
huart2.Instance = USART2;
huart2.Init.BaudRate = 115200;
huart2.Init.WordLength = UART_WORDLENGTH_8B;
huart2.Init.StopBits = UART_STOPBITS_1;
huart2.Init.Parity = UART_PARITY_NONE;
huart2.Init.Mode = UART_MODE_TX_RX;
HAL_UART_Init(&huart2);

// 阻塞式传输
uint8_t data[] = "Hello World";
HAL_UART_Transmit(&huart2, data, sizeof(data), HAL_MAX_DELAY);

// 中断式传输
HAL_UART_Transmit_IT(&huart2, data, sizeof(data));

// DMA传输
HAL_UART_Transmit_DMA(&huart2, data, sizeof(data));

错误处理机制是HAL库的另一个亮点。所有HAL函数都返回统一的状态码(HAL_OK、HAL_ERROR、HAL_BUSY、HAL_TIMEOUT),并通过回调机制提供详细的错误信息。这种设计使得错误处理更加系统化和一致化。

注意:虽然HAL库提供了丰富的错误处理机制,但实际项目中仍需根据具体应用场景设计适当的错误恢复策略,特别是对于安全关键型应用。

跨系列移植性是HAL库最大的优势之一。通过硬件抽象层,应用程序代码可以在不同系列的STM32芯片之间移植,只需重新生成底层初始化代码。在实际项目中,这意味着当需要更换芯片(如从F1系列升级到F4系列)时,大部分应用层代码可以重用,显著降低了迁移成本。

中间件集成方面,HAL库为FreeRTOS、LWIP、FatFS等常用中间件提供了专用适配层,确保了中间件在不同硬件平台上的稳定运行。这种深度集成使得复杂系统的开发变得更加高效可靠。

4. LL库:性能与抽象的平衡之道

虽然HAL库提供了高度的抽象和便利性,但在某些对性能极其敏感或资源极度受限的场景中,其开销可能不可接受。LL库(Low-Layer Library)正是在这种需求背景下诞生的,它在提供一定抽象的同时,保持了接近寄存器操作的性能。

设计定位上,LL库填补了寄存器操作和HAL库之间的空白。它提供了轻量级的、面向外设的API,直接映射到硬件寄存器操作,但保持了良好的可读性和可维护性。与HAL库的丰富功能相比,LL库只提供最基本的外设操作接口。

性能对比显示,LL库在代码大小和执行效率上具有明显优势。以下是一个GPIO操作的性能比较:

// LL库GPIO操作示例 - 高性能
void LED_Toggle_LL(void)
{
  LL_GPIO_TogglePin(GPIOA, LL_GPIO_PIN_5);
}

// HAL库GPIO操作示例 - 高抽象
void LED_Toggle_HAL(void)
{
  HAL_GPIO_TogglePin(GPIOA, GPIO_PIN_5);
}

// 寄存器操作示例 - 最高性能
void LED_Toggle_Register(void)
{
  GPIOA->ODR ^= GPIO_ODR_OD5;
}

在实际测试中,LL库的性能通常比HAL库高20%-50%,代码大小减少30%-60%,而寄存器操作相比LL库只有微小的性能优势(通常小于5%),但可维护性大幅降低。

混合使用模式是LL库的一个实用策略。工程师可以在关键性能路径使用LL库,而在其他部分使用HAL库,兼顾性能和开发效率。CubeMX支持生成HAL和LL混合的项目配置,为这种模式提供了便利。

适用场景包括:

  • 对实时性要求极高的中断服务例程
  • 需要频繁调用的底层函数
  • 资源极度受限的应用场景
  • 需要精确时序控制的外设操作

提示:LL库虽然性能优异,但API稳定性不如HAL库,不同芯片系列间的差异也更大。在选择LL库时需要考虑长期维护成本。

5. 中间件集成与跨平台开发策略

现代嵌入式项目往往不仅仅是硬件驱动开发,更需要集成各种中间件和协议栈。STM32Cube生态系统提供了完整的中间件解决方案,极大地简化了复杂系统的开发过程。

实时操作系统集成是其中的关键环节。FreeRTOS作为STM32Cube默认集成的RTOS,提供了任务管理、内存管理、IPC等核心功能。CubeMX可以图形化配置RTOS参数,自动生成任务框架和同步机制。

// CubeMX生成的FreeRTOS示例代码
void StartDefaultTask(void *argument)
{
  // 任务初始化
  MX_USB_DEVICE_Init();
  MX_SPI1_Init();
  
  for(;;)
  {
    // 任务主体循环
    HAL_GPIO_TogglePin(LD2_GPIO_Port, LD2_Pin);
    osDelay(500);
  }
}

// 创建任务
osThreadDef(defaultTask, StartDefaultTask, osPriorityNormal, 0, 128);
osThreadCreate(osThread(defaultTask), NULL);

网络协议栈集成对于物联网应用至关重要。LWIP作为轻量级IP协议栈,被广泛用于STM32的以太网和Wi-Fi应用。CubeMX提供了LWIP的图形化配置,包括网络参数、协议选项和性能调优设置。

文件系统支持通过FatFS实现,支持FAT12/FAT16/FAT32文件系统,并提供多种存储介质接口(SD卡、SPI Flash、NAND Flash等)。这种集成大大简化了数据存储和管理的复杂性。

跨平台开发策略涉及多个维度。首先是硬件跨平台,通过HAL库实现不同STM32系列间的代码移植。其次是软件跨平台,通过CMake等构建工具实现Windows、Linux、macOS间的开发环境统一。最后是工具链跨平台,STM32CubeIDE基于Eclipse,支持多种编译工具链。

持续集成实践在现代嵌入式开发中越来越重要。通过Docker容器化构建环境,配合Jenkins或GitHub Actions等CI工具,可以实现自动化构建、测试和部署,大大提高团队协作效率和质量保证水平。

6. AI辅助开发与未来展望

人工智能技术正在深刻改变嵌入式开发的方式和效率。ST推出的STM32Cube.AI工具将神经网络模型部署到STM32微控制器上,为边缘AI应用提供了强大支持。

模型转换与优化是Cube.AI的核心功能。它支持将训练好的TensorFlow、Keras、PyTorch模型转换为优化的C代码,自动进行量化和压缩以减少内存占用和计算需求。这种转换过程大大降低了AI模型部署的技术门槛。

# 模型训练示例(Python端)
import tensorflow as tf
from tensorflow import keras

# 构建简单神经网络模型
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(64,)),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 训练模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_data, train_labels, epochs=10)

# 保存模型
model.save('my_model.h5')

部署流程经过精心设计,开发者只需提供训练好的模型文件,Cube.AI会自动分析模型结构、计算内存需求并生成集成代码。生成的代码与HAL库无缝集成,可以直接调用AI推理功能。

性能优化技术包括算子融合、权重量化、激活函数优化等。这些优化措施使得即使在资源受限的STM32微控制器上也能实现实时AI推理。实测数据显示,经过优化的模型推理速度可提升3-5倍,内存占用减少50%-70%。

应用场景广泛涵盖预测性维护、语音识别、图像分类、异常检测等领域。例如,在工业设备监控中,STM32可以在边缘端实时分析传感器数据,预测设备故障,减少云端传输延迟和带宽消耗。

未来发展方向包括更高效的模型压缩算法、更强大的硬件加速器支持以及更简化的开发工作流。随着STM32N6等内置NPU的专用AI芯片推出,边缘AI的性能和能效将进一步提升。

AI辅助代码生成是另一个重要趋势。ST推出的STM32 Sidekick等AI编程助手能够理解自然语言描述,生成相应的嵌入式代码,大大降低开发门槛。这类工具通过学习大量优质代码样本,可以提供代码建议、错误检测和性能优化提示。

在实际项目中使用STM32Cube.AI时,建议采用迭代优化策略:首先在PC端验证模型精度,然后在STM32上进行性能分析,逐步调整模型结构和参数以平衡精度和效率。同时注意内存管理,合理分配AI模型权重、激活值和中间结果的内存空间。

随着这些技术的不断发展,嵌入式开发正朝着更高抽象层级、更强工具链支持和更智能辅助的方向演进。工程师需要不断学习新工具和新方法,才能在快速变化的技术 landscape 中保持竞争力。

STM32开发方式对比:寄存器、标准库与HAL库详解 嵌入式开发中,STM32系列单片机因其高性能和丰富外设资源广受欢迎。开发方式从底层到高层可分为寄存器操作、标准库和HAL库三种。寄存器操作直接控制硬件,效率最高但开发难度大;标准库通过封装寄存器提高了开发效率;HAL库则进一步抽象硬件细节,提供统一API和丰富中间件支持。HAL库采用句柄机制管理外设状态,通过三层初始化架构分离硬件相关和无关代码,并利用回调函数实现事件驱动编程。在工程实践中,HAL库与STM32CubeMX工具配合能显著提升开发效率,特别适合快速原型开发。通过合理使用DMA、优化中断和裁剪代 阅读详情

相关推荐

26、KDE桌面环境使用指南

本文详细介绍了KDE桌面环境的使用方法,涵盖仪表盘、活动管理、窗口操作、应用程序启动、虚拟桌面(桌面分页器)以及面板配置等多个核心功能。通过图文结合与流程图说明,帮助用户深入理解KDE的个性化设置与高效工作流搭建,适用于希望提升桌面操作效率的Linux用户。

ik6789012的博客 137

Linux操作系统——练习在KDE桌面环境下的基本操作

Linux操作系统——练习在KDE桌面环境下的基本操作 文章目录Linux操作系统——练习在KDE桌面环境下的基本操作1. 右击空白处选择“Konsole”,进入终端模拟器;2.输入命令:yum list kde*chinese;3. 使用yum查询中文语言包;4.输入命令:yum install kde-l10n-Chinese.noarch;5.安装此语言包;6.安装过程;7.点击“K菜单”选择“Settings”->“System Settings”项,选择“Regional & Lan

lqb_zxs的博客 1400

基于STM32CubeMX与HAL库的LD3320语音模块驱动开发实战

当我们在项目初期选择语音识别方案时,往往会面临两个路径:上云 or 留地?前者依赖网络传输+服务器AI模型,响应快但有延迟、耗电且存在隐私风险;后者则把所有计算压在本地,对算力要求极高,成本也水涨船高。而 LD3320 的出现,就像找到了一条“中间路线”——它是一颗非特定人(Speaker-Independent)语音识别专用SoC,内置了完整的前端处理流程:🔧内部集成功能模块包括- 麦克风信号采集预处理(AGC自动增益)- 声学特征提取(MFCC)

weixin_42103128的博客 1415

在麒麟Kylin OS上使用KDE桌面共享软件

本文将指导您如何在麒麟Kylin OS版本上安装和使用KDE桌面共享软件,以便让远程VNC客户端连接并访问本机桌面,进行远程操作。

2097

STM32CubeMX配置与开发实战详解

STM32CubeMX是ST官方推出的图形化配置工具,集成芯片选型、外设配置、时钟树规划与初始化代码生成等关键功能。其基于GUI的可视化设计显著降低开发门槛,避免手动寄存器配置错误,提升开发效率。对于多功能引脚,可通过右键菜单手动指定优先使用的外设功能。例如,PB6可作I2C1_SCL或TIMER8_CH1,若当前项目重点使用I2C通信,则应明确将其配置为“I2C1_SCL”。

weixin_42128315的博客 1394

VSCode+PlatformIO新建工程卡成狗?3步提速大法实测有效(附镜像源配置)

针对VSCode+PlatformIO新建工程时因依赖下载缓慢导致的加载慢问题,本文提供了三步核心提速方案。通过配置Python环境变量、修改PlatformIO插件设置以使用国内镜像源,并优化pip配置文件,实测可大幅缩短工程创建时间,有效解决创建工程卡顿的痛点。

delta的博客 724

Archlinux(Gnome、KDE)安装教程

本文介绍了在Arch Linux系统上的完整安装配置流程,包括制作启动盘、系统安装、桌面环境设置和常用软件配置。主要内容有:1)使用Ventoy制作启动盘并安装Arch系统;2)配置网络、分区、时区和用户;3)安装GNOME/KDE桌面环境;4)设置输入法、终端和常用插件;5)添加国内源和安装yay工具。最后提供了WezTerm终端的个性化配置示例,涵盖了从系统安装到日常使用的完整配置指南。

zhdotcai的博客 8484

CoaXPress FMC子卡:高速图像采集与FPGA原型开发实战指南

在机器视觉和工业检测领域,高速、可靠的数据传输是核心需求。CoaXPress(CXP)协议作为一种基于同轴电缆的高速接口标准,通过其高带宽、长距离传输和低延迟的特性,有效解决了传统接口在确定性实时传输方面的短板。其技术价值在于为海量图像数据提供了稳定、高效的物理层和数据链路层解决方案,广泛应用于半导体检测、医疗成像等对吞吐量有极致要求的场景。要实现CXP系统的快速原型验证,集成了高速SerDes接口和时钟管理的FMC子卡与FPGA开发板的组合成为关键。这种平台将复杂的硬件设计封装,让开发者能聚焦于图像处理算

weixin_31815843的博客 281

Archlinux + kde桌面环境 安装

2:官网下载ArchLinux镜像 3:rufus刻录 4:打开电脑从u盘启动piping 5:首先联网 如果用wifi终端输入下面命令: wifi-menu 如果是用网线: dhcpcd 5.1 查看电脑是否支持UEFI模式引导 ls /sys/firmware/efi/efivars 如果有输出则支持UEFI,反之不支持UEFI,只能用MBR模式 6.同步系统时钟 $timedatectl ...

逝水无痕博客 1万+

强网杯Web题ezphp解题全记录:利用PHP反序列化与条件竞争拿下服务器

本文详细解析了强网杯Web题目ezphp的解题过程,通过PHP反序列化与条件竞争漏洞的组合利用,成功获取服务器权限。文章深入剖析了反序列化链的构造、文件上传绕过技巧以及条件竞争的实际应用,为CTF选手和Web安全研究者提供了宝贵的实战经验。

weixin_29006187的博客 389

医疗影像处理实战:如何用Slicer和Mimics将.nii.gz文件转为.ply格式(附避坑指南)

本文详细介绍了利用3D Slicer和Materialise Mimics软件,将医学影像中常见的.nii.gz格式文件转换为通用三维网格.ply格式的完整实战流程。文章重点分享了从数据分割、DICOM序列导出到高质量网格生成的核心步骤与关键参数设置,并提供了针对常见问题的避坑指南,旨在帮助医学影像研究者和工程师高效完成从体数据到三维模型的关键转换。

weixin_28304023的博客 107

STM32CubeMX介绍、下载与安装

推荐 分享一个大神的人工智能教程。零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到人工智能的队伍中来!http://www.captainbed.net/strongerhuang 本教程今年更新了部分内容:STM32CubeMX系列教程 Ⅰ、写在前面 相信很多人都知道STM32CubeMX这个工具,也是近年来开发STM32比较流行的一个工具。这个工具从两年...

strongerHuang 24万+

Claude Code、Codex、Gemini CLI、OpenCode 和 OpenClaw 配置管理太麻烦?试试这个统一管理工具

还在为 Claude Code、Codex、Gemini CLI 等 AI CLI 配置烦恼?🤯 这款桌面工具支持五大助手统一管理,一键切换 50+ 服务商,MCP 和 Skills 集中管理 🛠️,跨平台支持,让你的 AI 编程更高效 ⚡

XiaoqiangClub的博客 918

【工具使用】STM32CubeMX-基础使用篇

无论是新手还是大佬,基于STM32单片机的开发,使用STM32CubeMX都是可以极大提升开发效率的,并且其界面化的开发,也大大降低了新手对STM32单片机的开发门槛。

知识噬元兽的博客 2万+

UWB:FiRa Consortium UCI Generic Technical Specification v1.1.0(1)- UCI架构和通用数据包头

如果大家学习过WiFi的SPEC,比如从我的资源里面下载 IEEE 802.11-2007,应该很容易发现,FiRa的spec定义实在是太差了。有现成的好例子不学,非得自己来一套,搞一堆新的名词,其实都是一个意思。比如GID,OID等,而且GID、OID是最先出现的,但是对应表格 还得去附件的最后一项去找。 FiRa是UWB联盟,希望跟WIFi联盟学习一下,把UWB做大做强,而不是自成一派,自命不凡。

Ankie资深技术项目经理 2437

华为OD机考双机位C卷 - 员工派遣 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 员工派遣 (OD上机考试双机位C卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 1036

STM32 HAL库IIC驱动

关于STM32的IIC驱动,网上有很多争论,究竟是使用STM32自带的硬件IIC还是用IO口和软件模拟IIC呢?下面这个图形象展示了这些争论。总结一些:ST为了规避IIC硬件的专利问题,将其设计地有点复杂,但是其提供的标准驱动库并没有很好地适配,导致出现一些BUG。但是下图中那位叫theuit的网友指出了:**“难道ST不知道吗?到底有没有改呢?”**目前,至少从我测试的结果来看,可以得到结论:用HAL库来驱动ST的IIC没问题! 首先,我们给出两种IIC器件。 第一种是带器件中带有寄存器的一类,对这

Setul 5508

大模型长对话中上下文无法承载全部历史,如何压缩或提取重点

如果说截断和滑动窗口是“硬性”压缩,那摘要生成技术就显得“软”多了,也更接近于智能化的解决方案。它的思路是:不直接丢弃历史,而是通过自然语言处理(NLP)技术,把冗长的对话记录浓缩成一段简短的摘要,保留核心信息。这样既能大幅减少token数量,又不至于丢失关键内容。这种方法通常会借助预训练模型,比如BART或T5,它们擅长从长文本中提取重点内容。

大模型大数据攻城狮的专栏 1592

I2C原理+INA226功率监测模块原理+STM32CubeMx驱动INA226

INA226是具有I2C™或SMBUS兼容接口的电流分流器和功率监控器。该设备同时监视并联电压降和总线电源电压。可编程的校准值,转换时间和平均值与内部乘法器结合使用,可以直接读取以安培为单位的电流和以瓦特为单位的功率。INA226感应共模总线电压上的电流,该电压可在0 V至36 V之间变化,与电源电压无关。该器件采用2.7V至5.5V单电源供电,典型功耗为330 µA。该器件的额定工作温度范围为–40°C至125 \ xC2°C,并且在I 2 C兼容接口上具有多达16个可编程地址。

weixin_50257954的博客 1万+

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")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

超越点亮LED:STM32CubeMX与HAL库的现代化开发流程与生态探秘

本文深入探讨STM32CubeMX与HAL库在现代嵌入式开发中的核心价值,超越基础的LED控制,涵盖工程创建、外设配置、中间件集成及系统级设计。通过分析HAL库的架构优势、最佳实践和与STM32CubeIDE的深度集成,揭示如何提升开发效率、代码可维护性并实现自动化工作流,助力中高级工程师构建复杂嵌入式系统。

xray4的博客 814

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

【工具使用】STM32CubeMX-Uart配置 及 数据收发功能实现

本文主要讲述STM32芯片的Uart的配置及其相关知识。Uart因为其协议简洁及使用便捷,算是单片机中,除了GPIO这个外设外,出镜率最高的一个外设了。接下来就来看看如何使用STM32CubeMX初窥门径。

知识噬元兽的博客 9595

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

从寄存器到HAL库:STM32开发模式的演进史与未来编程范式探索

本文探讨了STM32开发模式从寄存器操作到HAL库的演进历程,分析了各阶段的技术特点与适用场景。文章指出HAL库通过硬件抽象大幅提升了开发效率和跨平台兼容性,同时介绍了LL库在性能与抽象间的平衡策略,为嵌入式开发者提供了全面的技术选型参考。

elastic6hunter的博客 674

课程 | 基于STM32CubeMX和HAL驱动库的嵌入式系统设计

帮成都这边一位老师友情分享一篇免费课程:基于STM32CubeMX和HAL驱动库的嵌入式系统设计。如果想学习本课程,可以从文末给出的链接,或底部“阅读原文”进入报名,免费学习。1.课程详...

strongerHuang 4551

【工具使用】STM32CubeMX-基础定时器配置

定时器,顾名思义,就是定时的功能,定时器在单片机中算是除GPIO外最基本的外设。在ST中,定时器分为几种,基础定时器,通用定时器,高级定时器和低功耗定时器。本文重点在于基础定时器的配置,其他类型的定时器在其他篇章中详细说明。

知识噬元兽的博客 8075

STM32CubeMX小白指南:轻松掌握HAL库初始化流程

手把手带你用STM32CubeMX配置STM32项目,从图形化界面设置到生成HAL库初始化代码,避开常见坑点。结合典型外设(如GPIO、UART)演示配置逻辑,强调时钟树配置与引脚分配两大关键环节,让stm32cubemx教程真正落地可操作。

weixin_35238815的博客 699

【工具使用】STM32CubeMX-DMA配置(ADC+DMA 和 UART+DMA)

DMA(Direct Memory Access)直接内存访问,其实就是一个数据搬运工,负责将数据从一个地方搬运到另一个地方而不需要内核介入。STM32里的DMA支持从外设到内存,从内存到外设和从内存到内存三种传输方式。

知识噬元兽的博客 1万+
上一篇: 混频器进化论:从三极管到乘法器MC1496的技术变迁与未来集成化趋势
下一篇: 从GUI Guider到裸机移植:开关控件背后的代码精简与优化艺术
普通网友
博客等级 码龄4年 95粉丝 1459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  | 博主筛选后可见
 
 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