瑞萨RA8M1单片机开发环境配置与LED控制实战

瑞萨RA8实战指南 | 利用e2 studio一键生成FreeRTOS多线程应用 本文详细介绍了如何利用瑞萨RA8系列单片机和e2 studio集成开发环境快速搭建FreeRTOS多线程应用。通过图形化配置工具,开发者可以一键生成工程模板,轻松创建GPIO控制线程和UART通信线程,并实现任务调度与性能优化。文章还提供了调试技巧和进阶功能扩展建议,帮助开发者充分发挥RA8的高性能特性。 阅读详情

1. 开发环境搭建:从零开始配置e2 studio

瑞萨RA8M1作为业界首款搭载Cortex-M85内核的MCU,其开发环境搭建其实比想象中简单。我最初接触这款芯片时,以为要折腾很久,实际操作下来发现瑞萨的e2 studio工具链已经做得相当成熟了。这里分享我的实际安装经验,帮你避开可能遇到的坑。

首先需要下载两个核心组件:e2 studio集成开发环境和FSP(Flexible Software Package)软件包。推荐直接访问瑞萨国内生态社区(ramcu.cn),这里下载速度更快且不需要注册账号。我实测官网下载虽然版本可能更新,但注册流程较繁琐,对于初学者来说社区资源更友好。

安装过程中最常遇到的问题就是GCC工具链在线安装失败。这个问题我遇到过三次,解决方案其实很简单:打开已安装的e2 studio,通过菜单栏的"帮助"→"Add Renesas Toolchains"→"Renesas Toolchain Management"进行在线安装。如果网络不稳定,可以多试几次,或者选择在凌晨网络空闲时段操作。

FSP软件包的安装更推荐使用离线方式。下载好的FSP压缩包通过"Help"→"Install New Software"→"Add"选择本地归档文件进行安装。这里有个小技巧:安装前关闭所有杀毒软件,避免权限冲突导致安装失败。我第一次安装时就是因为杀毒软件拦截,折腾了半天才发现问题。

2. 工程创建实战:一步步构建第一个项目

环境配置完成后,接下来就是创建第一个RA8M1工程。打开e2 studio时会提示设置工作空间,建议单独创建一个干净的目录作为工作空间,不要使用默认路径。这是我的经验之谈:专用目录便于后期管理和备份,避免与其他项目文件混淆。

新建工程时选择"Renesas C/C++ Project",这里要注意的是工具链版本的选择。RA8M1作为新款芯片,务必选择最新的GCC工具链。我在实际项目中测试过,新版工具链对Cortex-M85内核的优化明显更好,编译效率提升约30%。

芯片型号选择是关键步骤。在MCU类型中选择RA8M1系列,然后根据具体型号选择引脚数和Flash大小。这里容易出错的是调试接口选择:RA8M1支持SWD和JTAG,一般开发板默认使用SWD接口,如果选择错误会导致后续下载失败。

工程配置完成后,e2 studio会自动生成基础代码框架。这里有个实用技巧:立即备份这个初始工程。我在多次开发中发现,初始的纯净工程模板非常重要,后期项目出现问题时可以快速回滚到初始状态。

3. GPIO配置详解:LED控制底层原理

RA8M1的GPIO配置相比传统MCU更加灵活,但也更复杂。首先要理解的是端口控制器的概念:每个GPIO端口都有一个独立的控制器,需要先初始化控制器再操作具体引脚。

在FSP配置器中找到IOPort模块,这里可以可视化配置每个引脚的功能。对于LED控制,需要将对应引脚设置为输出模式。值得一提的是RA8M1的驱动强度可配置功能,通过设置输出强度可以控制LED的亮度,这在其他MCU中是比较少见的。

推挽输出和开漏输出的选择也很重要。一般LED控制使用推挽输出即可,但如果需要连接外部上拉电阻,则要选择开漏输出。我在实际项目中就曾因为错误选择开漏输出导致LED无法正常点亮,调试了很长时间才发现问题。

引脚电平控制代码编写时要注意时序问题。RA8M1的GPIO写入操作需要1个时钟周期的延迟,直接连续写入可能无法生效。建议在每次电平变化后添加短暂延时,或者使用硬件定时器来控制闪烁频率。

4. 代码编写技巧:从入门到精通

在hal_entry.c文件中编写主循环代码时,要注意RA8M1的特殊性。Cortex-M85内核支持双精度浮点运算,但这并不意味着可以随意使用浮点数。我在性能测试中发现,频繁使用浮点运算会导致功耗显著增加,在电池供电场景下需要特别注意。

延时函数的实现有多种方式。最简单的就是使用R_BSP_SoftwareDelay函数,但这个函数是忙等待方式,会阻塞整个系统。对于需要多任务处理的场景,建议使用硬件定时器实现非阻塞延时。我在实际项目中的做法是创建一个1ms的定时器中断,在中断中更新计数变量。

引脚操作的最佳实践是使用宏定义来管理引脚编号。不要直接在代码中写死引脚号,而是通过#define定义有意义的引脚名称。这样后期硬件改版时只需要修改宏定义即可,不需要在整个代码中查找替换。

代码优化方面,RA8M1的编译器支持多种优化等级。调试阶段建议使用-O0优化等级,便于调试和定位问题。发布版本可以使用-Os或-O2优化等级,显著提升运行效率。但要注意,高优化等级可能会优化掉一些认为"无用"的代码,需要谨慎使用。

5. 调试与下载:确保程序正确运行

程序编写完成后,下载到开发板是最后一个关键步骤。RA8M1支持多种下载方式,其中最常用的是通过J-Link调试器。连接调试器时要注意接口电压:RA8M1的工作电压是3.3V,调试器的接口电压也需要设置为3.3V,否则可能无法正常通信。

下载前务必检查调试器配置。在e2 studio的Debug Configurations中,选择正确的调试器型号和接口类型。SWD频率建议初始设置为1MHz,下载稳定后再逐步提高。我遇到过因为SWD频率设置过高导致下载失败的情况,降低频率后问题就解决了。

在线调试时,实时变量监控是很有用的功能。但要注意监控变量会增加调试开销,可能影响程序实时性。对于时间敏感的调试,建议使用串口输出调试信息,或者使用RA8M1内置的跟踪功能。

如果程序下载后没有任何反应,首先检查复位电路是否正常。RA8M1需要稳定的复位信号才能正常工作,使用示波器检查复位引脚的电平是否正常。其次检查时钟配置,错误的时钟设置会导致程序运行速度异常。

6. 常见问题排查:避坑指南

在实际开发中,总会遇到各种奇怪的问题。根据我的经验,80%的问题都是由于配置错误导致的。首先检查FSP配置是否完整,每个使用的模块都需要正确初始化。特别是时钟配置,RA8M1的时钟树相对复杂,容易配置错误。

电源管理问题也很常见。RA8M1有多种低功耗模式,如果意外进入低功耗模式可能导致外设停止工作。检查电源控制寄存器的配置,确保芯片工作在预期的工作模式。

GPIO相关问题多数是由于复用功能配置错误。每个引脚都有多个复用功能,需要通过PFS寄存器选择正确的功能。使用e2 studio的引脚配置工具可以直观地查看每个引脚的功能分配。

编译问题通常是由于头文件路径或库文件缺失导致的。检查工程属性中的包含路径和链接库设置,确保所有必要的文件都能被正确找到。如果使用第三方库,还要注意库文件是否与编译器版本兼容。

最棘手的是硬件相关问题。如果软件排查无误,就要检查硬件连接。使用万用表测量电源电压,使用示波器检查时钟信号,逐步排除硬件故障可能性。我在项目中就曾因为一个虚焊的电阻导致整个系统无法工作,花费了很多时间才找到问题。

开发RA8M1项目最重要的是保持耐心,遇到问题时系统地排查。从软件配置到硬件连接,一步步缩小问题范围。多利用瑞萨官方提供的示例代码和文档,这些资源能帮助快速解决问题。随着对芯片特性的熟悉,开发效率会显著提高。

瑞萨RZ/G MPU开发入门:基于FSP与e² studio的LED闪烁实战 嵌入式开发通常从控制GPIO外设实现LED闪烁(常称为“Blinky”)开始,这是验证硬件、工具链和开发环境是否正常工作的基础方法。其原理是通过配置微处理器(MPU)的通用输入输出引脚,结合定时器产生周期性信号,驱动LED亮灭。这种实践对于学习芯片的时钟系统、中断机制及外设驱动框架具有重要价值,广泛应用于设备状态指示、调试信息输出等场景。本文以瑞萨电子的RZ/G系列MPU为例,该系列芯片采用Arm Cortex-A55与Cortex-M33的异构多核架构。为了简化此类复杂芯片的开发,瑞萨提供了FSP软件包, 阅读详情

相关推荐

RA-Eco-RA6M4开发环境搭建+OLED驱动

该单片机支持E2 Studio、Keil、IAR 等开发工具,下面主要介绍RASC+KEIL的环境搭建,下面是RASC和KEIL支持包的下载链接。Keil 芯片支持包下载地址:https://www.keil.arm.com/packs/ra_dfp-renesas/devices/.然后在“Command”一栏中输入 RASC 程序的路径,在“Initial Folder”一栏中输入 “$P” ,然后在“Command”一栏中输入 RASC 程序的路径,在“Initial Folder”一栏中输入 “

qq_38274203的博客 1309

瑞萨RA8系列教程 | 瑞萨 RA8 开发环境搭建,并点亮一个LED

关注+星标公众号,不错过精彩内容作者 | strongerHuang微信公众号| strongerHuang2022年4月,Arm推出了全新的MCU级内核Cortex-M85。截止目前(2024年2月),Cortex-M85是最新、最强的Cortex-M内核。2023年10月,瑞萨电子推出了业界首款基于Cortex-M85内核的MCU ——RA8M1系列MCU今天就给大家讲讲基于Cortex-...

strongerHuang 1109

e2studio开发RA2E1(8)----GPT定时器频率与占空比的设置

GPT(通用 PWM 计时器)模块是一个高精度定时器,用于计数事件、测量外部输入信号、生成周期性中断,或输出周期性信号/PWM 信号到 GTIOC 引脚。它广泛应用于定时控制、信号测量、PWM 生成等应用,尤其适用于电机控制、LED 调光、PWM 伺服驱动和 ADC 触发等场景。本文将详细介绍如何上一章基础上通过GPT定时器的API调整频率和占空比,并解释相关的关键概念和设置方法。

CoreMaker 1804

瑞萨RA8开发实战 | 使用e2 studio配置LED闪烁工程

本文详细介绍了如何在瑞萨RA8D1开发板上使用e2 studio创建并配置LED闪烁工程。从开发环境搭建、工程创建、时钟与引脚配置,到编写控制代码、编译调试及最终程序验证,提供了一步一步的实战指南,帮助开发者快速上手瑞萨RA8系列MCU开发。

h0i1j2k3l的博客 734

e2studio开发RA0E1(1)---GPIO输出

本篇文章主要介绍如何使用e2studio对瑞萨单片机进行GPIO输出,并以LED显示。

CoreMaker 1万+

DCDC开关节点SW的Layout抉择:打孔换层与EMI共模辐射的权衡

本文深入探讨了DCDC转换器中开关节点SW的Layout设计对EMI共模辐射的影响。通过分析SW节点的EMI辐射机制、打孔换层对输入环路的影响以及铜皮面积与共模辐射的量化关系,提出了工程实践中的权衡策略和优化方法,帮助工程师在设计中平衡EMI性能和电路效率。

weixin_29722783的博客 248

【RA-Eco-RA4M2开发板评测】——基本模板搭建与LED

本人因参加嵌赛而接触到瑞萨的新赛道,由此与瑞萨结缘。从51单片机转向32时间还不长,基本上江科视频草草看完跟着实操一些,当时转头就投入到学习瑞萨对我来说很新颖的开发环境。相较于传统开发方式,瑞萨自家的FSP库(类似于HAL库)极大简化了作品的开发流程,显著提高了开发效率,并提供了更高的灵活性。在完赛本人也是深深爱上这种简便开发(没错我是蓝笔)。接下来,我们将开始对瑞萨基于 Arm Cortex-M 处理器内核的 RA4M2-100pin 进行系统学习与实验测试。

2401_85252212的博客 1121

从隐式求解器到显式求解器:COMSOL接触仿真中的求解策略对比与选择

本文深度解析了COMSOL中隐式与显式求解器在接触仿真中的应用与选择策略。针对非线性接触问题的核心挑战,详细对比了两种求解器的数学框架、优化技术及适用场景,并提供了参数调优和调试技巧,帮助工程师高效解决接触仿真中的收敛问题。

weixin_28347369的博客 682

Cortex-M85内核单片机快速上手指南

关注+星标公众号,不错过精彩内容作者 | strongerHuang微信公众号| strongerHuang2022年4月,Arm推出了全新的MCU级内核Cortex-M85。截止目前(2024年2月),Cortex-M85是最新、最强的Cortex-M内核。2023年10月,瑞萨电子推出了业界首款基于Cortex-M85内核的MCU ——RA8M1系列MCU今天就给大家讲讲基于Cortex-...

strongerHuang 2110

Chapter 4 Ripple-Based Control Technique Part I

本文介绍了DC-DC转换器的纹波控制技术,重点分析了迟滞控制、恒定开通时间控制、恒定关断时间控制等方案的工作原理及优缺点。纹波控制无需补偿网络,具有快速瞬态响应和结构简单的优势,特别适合电池供电应用。其中,恒定开通时间控制在轻载时能自动延长关断时间,实现伪定频工作;而恒定关断时间控制轻载效率较低。文章还讨论了纹波注入技术解决Boost转换器右半平面零点问题,并比较了不同控制方案在负载瞬态下的性能表现。最后指出基于纹波的控制技术在提高调节精度和降低EMI方面的改进方向。

2304_76736886的博客 1304

高质量文献综述原来这么写!借助Gemini 3 Pro+四步法,手把手教你写出有逻辑深度的综述

总结与展望先总结现状,说明前人已经做到什么地步了,再指出缺口,前人没解决什么问题、方法有什么局限等等,最后再在这个缺口的基础上,提出你的未来研究方向。当你有个复杂的研究题目,但没办法拆解出关键词,就可以让Gemini 3 Pro来辅助帮你拆解,并帮你写专业的检索式,若是找英文文献,还能帮你将中文关键词翻译成地道的专业术语。做文献笔记,可以建立文献笔记矩阵,可以用Excel建个表格,横向是文献,纵向是关键要素,包括作者/年份、研究问题/假设、理论框架/模型、研究方法/数据来源、核心结论、局限性/Gap。

智能AI让学术科研更容易 993

瑞萨RA8M1 Cortex-M85单片机开发环境配置与e2 studio实战入门

本文详细介绍了瑞萨RA8M1 Cortex-M85单片机的开发环境配置与e2 studio实战入门。从工具链准备、IDE安装、FSP配置到创建第一个LED工程,逐步指导开发者避开常见坑点,充分发挥Cortex-M85高性能优势,快速上手嵌入式开发。

vodka的博客 70

MuJoCo 入门教程(二)

本章介绍 MuJoCo 的数学和算法基础。对于熟悉广义或关节坐标建模和仿真的读者来说,整体框架是相当标准的。因此,我们将对这些材料进行简要总结。本章的大部分篇幅用于介绍我们如何处理接触和其他约束条件。这种方法是基于我们最近的研究,也是 MuJoCo 所独有的,因此我们花时间对其进行了详细的激励和解释。更多信息可参见下面的论文,尽管本章中的一些技术思想是新的,在其他地方还没有描述过。

机器人控制与仿真应用 3714

【RA-Eco-RA6M4开发板评测】初识开发板+搭建开发环境

充足的存储空间: 为了满足复杂应用的需求,该开发板配备了 1MB 的代码闪存和 192kB 的支持奇偶校验的 SRAM,以及额外的 64kb ECC SRAM,还拥有支持后台运行能力的双区闪存和 8KB 的数据闪存,提供了类似 EEPROM 的数据存储功能。高性能与低功耗: 该开发板的核心芯片 RA6M4 采用高效的 40nm 工艺制造,在提供强大处理能力的同时,保持了极低的功耗,例如在从闪存运行 CoreMark® 算法时,功耗低至 99µA/MHz。-全速 USB 2.0,支持主机模式和设备模式。

gta5zsk的博客 963

利用R批量计算相关系数

批量求相关系数

weixin_52073820的博客 1459

基于 ESP32+IMU+BLE HID 的低延迟无线体感游戏控制器设计与实现

本文设计的基于 ESP32 的低延迟无线体感游戏控制器,通过合理的硬件选型与软件优化,实现了体感姿态感知与无线低延迟传输的核心功能。硬件上采用 ESP32+MPU6050+TP4056 的低成本方案,接线简单、便携性强;软件上通过轻量化库、互补滤波算法与非阻塞 BLE 传输,有效降低了系统延迟,满足体感游戏的使用需求。

weixin_42300449的博客 403

【RA-Eco-RA4M2开发板评测】介绍、环境搭建、工程测试

本文介绍了 RA-Eco-RA4M2-100PIN-V1.0 开发板的基本信息,包括产品特点、参数资源、开发环境搭建以及工程测试等,为相关产品的开发设计提供了参考。

无垠的广袤的博客 1125

【项目实战】主流车载操作系统,QNX实时操作系统入门介绍

QNX是一种实时操作系统,自1980年代初期由Quantum Software Systems成立以来,已被广泛应用于各种行业和领域。QNX具有实时响应、高可靠性和分布式等特点,为各种设备提供了强大的底层操作系统平台。随着科技的不断发展和进步,QNX系统的应用范围和潜力也在不断扩大。本文将全面介绍QNX系统,包括其引言、背景、系统特性、应用领域和生态系统等方面。QNX作为一种实时操作系统,具有高效的实时性能、高可靠性、分布式、可剪裁性和可扩展性等特点。它在各个领域都有广泛的应用,并拥有一个庞大的生态系统。

奶爸的编程之路,也就一周冷个三天 3072

瑞萨RA新手入门小指南:开发环境与学习推荐

瑞萨RA系列是瑞萨电子(Renesas)推出的基于Arm Cortex-M内核的32位微控制器系列。瑞萨的评测活动非常非常多,不用花一分钱就能参与,做的优秀还有很多奖品可以拿,立刻行动起来!从一个最简单的项目开始做起,善用社区的力量,现在强大的AI也能帮你不少忙,加油!

m0_63358272的博客 515

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

9.瑞萨 RA系列-FSP库开发

在 ra_ioport.h 中通过包含头文件来间接包含寄存器定义头文件:或或。代码清单 9-1:ra_ioport.h#include "hal_data.h" //间接包含了头文件 "R7FA6M5BH.h" / "R7FA4M2AD.h" / "R7FA2L1AB.h"我们需要定义端口和引脚号的枚举类型,用来表示某个要操控的某个引脚。

金羊的博客 913

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

学RTOS,手动移植还是工具配置?

关注+星标公众号,不错过精彩内容作者 | strongerHuang微信公众号| strongerHuang接前面分享的文章《一分钟上手Cortext-M85单片机串口》,然后,我们今天教大家快速搭建FreeRTOS工程的方法。早期,软件工具不那么成熟,搭建FreeRTOS工程都是需要一步一步手动移植。很多小伙伴吐槽,移植过程太繁琐。而现在,软件工具越来越“先进”了,我们搭建工程只需要动动鼠标就...

strongerHuang 1000

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")

搭建Renesas R7FA8D1BH (Cortex®-M85)的开发调试环境(DAP-LINK: N32G45XVL-STB)

本文主要介绍使用Keil、FSP、DAP-LINK(N32G45XVL-STB)搭建瑞萨R7FA8D1BHECBD-BTB的开发调试环境。笔者选择使用野火耀阳开发板_瑞萨RA8,该板块的主控MCU R7FA8D1BHECBD,7FA8D1BHECBD的内核为ARM Contex-M85。使用J-LINK必要要求版本在V10以上,ST-LINK也不支持 Contex-M85内核代码下载。笔者通过使用多种下载器进行测试,最后发现N32G45XVL-STB开发板上自带的DAP-LINK工具竟然可以下载和调试R7F

mftang的博客 1844

瑞萨RA6E2(R7FA6E2BB3CNE)寄存器原理与GPIO点灯实战详解

本文深入解析了瑞萨RA6E2(R7FA6E2BB3CNE)微控制器的寄存器原理与GPIO底层操作。通过剖析存储器映射、寄存器地址计算,并以直接操作寄存器的方式实战演示如何点亮LED,帮助开发者从本质上理解MCU硬件控制机制,掌握底层调试与性能优化的核心技能。

weixin_28235889的博客 96

基于RA单片机移植CoreMark源码教程

关注+星标公众号,不错过精彩内容来源 | 瑞萨嵌入式小百科之前文章《瑞萨RA8系列教程 | 初识瑞萨 RA8 系列单片机》给大家讲述了关于CPU性能的内容。在嵌入式处理器领域最为知名和常见测试CPU性能的就是:CoreMark 和Dhrystone。CoreMark是用来衡量嵌入式系统中中心处理单元(CPU,或叫做微控制器MCU)性能的标准。DMIPS:Dhrystone Million In...

strongerHuang 288

【致敬未来的攻城狮计划】— 连续打卡第十六天:FSP固件库系统定时器(滴答定时器SysTick)每2秒LED闪烁一次

【致敬未来的攻城狮计划】— 连续打卡第十六天:FSP固件库系统定时器(滴答定时器SysTick)

嵌入式up 1178
上一篇: 西门子S7-1200PLC | 单按钮启停控制的6种编程方法解析
下一篇: STM32F103ZET6移植LVGL至3.5寸SPI屏(ILI9488)实战:从驱动适配到触摸校准
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