RT-Thread全新发布ART-Pi二代,携手ST H7R芯片!

ART-Pi入门篇——(一)软件篇 ART-Pi入门篇——(一)软件篇 目录ART-Pi入门篇——(一)软件篇RTT Studio开发新建工程以及下载程序固件下载问题MDK开发1.库的链接2.添加下载算法 ART-Pi 开发手册 RTT Studio开发 新建工程以及下载程序 1.打开 RT-Thread Studio 的包管理器,安装 ART-PI SDK 资源包 2. 安装完成后,填写工程名称;选择 Base On Board(基于 BSP 创建工程);选择 Example;点击 Finsh 按钮。 编译 在下载烧录程序前确认下 de 阅读详情

ART-Pi一代于2020年首次推出,凭借强悍性能、丰富资源与极简开发体验,迅速成为嵌入式工程师的“开发利器”。为满足不断增长的市场需求和技术挑战,基于STM32H7R的ART-Pi二代迭代启航,现正式发布!为你带来全新的开发体验!

8f56818e660f7811c62a35d6176176a8.jpeg

“

ART-Pi II首发仅 300套,立刻预定,享受早鸟优惠,价格仅此一次!

早鸟售价:195元!(A款底板+核心板)

6bf5de625cc15f250b8f92715b97a3b7.png

🍑宝链接:https://item.taobao.com/item.htm?ft=t&id=889303761993

NEWS

ART-Pi II 重磅升级,亮点抢先看

e3b1f8462d26a77125b1058a95c74db2.gif

旗舰级芯片,性能飞跃:ART-Pi II 搭载了ST最新推出的STM32H7R系列芯片,主频高达600MHz,支持 NeoChrom GPU,为流畅的图形效果增添性能!搭载华邦64MB Octal-DDR Flash,以及32MB 16线PSRAM,无论芯片带宽或是容量相比ART-Pi(H750)获得了巨大提升,为更加复杂的图形UI与计算密集型需求提供了可靠稳定的发挥空间。

d1d67fb6e4ef76b194decd5f7be48557.gif

丰富外设接口,扩展无忧:ART-Pi II 大胆采用了板对板设计,提供向前一代兼容的底板版型(Base A),并将核心板控制在小巧的体型上(44mm*32mm),大大满足了不同开发者的各异需求,既可以使用前代扩展板(不完全兼容)拓展功能,又能够将核心板以更小巧的体积集成进自己的下一个项目里!

9cdb4fec6c7dfdd868b75a4b0fa952f0.gif

RT-Thread 强力加持,开发更高效:ART-Pi II 在软件开发体验上得到了 RT-Thread 操作系统的强力支持,为开发者提供了高效、便捷的开发环境。RT-Thread 作为一款开源、高可靠性的实时操作系统,以其轻量级、高可扩展性和丰富的生态资源,将为 ART-Pi II 的开发者带来了全方位的开发支持。

NEWS

ART-Pi II 适用于哪些场景?

STM32H7R/S提供更充裕的计算资源,得益于 2D 和 2.5D 硬件图形加速器,借助NeoChrom GPU轻松实现 60帧每秒的炫酷GUI显示效果,同时维持更低的CPU占用;

在原有丰富灵活的STM32H7平台基础上,提供了比较鲜明的升级内容。因此,ART-Pi II 向以下几个大方向纳入设计范围之中:

1.  智能家居:人机交互、屏显设备、连接设备...

2.  边缘AI与智慧应用:能源优化、通信网关...

3.  工业与机器人设备:传感器通信、运动控制器...

NEWS

ART-Pi I vs ART-Pi II

8d5843d028cd360a645bd17ef7414956.gif

芯片片上主要资源对比:

19469abc16ec8ecb0810ad65f9b5a090.png

c6947bbb8affa2aae12bec13666d28ee.gif

安全性对比:

8f2e4c939c140aad51fb898a8608bcc7.png

011999b2e49d55688a2ef08d6541c364.gif

芯片片外部分资源对比:

60508497e12668486a63dbdf3070e47f.png

ART-Pi II,为未来而来,期待与你一起创造无限可能!

——————End——————

图片

图片

想要在RT-Thread平台或社区投放内容?或想参与相关直播活动及赛事?RT-Thread已开放对接窗口,请通过邮件与我们取得联系,期待合作!

合作邮箱: tongfangyi@rt-thread.com 

↓ 点击“阅读原文”购买开发板

【ART-Pi与RT-Thread入门】①ART-Pi上手初体验 文章目录关于ART-Pi实物照片板载资源、扩展接口及驱动支持扩展引脚默认固件蓝牙配网微信扫描二维码设备选择 ART-Pi,输入所要连接的 WIFI SSID 和密码配网成功会显示IP地址打开IP地址Finsh控制台配网WindowsmacOS 关于ART-Pi ART-Pi是 RT-Thread 团队为嵌入式软件工程师、开源创客设计的一款极具扩展功能的 DIY 开源硬件。致力打造一个开源的软硬件平台。 实物照片 板载资源、扩展接口及驱动支持 扩展引脚 其中P1排扩展引脚座兼容树莓派的扩展接口,并 阅读详情

相关推荐

ART-Pi程序下载

ART-PiRT-Thread版本:4.0.3操作系统:Windows10Keil版本:V5.30开发板MCU:STM32H750XB。

dele 1525

ART-Pi入门篇——(三)ART-Pi代码手册

SDK 代码 框架介绍 工程项目代码由三部分构成,分别是 通用驱动库,工程逻辑代码,RT-Thread 源码,下面的表格来详细介绍这个三个部分: 工程项目代码 文件夹 说明 通用驱动库 libraries 用于存放 HAL 库以,基于 HAL 库的外设驱动文件以及其他通用库 工程逻辑代码 projects 项目工程文件夹,包含了各种开源例程 RT-Thread 源码 rt-thread RT-Thread 源码 为了保证 NOR FLASH (W25Q128) 的数据的安全性,

electron的博客 3246

ART-PI(RTThread)+TouchGFX+正点原子7寸屏开发

步骤全网最详细,涵盖GT911、GT9147、FT5426触摸芯片驱动BUG修正,一文解决你所有困惑

qq_27155171的博客 925

RT-Thread与STM32H7R高性能MCU融合开发实战指南

实时操作系统(RTOS)是嵌入式系统的核心软件层,负责管理处理器资源、任务调度和系统服务,确保实时性与确定性。其工作原理基于优先级抢占或时间片轮转调度算法,为多任务并发执行提供基础框架。在物联网和工业控制领域,RTOS的技术价值在于能够高效协调复杂的外设驱动、通信协议栈和应用程序,满足设备对实时响应、可靠连接与安全性的严苛要求。典型应用场景包括智能人机交互界面、工业网关和边缘AI终端,这些场景往往需要处理高分辨率图形显示、多传感器数据融合和实时协议转换。本文聚焦于RT-Thread这一开源RTOS与意法半导

weixin_30274627的博客 529

RT-Thread与STM32H7R双核MCU:高性能实时系统开发实战

实时操作系统(RTOS)是嵌入式开发的核心,它通过任务调度、中断管理和资源分配,为微控制器(MCU)提供确定性的实时响应能力。其工作原理基于优先级抢占或时间片轮转,确保关键任务按时执行。在物联网和工业自动化领域,RTOS的技术价值在于能够高效管理复杂的多任务场景,如传感器数据采集、通信协议处理和实时控制。随着边缘计算和人工智能的发展,高性能MCU(如多核处理器)与RTOS的深度融合成为趋势,以满足对算力和实时性要求更高的应用场景,例如智能网关和机器视觉。本文以RT-Thread与STM32H7R双核MCU的

weixin_33724659的博客 430

【信息科学与工程学】【产品体系】第二十篇 CDN网络 04

国内 CDN 厂商在多租户隔离场景下实现 μ_c 求解与 LRU 淘汰的结合,公开资料中并未确认任何一家直接部署了 AdaptSize 原版的完整组合。最接近的公开生产级方案是腾讯 CDN 的LACA,通过异常租户检测 + 局部 MRC + DP 搜索实现轻量多租户缓存分配,但其不直接求解 μ_c,而是通过调整租户配额 K_t 间接控制。外层(LACA 式):异常租户检测 → 局部 MRC → DP 搜索租户配额 K_t中层(AdaptSize 式)

weixin_49199313的博客 158

RT-Thread ART-Pi2(STM32H7R7)开发板 SDK 使用指南:环境搭建、工程创建与 BSP 源码解析

本文以 RT-Thread 官方为 ART-Pi2 开发板提供的支持包 **sdk-bsp-stm32h7r-realthread-artpi2**(即本仓库 [bsp/stm32/stm32h7r7-artpi2](https://link.gitcode.com/i/0afcd479675eed324877034a1dd9330e) 目录对应的 BSP)为核心,系统讲解该开发板 SDK 的目录

gitblog_00524的博客 134

【信息科学与工程学】【产品体系】第二十七篇 存储系统系列一 01

存储系统是一个横跨单机引擎 → 分布式系统 → 硬件指令集 → 云上多地域的四层技术栈。下面按你给的格式,用一组相互关联的表把"各类特性组合"一次性铺开。版本号以各厂商当前 GA 版本为准,功能清单为生产级能力摘要。编号存储系统(厂商 / 内核 / 引擎 / 版本 / 功能清单)S01Ceph(Red Hat / 自研内核模块 / RADOS + BlueStore + RocksDB / Squid 19.x)/ 功能:RBD 块、RGW 对象(S3/Swift)、CephFS POSIX、副本+EC 混

weixin_49199313的博客 367

Zephyr 中 Ruiside(瑞赛德/RT-Thread)系列开发板的移植与实战:ART-Pi、ART-Pi2 与 RA8P1 Titan 详解

Zephyr 在 `boards/ruiside/` 目录下为 Ruiside 厂商收录了五块由 RT-Thread 团队主导设计的开源开发板:基于 STM32H750 的 ART-Pi、基于 STM32H7R7 的 ART-Pi2、基于 Renesas RA8D1(Cortex-M85)的 RA8D1 Vision Board,以及两块基于 RA8P1 双核(Cortex-M85 + Corte

gitblog_00456的博客 674

H3C VRF实验

POP-vpn-instance-RT1]route-distinguisher 11:11 # VPN实例-RT1的路由区分器值11:11。配置路由泄露,其实就是在一个VPN示例中添加另一个VPN实例的下一跳,比如在VPN实例RT1中添加去往SRV的默认路由。但是也有了一个新的问题,那就是RT1、RT2和RT3也能互访了,这让VPN实例变得没有意义了。[POP]ip vpn-instance RT1 #配置vpn实例-RT1。绑定了VPN实例,所以要把路由添加到VPN实例POP中。

m0_68698993的博客 4041

【SWAT水文模型】SWAT-CUP参数率定与模型验证实战指南

本文提供了SWAT水文模型参数率定与模型验证的完整实战指南。详细介绍了如何使用SWAT-CUP工具,特别是SUFI-2算法,进行自动化参数校准,并阐述了模型验证的关键步骤以避免过度拟合。内容涵盖从工程搭建、核心参数选择、迭代优化到结果分析与常见问题排查的全流程,旨在帮助用户提升SWAT模型模拟的准确性与可靠性。

weixin_29072299的博客 503

ART-Pi下载出错

ART-Pi下载出错ART-Pi在下载时出现以下错误原因解决方法 ART-Pi在下载时出现以下错误 开始下载程序:2021-07-15 16:11:18 D:\RT-ThreadStudio\repo\Extract\Debugger_Support_Packages\STMicroelectronics\ST-LINK_Debugger\1.6.0\tools\bin>D:\RT-ThreadStudio\repo\Extract\Debugger_Support_Packages\STMicroe

白衣酒客 948

@transactional滥用导致数据源连接池耗尽问题

@transactional滥用导致数据源连接池耗尽问题

qq_43205267的博客 1201

ART-Pi开发板入门指南:从RT-Thread系统到物联网应用实践

嵌入式实时操作系统(RTOS)是连接底层硬件与上层应用的关键软件平台,它通过任务调度、内存管理和设备驱动框架,为资源受限的微控制器提供多任务并发处理能力。RT-Thread作为一款开源RTOS,其组件化设计极大简化了文件系统、网络协议栈和图形界面等复杂功能的集成。在物联网和智能设备开发中,这种软硬件协同的解决方案能显著提升开发效率,降低从原型到产品的技术门槛。ART-Pi开发板正是这一理念的典型实践,它深度融合了STM32H750高性能硬件与RT-Thread生态系统,通过Arduino兼容接口和丰富软件包

weixin_34194829的博客 306

STM32定时器ARR寄存器详解:从‘水桶接水’到精准测速,你的PWM和编码器都靠它

本文深入解析STM32定时器ARR寄存器的核心原理与应用技巧,从PWM波形生成到编码器测速实战。通过水桶模型和硬件本质的比喻,揭示ARR如何作为定时器的'心跳节拍器',并详细探讨其在动态调频、死区时间配置和高精度PWM中的关键作用。特别针对编码器模式下的ARR配置和溢出补偿算法进行优化建议,帮助工程师提升系统性能和实时性。

weixin_33734785的博客 381

【Matlab算法】MATLAB实现的语音信号降噪算法(附MATLAB完整代码)

语音信号降噪是语音处理领域中的一个关键问题。在实际应用中,语音信号常常被各种环境噪声污染,这不仅影响了语音的质量,还可能导致后续处理(如语音识别)的性能下降。因此,开发有效的降噪算法对于提高语音通信质量、改善语音识别系统性能等具有重要意义。 本文将介绍并实现两种经典的语音信号降噪算法:谱减法和维纳滤波。这两种方法都是基于频域处理的技术,具有实现简单、计算效率高的特点。通过MATLAB实现这些算法,我们可以直观地比较它们的性能和降噪效果。

Albert_Lsk的博客 1329

RT-Thread STM32 系列 BSP 开发指南:支持矩阵、快速上手与外设驱动配置

本文围绕 RT-Thread 仓库中 [bsp/stm32](https://link.gitcode.com/i/2c5c9fd7c5fb51820b98d37e00748000) 目录下的 STM32 系列 BSP(板级支持包)展开,系统梳理 STM32 系列 BSP 的开发板支持矩阵、BSP 目录组织方式、快速上手流程,以及借助 ENV 工具与 `menuconfig` 开启板载/片上外设驱

gitblog_00922的博客 211

[VCS]门级仿真及SDF反标

摘要:门级仿真在STA工具普及后仍是验证的重要环节,主要用于检查SDC完备性、异步电路时序、网表完整性及为功耗分析提供波形。门级仿真分为不带时序反标的前仿和带SDF反标的后仿,后仿需加载SDF文件提供精确延时信息。VCS提供多种仿真选项控制时序检查行为,SDF反标可通过命令或系统函数实现。后仿需特别注意关闭notimingcheck选项以确保时序检查有效性,并建议检查SDF反标报告和波形验证延时一致性。

元直的博客 9796

【ART-Pi与RT-Thread入门】⑤ART-Pi配置PWM设备(避坑指南,已验证)

文章目录开发环境创建项目步骤1:RT-Thread Studio项目设置步骤2:打开board.h宏定义步骤3:STM32CubeMX(或者STM32CubeIDE)配置3.0 新建基于STM32H750XBHx的项目。3.1 在Pinout view中配置PI5为TIM8_CH13.2 配置时钟3.3 RCC中配置使用外部高速晶振HSE3.4 TIM8配置CH13.5 设置代码输出选项3.6 点击Generate Code4. 修改board.c和board.h5. 修改main.c6. 避坑指南 开发环

SimonLiu的博客 2402

雨雾天YOLOv8检测拉胯?暗通道去雾+上下文注意力双优化,mAP从58%飙到79%,暴雨也能看清车牌

室外交通监控:高速、省道的雨雾天检测,重点解决小车、货车漏检;车载ADAS系统:雨天行车时的前方车辆、行人识别,需实时性(<40ms);隧道出入口:明暗交界+雾天的复杂场景,暗通道能平衡亮度。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1381

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ArtPi基本硬件及需要实现的功能

ArtPi基本硬件及需要实现的功能 软件IDE: RT-Thread Studio 版本: 2.1.1 硬件平台: ART-Pi CPU: STM32H750XB 开发板基本外设功能实现: 串口 uart4 : PA0 PI9 Red LED :PC15 低电平 灌电流点亮 Blue LED: PI8 低电平 灌电流点亮 User KEY: PH4 硬件上拉 PWM:PH10(TIM5的通道1)控制蜂鸣器 TIM硬件定时器使用 I2C 设备基本操作 SPI设备基本操作 CAN设备基本操作 项目工程基

孙冬梅的博客 3723

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

探索新升级!在 ART-Pi Smart 体验 RT-Thread Smart v5.1.0

1.引言RT-Thread Smart v5.1.0 已经正式发布。这一版本在内核和功能上做了大量的改进与增强。我们可以在ART-Pi Smart开发板尽情探索这一新版更完善更强大的RT-Thread Smart操作系统。ART-Pi Smart开发板搭载了米尔科技的i.MX6ULL核心板,硬件设计和制作由韦东山团队完成,整体的BSP板级支持包由社区完成。这是首个运行 RT-Thread Smar...

rtthreadiotos的博客 1631

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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")

简单的Base64解码

base64解码 Base64是网络上最常见的用于传输8Bit字节码的编码方式之一,Base64就是一种基于64个可打印字符来表示二进制数据的方法。可查看RFC2045~RFC2049,上面有MIME的详细规范。 Base64编码是从二进制到字符的过程,可用于在HTTP环境下传递较长的标识信息。采用Base64编码具有不可读性,需要解码后才能阅读。 Base64由于以上优点被广泛应用于计算机的各个领域,然而由于输出内容中包括两个以上“符号类”字符(+, /, =),不同的应用场景又分别研制了Base64的各

weixin_51458001的博客 1636

ART-PI2 上手记录(一)

底板原理图:documents\board\STM32H7\ART-Pi2_Base_A_SCH_V1.0_preview.pdf。截至2025.3.10,主仓库没有art-pi2的bsp(stm32h7r7)快速上手:documents\ART-Pi2 快速上手.md。打开sdk管理器,选中art-pi2的工具包安装。sdk安装完后,查看sdk中的readme文档。核心板蓝灯闪烁,成功点灯~

my_fly_dream的博客 1210
上一篇: 免费申请 | FRDM-MCXA156评测活动发布!
下一篇: RT-Thread工业以太网应用技术研讨会
RT-Thread物联网操作系统
博客等级 码龄6年 2万+粉丝 392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