mini2440 DM9000网卡移植

在vi include/configs/mini2440.h 中添加
#define CONFIG_DRIVER_DM9000 /* we have a DM9000 on-board */
然后编译,出现如下错误
mini2440 DM9000网卡移植 - 零度冰點 - 我的学习笔记
 显然是没有定义DATA的宏,参考别的板子定义如下
#define CONFIG_DM9000_BASE 0x20000000
#define DM9000_IO CONFIG_DM9000_BASE
#define DM9000_DATA (CONFIG_DM9000_BASE + 4)
再次编译
mini2440 DM9000网卡移植 - 零度冰點 - 我的学习笔记
 向上观察代码,感觉是因为没有定义#define CONFIG_NET_MULTI 的缘故
定义后编译成功
下载到内存,出现问题着不到网卡
mini2440 DM9000网卡移植 - 零度冰點 - 我的学习笔记
 查找原因,原来是网卡没有初始化,在board/samsung/mini2440/mini2440.c 
中初始化的网卡是cs8900,修改为

#ifdef CONFIG_CMD_NET
int board_eth_init(bd_t *bis)
{
int rc = 0;

#ifdef CONFIG_DRIVER_DM9000
rc = dm9000_initialize(bis);
#endif
return rc;
}
#endif
并添加#define CONFIG_CMD_NET
还是没找到网卡
在board/samsung/mini2440/mini2440.c 加上#error123456789
竟然没编译到这个文件
察看该文件夹下Makefile发现
COBJS := smdk2410.o flash.o居然没修改
之前一直没用到这个文件
修改之后,再次编译成功
下到内存,识别出DM9000
打印环境变量print
MINI2440 # print
bootdelay=3
baudrate=115200
ipaddr=10.0.0.110
serverip=10.0.0.1
netmask=255.255.255.0
stdin=serial
stdout=serial
stderr=serial
ethact=dm9000
修改环境变量vi include/configs/mini2440.h
#define CONFIG_ETHADDR 00:E0:0C:BC:E5:60 
#define CONFIG_NETMASK          255.255.255.0
#define CONFIG_IPADDR 192.168.1.199
#define CONFIG_SERVERIP 192.168.1.110
#define CONFIG_BOOTFILE "u-boot.bin" 
并添加#define CONFIG_CMD_PING
插上网线看看是否能ping通

MINI2440 # ping 192.168.1.1
dm9000 i/o: 0x20000000, id: 0x90000a46 
DM9000: running in 16 bit mode
MAC: 00:e0:0c:bc:e5:60
could not establish link
Using dm9000 device
host 192.168.1.1 is alive
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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