记第一次失败的画板

欢迎关注我的博客Zhuhao's Blog获取最新文章

最近突然就想自己做一个小机器人来玩,但是不会画板,正好前天要从家回学校,要坐一晚上的大巴,就在车上通宵看完了Altium的简单的教学视频。为了更好的学习画PCB,就把视频教程中的实例自己去画了出来。

画板流程

  1. 画元件原理图库 元件封装库
  2. 画原理图
  3. PCB layout

我画的PCB预览图

MSP430

有点失败,地线在覆铜后没有通。

开始--准备Lib

要画板,首先需要准备好元件的原理图库和封装库。

像我们这种初学者,绘制原理图库时不需要计较太多,一般元件左边输入,右边输出,管脚太多的情况下,上面放vcc,下面放gnd。一般来说,元件原理图库绘制要方便自己之后的板子的原理图的绘制,管脚太多的元件就拆分成几个组件。

而元件的封装库就必须要按照实际情况来绘制,可以查找元件的datasheet,按照官方给的参数画,如果封装库绘制的不正确会导致元件焊接不上的尴尬,然后板就白打了。

经过这次画板,我养成了一个习惯,就是先给项目添加一个,把这块板上所有元件的原理图库都添加到一个库中,封装库也是一样,然后

画原理图

一般来说,我们都会先创建一个.PrjPcb项目,然后添加新的PcbDoc SchDoc PcbLib SCHLIB(这是我这次画板学到的),这样项目列表就会如下所示。

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,因为它们具有忆功能,能够捕捉数据中的时间依赖性。 5. **长短期忆网络(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