.NET Micro Framework USB移植(上)

USB做为现在最重要的通信接口之一,MF的USB移植也是很重要的一步,这样就可以摆脱串口通过USB口来显示MF的DEBUG信息和通过USB口来进行MF托管代码的部署。

        移植USB之前,对USB的底层基本没有多少认识,完全靠自己摸着走。MF自带的代码中已经有USB的底层代码,但是不知道完整与否。直接用MF自带的STM32Samp做基础进行移植。修改STM32Samp中的platform_selector.h文件,把

#define DEBUG_TEXT_PORT                 USB1//COM1

#define STDIO                                            USB1//COM1

#define DEBUGGER_PORT                    USB1//COM1
#define MESSAGING_PORT                   USB1//COM1
把原来COM1的全部改成USB1,其中DEBUG_TEXT_PORT 是DEBUG信息的输出口,DEBUGGER_PORT是C#代码的部署调试口,其它两个不详。然后编译,下载固件到目标板,连上USB,  电脑会发现新设备 无标题.jpg。之前看教程说MF的USB驱动要自己编译,没深究,想到已有其它MF的USB驱动,直接拿来安装,可以安装成功。 无标题.jpg
    打开SDK的MFDeploy软件对目标板进行Ping,Ping有回应,
无标题.jpg
说明USB已经通信成功,识别到设备的名字为iMXS_a7e70ea2。接下自然是用VS来对目标板进行VS代码部署,如果部署成功,整个移植就完成。很遗憾,部署失败。 无标题.jpg
电脑识别到的是"Micro Framework MXS Reference ",而安装成功后却是Micro Framework STM32 Reference,会不会这样不匹配导致的呢?查USB驱动配置文件MFUSB.inf:
[Strings] 
SourceDesc          ="driver installation media" 
VERSION             = "1.0"
INQUIRIES_INTERFACE = "{265820CE-19E5-4530-8861-262E97E78575}"
 
Microsoft                        = "Microsoft "
USB\Vid_15A2&Pid_0026.DeviceDesc = "Micro Framework STM32 Reference"
可以看到USB的Vid为15A2,Pid为0026,修改硬件描述为Micro Framework MXS Reference,重新安装驱动,用VS部署就可以 无标题.jpg,按F5调试就可以看到目标板的LED灯在闪烁。说明MF自带的USB代码是完整,接下来就是自定义的事情,怎样把USB相关的描述修改成自己的。
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