STM32F103系列单片机的FLASH和RAM大小

最新推荐文章于 2025-03-14 16:51:39 发布
最新推荐文章于 2025-03-14 16:51:39 发布
阅读量3.6w 收藏 137
点赞数 31
分类专栏： STM32
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39400113/article/details/115573859
版权

STM32F103C8T6

CPU：STM32F103RCT6，LQFP64，FLASH:64KB，RAM:20KB
flash起始地址为0x8000000，大小为0x10000(16进制)—>65536字节(10进制)—>64KB
RAM起始地址为0x2000000，大小为0x5000(16进制)—>20480字节(10进制)—>20KB

STM32F103RCT6

CPU：STM32F103RCT6，LQFP64，FLASH:256KB，SRAM：48KB；
flash起始地址为0x8000000，大小为0x4000(16进制)—>262144字节(10进制)—>256KB
RAM起始地址为0x2000000，大小为0xC000(16进制)—>49125字节(10进制)—>48KB

STM32F103VET6

CPU：STM32F103VET6，LQFP100，FLASH:512KB，SRAM：64KB；
flash起始地址为0x8000000，大小为0x80000(16进制)—>524288字节(10进制)—>512KB
RAM起始地址为0x2000000，大小为0x10000(16进制)—>65536字节(10进制)—>64KB

STM32F103ZET6

CPU：STM32F103ZET6，LQFP144，FLASH:512KB，SRAM：64KB；
flash起始地址为0x8000000，大小为0x80000(16进制)—>524288字节(10进制)—>512KB
RAM起始地址为0x2000000，大小为0x10000(16进制)—>65536字节(10进制)—>64KB

transformers里的AutoTokenizer和AutoModel的原理分析（一）
人工智能
08-01 4789
通过ipython进行查看sentiment-analynise依赖的Hugging Face – The AI community building the future.We’re on a journey to advance and democratize artificial intelligence through open source and open science.https://huggingface.co/里的库： 从上面的输出得到了pipeline模式进行预训练所用到的库：dist
（12-7）基于CPM中英双语多模态大模型的文生图系统：绘画模型
码农三叔
12-16 155
文件viscpm_paint.py的主要功能是实现了一个用于生成图像的绘画模型VisCPMPaint，该模型结合了文本提示和图像生成功能，通过初始化时加载必要的配置和模型，实现了生成高质量图像的能力。VisCPMPaint具有内容安全性检查功能，包括图像和文本的安全性检测，并可选地使用图像排序器来优化生成的图像质量。
Transformers：AutoProcessor代码分析
fydw_715的博客
03-14 958
该函数接受一个处理器类的名称。
大模型相关知识-Transformers里面的Autoxxx函数
weixin_50255595的博客
02-19 738
Hugging Face 的 Auto 系列通过动态适配机制，显著简化了模型加载流程，支持跨架构、跨任务的灵活切换。同一代码适配不同模型。通过 AutoModelForXXX 快速加载任务头。减少硬编码依赖，提升可维护性。对于需要快速实验或多模型支持的项目，Auto 类是首选；而在对性能或透明度要求极高的场景中，可结合显式类使用。
加载预训练模型（autoModel）
m0_59113542的博客
03-25 8675
严格意义上讲 transformers 并不是的一部分，然而 transformers 与 PyTorch 或 TensorFlow 结合的太紧密了，而且可以把 transformers 看成是 PyTorch 或 TensorFlow 的延伸，所以也在这里一并讨论了。transformers 内置了 17 种以这些模型的参数、用法大同小异。默认框架为 PyTorch，使用 TensorFlow 框架在类的前面加上 'TF" 即可。每种模型都有至少一个预训练模型，限于篇幅，这里仅仅列举。
同源建模总结(一） automodel类的使用
rogerzhanglijie的专栏
01-15 3129
一：自动建模的过程中包含水分子，配体残基和氢原子 如果你的模板序列中包含配体或非蛋白残基，你可以在".ali"文件中通过在模板序列和待建序列的末尾加点"."来表示，当然在执行的脚本中还要加上语句env.io.hetatm=True,默认情况下不会处理HETATM的原子。 Example: examples/automodel/model-ligand.py # Homology mode
昇思25天学习打卡营第10天 | 基于MindNLP+MusicGen生成自己的个性化音乐
cftang9999的专栏
06-28 836
MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型（LM）的音乐生成模型，能够根据文本描述或音频提示生成高质量的音乐样本，相关研究成果参考论文《MusicGen直接使用谷歌的及其权重作为文本编码器模型，并使用及其权重作为音频压缩模型。MusicGen解码器是一个语言模型架构，针对音乐生成任务从零开始进行训练。MusicGen 模型的新颖之处在于音频代码的预测方式。
【Pytorch神经网络理论篇】 38 Transformers：安装说明+应用结构+AutoModel类
小李的研究生学习日记
04-23 1万+
Transfomers库是一个支持TensorFiow2.×和PyTorch的NLP库。它将BERTology系列的所有模型融合到一起，并提供统一的使用接口和预训练模型，为人们使用BERTology系列模型提供方便。 1 Transformers库定义 transfomersF中包括自然语言理解和自然语言生成两大类任务，提供了先进的通用架构，其中有超2个预训练模型（细分为100多种语言的版本)。 1.1 Transformers 快速完成的任务 1.1.1 通过执行脚本，使用训练好的SO...
【笔记】AutoModelForCausalLM
热门推荐
weixin_50862344的博客
06-05 2万+
初学者肯定有很多不对头的地方，麻烦大家多多指点！！！
在NVIDIA 4070Ti显卡上部署Qwen2-VL-7B-Instruct大模型的过程
haibo2144的博客
12-26 2838
通过上述步骤，我们成功地在NVIDIA 4070Ti显卡上部署了 Qwen2-VL-7B-Instruct 大模型。我们通过混合精度计算（FP16）和 Flash Attention 2 技术显著优化了显存的使用，确保模型在较低显存的情况下也能顺利运行。在遇到显存不足等问题时，通过调整生成的最大token数量和使用更小的batch size，我们有效地避免了显存溢出的问题。这为大模型的本地推理提供了一个实际可行的解决方案，能够在资源有限的环境中充分利用GPU加速，并且确保推理的高效性。
开源模型应用落地-qwen模型小试-调用Qwen2-VL-7B-Instruct-更清晰地看世界-集成vLLM（二）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
09-18 2万+
掌握Qwen2-VL与vLLM集成，提升职业发展增添强大的竞争力
联想Y7000+RTX4060+i7+Ubuntu22.04运行DeepSeek开源多模态大模型Janus-Pro-1B+本地部署
hzm8341的博客
01-29 3050
在笔记本电脑上手搓Deepseek最近开源的多模态大模型。
CLIP模型CPU
最新发布
03-22
尽管 CLIP 是一种主要针对 GPU 加速优化的深度学习模型，但在某些情况下可能需要将其部署到 CPU 环境中。以下是关于如何在 CPU 上运行 CLIP 的具体指导。 #### 1. 安装必要的依赖库 为了能够在 CPU 上运行 CLIP ...
Transformers模型实例化方法：AutoModel、AutoModelForCausalLM
酒酿小圆子呀～
07-17 4132
Transformers包括管道pipeline、自动模型auto以及具体模型三种模型实例化方法，如果同时有配套的分词工具（Tokenizer），需要使用同名调度。在上述三种应用方式中：管道方式使用最简单，但灵活度最差；具体模型方式使用复杂，但是灵活度最高。通常我们在实际应用中，比较推荐使用自动模型(AutoModel)方式。
【AI大模型】Transformers大模型库（五）：AutoModel、Model Head及查看模型结构
人工智能领域博客
06-09 7540
本文对使用transformers的AutoModel自动模型类进行介绍，主要用于加载transformers模型库中的大模型，文中详细介绍了应用于不同任务的Model Head（模型头）、使用模型头、输出模型结构等关于AutoModel常用的方法。希望对您有帮助。
大模型微调 - 自动加载预训练模型
二分掌柜的
09-12 1129
flyfish
深度学习模型：架构、优化与应用
qq_20245171的博客
02-04 974
深度学习（Deep Learning）是人工智能（AI）领域的核心技术，广泛应用于计算机视觉、自然语言处理、语音识别等领域。近年来，随着算力的提升和数据规模的扩大，深度学习模型不断演进，从传统的多层感知机（MLP）发展到卷积神经网络（CNN）、循环神经网络（RNN）、变换器（Transformer）等。深度学习模型在多个领域取得了突破性进展，从 CNN 处理图像，到 Transformer 颠覆 NLP，再到 AIGC 时代的生成式 AI。适用于结构化数据建模，但对图像、文本等复杂数据表现有限。
【古诗生成AI实战】之三——任务加载器与预处理器
十一月廿七风雨大作
11-27 5641
在构建词汇表的过程中，预处理器会在每个文本样本的前后分别添加开始和结束标记，这有助于模型理解文本的边界。这种设计不仅适用于我们当前的古诗生成任务，还可以方便地应用于其他类型的文本任务，比如文本分类任务，或是适配transformers库中的模型（例如Bert、GPT）。在本项目中，由于我们只使用了大约7千个词，所以我们需要从这些庞大的word2vec库中提取出仅与我们词典中存在的字词相对应的向量。的类，这个类的核心作用是处理不同类型的数据集，比如训练集、验证集和测试集，以及对单个文本样本的特定处理。
Qwen2-VL-2B如何微调
01-24
### 对Qwen2-VL-2B，在特定应用场景下为了提高性能通常会采用LoRA（Low-Rank Adaptation）技术来进行参数高效的迁移学习[^1]。这种方法允许只更新少量新增加的低秩矩阵而不是整个网络中的所有权重，从而大大减少了训练所需的计算资源。 #### 准备环境与依赖库安装 在开始之前需确保已准备好适合深度学习框架运行的Python虚拟环境，并通过pip命令来安装必要的软件包： ```bash pip install transformers peft accelerate torch torchvision torchaudio --upgrade ``` #### 加载预训练模型并设置适配器配置 接着可以加载目标的基础模型以及定义用于微调的具体超参设定： ```python from transformers import AutoModelForVision2Seq, AutoProcessor model_name_or_path = "qwen/Qwen2-VL-2B" adapter_model = "lora_adapter_weights" processor = AutoProcessor.from_pretrained(model_name_or_path) base_model = AutoModelForVision2Seq.from_pretrained( model_name_or_path, load_in_8bit=True, device_map="auto", ) # 设置LoRA配置 peft_config = { "target_modules": ["query_key_value"], "r": 8, "lora_alpha": 32, "bias": "none", } ``` #### 数据集准备及处理函数编写 针对具体任务整理好相应的图像和文本数据集合之后，还需要设计能够将原始样本转换成模型输入格式的数据预处理器： ```python def preprocess_function(examples): images = [example["image"] for example in examples] texts = [example["text"] for example in examples] inputs = processor(images=images, text=texts, return_tensors="pt", padding=True) return inputs ``` #### 训练过程实现 最后一步就是构建Trainer对象启动实际的优化流程了；这里推荐使用Hugging Face提供的`PeftTrainer`类简化操作： ```python from transformers import PeftTrainer training_args = TrainingArguments( output_dir="./results", num_train_epochs=3, per_device_train_batch_size=4, gradient_accumulation_steps=4, learning_rate=2e-5, logging_dir='./logs', logging_steps=10, ) trainer = PeftTrainer( base_model, args=training_args, train_dataset=train_dataset.map(preprocess_function), eval_dataset=val_dataset.map(preprocess_function), data_collator=default_data_collator, tokenizer=processor.tokenizer, peft_config=peft_config, ) trainer.train() ``` 完成上述步骤后即可保存最终得到的最佳版本模型供后续部署或评估阶段使用。
评论 5
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

打赏作者

果果小师弟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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