搭建起设备驱动的框架


理解了datasheet之后,先不要急着去编写代码,你首先应该做的就是给你将要写的驱动程序设计一个框架。

那么这里的框架应该依据什么搭建呢?具体怎么搭建呢?

    一般的,从USB驱动到I2C驱动,从SPI驱动到串口驱动,从PCI驱动到DMA驱动,等等,不管是什么类型的驱动,它总有一种或者几种基本固定的套路供你选择。如果你打算写一个touch驱动,而这个touch挂接在I2C上,那么你就依据I2C设备编写的一一种固定套路先搭建框架。具体如何搭建,这里就给出I2C设备驱动编写的一种固定套路给大家。

    I2C设备驱动的新式编写方法为probe方法,这里就讲编写I2C设备驱动的probe方法的框架的搭建。

l  创建一个i2c_driver

static struct i2c_driver XXXX_driver = {

.driver = {

.name= "XXXX"

}

.probe = XXXX_probe /* 当存在i2c_clienti2c_driver匹配时调用 */

.remove = XXXX_remove

.id_table = XXXX_id/* 匹配规则 */

};

l  注册i2c_driver

static int __init XXXX_initvoid

{

return i2c_add_driver&XXXX_driver;

}

module_initXXXX_init;

注册i2c_driver的过程,实际上是将driver注册到i2c_bus_type的总线上。此总线的匹配规则是:

static const struct i2c_device_id *i2c_match_idconst struct i2c_device_id *id

                 const struct i2c_client *client

{

                while id->name[0] {

                        if strcmpclient->name id->name == 0

                                return id;

                        id++;

                }

                return NULL;

}

上面代码实际上是利用i2c_client的名称和id_table中的名称做匹配的。这里的id_table为:

static const struct i2c_device_id XXXX_id[] = {

                { "XXXX346" 8 }

                { "XXXX353" 16 }

                { "XXXX388" 8 }

                { "XXXX399" 16 }

                { "XXXX542" 8 }

                { "XXXX551" 16 }

                { "XXXX572" 8 }

                { }

        };

l  注册i2c_board_info

对于Probe方法,都要在平台代码中要完成i2c_board_info的注册。办法如下:

static struct i2c_board_info __initdata tmp_i2c_devices[] = {

{

        I2C_BOARD_INFO"XXXX9555" 0x27),//XXXX9555为芯片名称,0x27为芯片地址

        .platform_data = &XXXX9555_data

}

{

        I2C_BOARD_INFO"mt9v022" 0x48),

        .platform_data = &iclink[0] /* With extender */

}

{

        I2C_BOARD_INFO"mt9m001" 0x5d),

        .platform_data = &iclink[0] /* With extender */

}

};

i2c_register_board_info0tmp_i2c_devices

ARRAY_SIZEtmp_i2c_devices));  /* 注册 */

i2c_client是在注册过程中创建的。

l  调用i2c适配器来完成数据传输

int *master_xfer)(struct i2c_adapter *adapstruct i2c_msg *msgsint num;

master_xfer要通过调用i2c_transfer来完成传输。

int i2c_transferstruct i2c_adapter * adap struct i2c_msg *msgs int num;

l  字符驱动注册

I2C设备驱动的Probe方法,字符驱动的添加位置在XXXX_probe中。

static int __devinit XXXX_probestruct i2c_client *clientconst struct i2c_device_id *id

{

      /* … 省略 …*/

ifXXXX_major{

                        Result = register_chrdev_regionXXXX_dev1"XXXX";

                } else {

                        result = alloc_chrdev_region&XXXX_dev01"XXXX";

                        XXXX_major=MAJORXXXX_dev;

                }

                if result < 0 {

                        printkKERN_NOTICE "Unable to get XXXX region error d\n" result;

                        return result;

                }

                XXXX_setup_cdevchip0;   /* 注册字符设备具体的请google一下 */                      

      /* … 省略 …*/

}

l  字符设备驱动的构建

struct file_operations XXXX_fops = {

                .owner = THIS_MODULE

                .ioctl = XXXX_ioctl

                .open = XXXX_open

                .release = XXXX_release

        };

l  删除i2c_driver

static void __exit XXXX_exitvoid

{

                i2c_del_driver&XXXX_driver;

}

module_exitXXXX_exit;

l  删除字符设备驱动

static int __devinit XXXX_remove struct i2c_client *client

{

/*…省略…*/

}

    你看到这里,就应该明白上面讲到的所谓设备驱动程序的框架是什么意思了吧。当然,这里只写出了I2C设备驱动的一种框架,SPIUSBDMA   驱动编程都有其各自的框架,具体的信息可以从内核文档(kernel顶层目录下的Documentation目录)获得。总之,你要编写什么类型的驱动,首先根据实际情况搭建好框架。

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