Mbed OS 文档翻译 之 参考(贡献(工具(构建工具)))

构建工具

Mbed OS 包含用于在 tools 目录中构建自身的工具。这些构建工具包括特定于目标的后构建脚本。添加目标时,可能需要添加postbuild 脚本。使用 postbuild 脚本以链接器无法修改链接的应用程序二进制文件,例如在特定偏移量处插入校验和。Postbuild 脚本很少可以导出,只有在用完所有其他选项后才能使用它们。

Postbuild 脚本

这些工具包括用于在链接后修改应用程序二进制文件的任务的 postbuild 脚本。这些任务是用 Python 编写的,作为 tools.targets 模块中类的静态方法。任务在 targets.json 中指定为 Class.method。

这些工具使用 4 个参数调用静态方法:

  1. 工具链对象。您可以使用此对象进行日志记录。
  2. 用于此构建的资源对象。它包含所有 C,C++ 和 ASM 源码。
  3. 链接器生成的 .elf 文件的路径。
  4. 链接后生成的二进制文件的路径,如果代码未生成二进制文件,则生成 .elf 文件的路径。

实施

要添加 postbuild 脚本,请使用单个方法将类添加到 tools/ targets/__ init__.py python 文件中,例如:

class LPCTargetCode(object):
    """General LPC Target patching"""
    @staticmethod
    def lpc_patch(t_self, resources, elf, binf):
        """Patch an elf file"""
        t_self.debug("LPC Patch: %s" % os.path.split(binf)[1])
        from .LPC import patch
        patch(binf)

需要此 postbuild 脚本运行的目标必须在 targets/targets.json 中包含此代码段:

"post_binary_hook": {"function": "LPCTargetCode.lpc_patch"},

在实现 postbuild 脚本时,请注意以下注意事项:

  • 你可以用一个。在项目名称中。
  • 您可以将输出文件类型更改为二进制,Intel Hex 和 .elf 中的任何一个。
  • 当有多个可加载部分时,Arm 编译器为每个可加载部分生成一个包含 .bin 文件的目录。
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