驱动笔记

平台总线中注册设备

  1. 设备
    1. 结构体 platform_device
    2. vim arch/arm/mach-exynos/mach-itop4412.c
    3. vim drivers/char/Kconfig
    4. vim arch/arm/mach-exynos/mach-itop4412.c
  2. 驱动
    1. platform_driver 结构体
    2. 模块入口和出口调用函数 platform_driver_register 和 platform_driver_unregister
  3. 这里介绍的平台总线,不能够直接和常规的总线对应,只是 Linux 系统提供的一种附加手
    段,防止 linux 驱动的碎片化,降低 Linux 的使用难度。
    另外这里的设备 platform_device 和驱动 platform_driver 也不是和常规的字符设备、块
    设备、网络设备并列的概念,它只是一种附加的手段。

生成设备节点misc

  1. 一部分驱动要和上层通信,都需要生成设备节点,上层应用通过一套标准的接口函数调用设备节点就可以控制底层以及和底层通信。
    1. 杂项设备   其中杂项设备的主设备号是 10,在任何 Linux 系统中它都是固定的。
      1. 杂项设备设备部分系统完全制作好了,只需要添加子设备
      2.  https://mp.csdn.net/postedit/102702902
    2. 杂项设备并没有分配内存空间这个过程,是因为系统自带的代码已经给杂项设
      备分配好了

 

注册字符设备

  1. 申请字符类设备的函数
    1. 函数 register_chrdev_region,函数 alloc_chrdev_region,函数 register_chrdev()
      • 函数 register_chrdev_region()是提前知道设备的主次设备号,再去申请设备号。
        函数 alloc_chrdev_region() 是动态分配主次设备号。
        函数 register_chrdev()。是老版本的设备号注册方式,只分配主设备号。从设备号在 mknod
        的时候指定。这个函数现在虽然仍然可以支持,但是已经不再使用了。
    2. cdev 类型是是字符设备描述的结构,其中的设备号必须用“dev_t”类型来
      描述,高 12 位为主设备号,低 20 位为次设备号。
    3. 入口和出口函数中调用函数 register_chrdev_region 和函数
      unregister_chrdev_region。
    4. Linux 中注册字符类设备需要首先申请内存空间,有一个专门分配小内存空间的函数
      kmalloc。kfree 释放函数
  2. 注册字符类设备的初始化函数为 cdev_init
    1. void cdev_init(struct cdev *, const struct file_operations *)
    2. 注册驱动的函数 cdev_add   、对应的还有卸载驱动的函数 cdev_del
      1. 注册驱动的函数 int cdev_add(struct cdev *, dev_t, unsigned);有三个参数:
        参数 struct cdev *:cdev 字符设备文件结构体
        参数 dev_t:设备号 dev,前面已经介绍和使用过了
        参数 unsigned:设备范围大小
        卸载驱动的函数 void cdev_del(struct cdev *)只有一个参数,cdev 字符设备结构体。
    3. eg:
      • struct reg_dev
        {
        	char *data;
        	unsigned long size;
        	
        	struct cdev cdev;
        };
        struct reg_dev *my_devices;

        申请的内存数据控件打个包为结构体 reg_dev,因为是有两个子设备,所以接着定
        义一个结构体数组*my_devices。然后申请内存空间,并将内存空间先清零,接着对设备进行初始化。

  3. 简单流程

    1. Devinit:注册设备号(静态和动态注册);{ register_chrdev_region,   alloc_chrdev_region   }

    2. kmalloc 申请空间,

    3. 设备初始化,设备注册到系统

      1. 数据初始化--cdev_init ();(关联fops)

      2. 注册到系统--cdev_add();(设备和设备号)

 

 

生成字符类设备节点

  1. class
    1. 部分和前面注册杂项设备类似,不过在调用生成设备节点的时候需要额外的添加一个设备类、
    2. Linux 中的 class 是设备类,它是一个抽象的概念,没有对应的实体。它是提供给用户接口相似的一类设备的集合。常见的有输入子系统 input、usb、串口 tty、块设备 block 等。
  2. 创建设备类的函数 class_create
    1. 函数 class_create(owner, name)只有两个参数
      参数 owner:一般是 THIS_MODULE
      参数 name:设备名称
      调用函数 class_create 会返回一个 class 结构体变量
    2. 释放设备类 class 的函数 class_destroy,就只有一个参数 class
  3. 创建字符设备节点
    1. 创建设备节点的函数 device_create 在头文件“include/linux/device.h”
      1. 函数 extern struct device *device_create(struct class *cls, struct device *parent,dev_t
        devt, void *drvdata,const char *fmt, ...);中的参数比较多。
        参数 struct class *cls:设备所属于的类,前面创建类的返回值
        参数 struct device *parent:设备的父设备,NULL
        参数 dev_t devt:设备号
        参数 void *drvdata:设备数据,NULL
        参数 const char *fmt:设备名称
      2. 摧毁设备节点的函数 extern void device_destroy(struct class *cls,
        dev_t devt);只有两个参数,分别是设备类和设备号

 

 

 

 

 

 

 

 

 

 

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