率能半导体 SS8812T双通道H桥驱动芯片:36V/1.6A,覆盖POS打印机、安防相机、办公自动化、游戏机、机器人五大应用场景

SS8812T是率能半导体推出的双通道H桥电机驱动芯片,支持8.2V–36V宽压输入、每路1.6A满量程电流及720mΩ低导通电阻。具备PWM控制、2位电流台阶调节(4档限流)、三种衰减模式(快/慢/混合)、nFAULT故障诊断输出、nSLEEP/nRESET控制、内置3.3V基准源及多重保护(过流/过温/欠压)。采用ETSSOP28散热封装,适用于POS打印机、安防相机、办公自动化、游戏机和机器人等中压双电机或步进电机驱动场景。

在POS打印机、安防相机、办公自动化设备、游戏机和机器人中,电机驱动芯片往往需要同时完成几件事:双路独立控制,以驱动两个有刷直流电机或一台双极步进电机;足够的电流能力,以应对电机启动和堵转时的瞬态冲击;可调的电流限流,以保护电机和驱动芯片;明确的故障诊断,让系统在异常时能够及时降速、停机或报警。很多传统方案要么用两颗单路芯片拼凑双路,占用更多PCB面积和物料成本;要么电流能力偏小,在堵转时容易触发过热;要么缺少nFAULT故障输出,系统只能“盲跑”。

率能半导体推出的SS8812T,正是一款面向这类需求设计的双通道H桥电流控制电机驱动芯片。它具有两路H桥,每路可提供最大输出满量程电流1.6A(在24V和Ta=25℃适当散热条件下),可驱动两个刷式直流电机、一个双极步进电机、螺线管或其他感性负载。双极步进电机可以以整步、2细分、4细分运行,也可以用软件实现更高细分。工作电压范围8.2V至36V,24V时RDS(HS+LS)典型值为720mΩ。芯片支持PWM控制接口,2 bits电流控制提供4个电流台阶,衰减模式可选择快衰减、慢衰减和混合衰减,并提供nFAULT故障输出、nSLEEP低功耗睡眠、nRESET复位、内置3.3V基准电压,以及过流保护、热关断和欠压锁定。SS8812T采用带裸露焊盘的ETSSOP28封装,能有效改善散热性能,且为无铅产品。

从POS打印机的走纸与切纸电机,到安防相机的云台与变焦电机;从办公自动化设备的进纸与扫描电机,到游戏机的振动马达和机器人关节——本文将围绕SS8812T的核心特性,解析它在这些场景中的适配价值。

一、双通道H桥 + 1.6A满量程电流 + 8.2V-36V宽电压 → 双路独立驱动的性能标杆

SS8812T最核心的价值在于其双通道H桥架构。芯片内部集成两个完整的H桥驱动电路,每个H桥可独立控制一个直流有刷电机。两颗H桥意味着单颗芯片即可同时驱动两个电机,例如POS打印机中的走纸电机和切纸电机,或安防相机中的云台电机和变焦电机。对于步进电机应用,SS8812T的两个H桥可以分别驱动步进电机的两个绕组,支持整步、2细分、4细分运行,也可通过软件实现更高细分,适合需要平滑位置控制的场合。

每个H桥的最大满量程电流为1.6A(24V,Ta=25℃,适当散热条件下),足以驱动中小型直流有刷电机和步进电机。推荐工作电压范围为8.2V至36V,精准覆盖了POS打印机、安防相机、办公自动化设备、游戏机和机器人中常见的12V、24V供电系统。VM引脚绝对最大额定值为38V,为24V系统在负载突甩或适配器电压波动时留出了安全裕量。

低导通电阻是SS8812T的重要优势。在24V、IO=1A、TJ=25℃条件下,上管和下管的导通阻抗典型值均为0.36Ω,高侧+低侧总导通电阻典型值为720mΩ。在1.6A满量程电流下,H桥上的导通压降约为1.6A×0.72Ω≈1.15V,电机两端可获得接近电源电压的有效驱动电压。从损耗角度计算,1.6A电流下H桥总损耗约为1.6²×0.72≈1.84W。SS8812T采用ETSSOP28封装,带有裸露焊盘,结到环境热阻θJA为38.9℃/W,结到板热阻θJB为5.6℃/W,结到封装底部热阻θJC(bot)为1.4℃/W。通过将散热焊盘可靠焊接至PCB地平面并布置散热过孔,可以有效将热量传导至电路板,确保芯片在1.6A满量程电流下不触发过热保护。

二、PWM控制 + 2 bits电流台阶 + 三种衰减模式 → 精密限流与平稳驱动

SS8812T具有PWM控制接口。每个H桥通过xENBL使能输入和xPHASE方向输入控制:当xENBL为低时,对应输出为高阻态;当xENBL为高、xPHASE为低时,xOUT1为低、xOUT2为高;当xENBL为高、xPHASE为高时,xOUT1为高、xOUT2为低。输入控制引脚均有约100kΩ内部下拉电阻,确保在MCU未初始化或引脚悬空时,芯片处于确定状态,避免误动作。

2 bits电流控制提供4个电流台阶,这是SS8812T区别于基础版双路驱动芯片的重要能力。每个H桥有两个输入引脚(xI1和xI0)用于设置xVREF输入电压与感应电阻决定的电流比例。根据数据手册表2,xI1、xI0=0,0时相对电流为100%;0,1时为71%;1,0时为38%;1,1时为0%(H桥不工作)。PWM斩波电流由比较器构成,比较器将连接到ISENx引脚的电流感应电阻的电压乘以系数5,与参考电压比较。满量程(100%)的斩波电流计算公式为:ICHOP = xVREF / (5 × RISENx)。例如,如果使用0.2Ω感应电阻,xVREF引脚是1.0V,满量程斩波电流为1.0V/(5×0.2Ω)=1.0A;设置71%时电流为0.71A,设置38%时电流为0.38A。这一精密的电流控制能力使SS8812T能够灵活适配不同电机的额定电流和启动堵转需求,也便于实现步进电机的细分驱动。

三种衰减模式是SS8812T的核心优势之一。慢衰减、快衰减以及混合衰减模式通过DECAY引脚的状态来选择:逻辑低电平选择慢衰减,悬空(或中间电平)选择混合衰减,逻辑高电平选择快衰减。DECAY引脚内部有上拉电阻约130kΩ和下拉电阻约80kΩ,如果引脚保持悬空,则自动设置为混合衰减模式。在混合衰减模式下,设定总衰减时间为固定时间15μs,在该衰减时间的30%为快衰减,然后在剩余时间内切换为慢衰减,直到下一个新的周期开始。这一混合衰减模式在不增加输出电流纹波的情况下改善了电流控制特性,使电机运行更加平稳高效。消隐时间固定在1.6μs,在启用电流检测电路之前的一个固定时间内忽略ISENx引脚上的电压,同时消隐时间也设置了PWM的最小周期时间。

三、nFAULT故障输出 + nSLEEP/nRESET + 内置3.3V基准 + 全面保护 → 安全、可诊断与节能兼顾

SS8812T集成了全面的保护功能,并提供nFAULT故障输出引脚。过流保护(OCP):每个功率管的电流限制模拟电路通过移除栅极驱动来限制功率管的电流。如果模拟电流限制持续时间比OCP的尖峰时间(2.6μs)长,所有的H桥场效应管都将关断,并且nFAULT引脚将被拉低,芯片将保持不工作。经过5.8ms的等待时间后芯片重新工作,nFAULT引脚重新置高,并继续检测OCP;若故障仍存在,则循环保护及恢复。高边和低边功率管的过电流条件(短路接地、短路到电源或电机绕组间短路)都会导致过流关断。过电流保护不使用用于PWM电流控制的电流感应电路,与ISEN电阻或基准电压xVREF无关。过温保护(TSD):如果芯片温度超过安全范围(典型值170℃),所有的H桥场效应管都将关断,并且nFAULT引脚将被拉低,一旦温度降至安全水平,将自动恢复正常工作。欠压保护(UVLO):如果VM电压低于欠压锁定阈值(典型8.2V),芯片内部所有电路都不工作并且内部逻辑都清零,直到VM电压升高至比UVLO阈值高时才恢复工作。nFAULT为开漏输出,若使用需外接一个上拉电阻,当出现过温或过流时输出为低电平,为系统MCU提供明确的故障指示。

SS8812T具有nRESET和nSLEEP控制。nRESET引脚低电平有效,重置内部逻辑,同时也禁用H桥;当nRESET为低电平时,除了nSLEEP外的所有输入均被忽略。nSLEEP设置为低电平时,芯片进入低功耗睡眠状态,H桥被禁用,栅极驱动电荷泵停止工作,V3P3OUT稳压器被禁用,所有内部时钟停止。在这种状态下所有输入均被忽略,直到nSLEEP变为高电平。当从睡眠模式返回时,在马达驱动完全运行之前,需要约1ms的唤醒时间。nRESET和nSLEEP有约100kΩ内部下拉电阻,这些信号必须被设置到逻辑高电平来保证芯片工作。

SS8812T内置3.3V基准电压(V3P3OUT引脚),输出电流能力为1mA,外接0.47μF电容到地做滤波,可给参考电压xVREF供电。这一集成基准电压源省去了外部辅助电源芯片,简化了系统电源架构。

四、ETSSOP28散热封装 + 典型应用电路 → 紧凑设计与可靠散热的统一

SS8812T采用ETSSOP28封装,尺寸紧凑,带有裸露焊盘,结到环境热阻θJA为38.9℃/W,结到板热阻θJB为5.6℃/W,结到封装底部热阻θJC(bot)为1.4℃/W。这一散热性能使其能够在1.6A满量程电流下保持可控温升,适合POS打印机、安防相机、办公自动化设备、游戏机和机器人等空间受限但需要持续工作的应用。通过将散热焊盘可靠焊接至PCB地平面并布置散热过孔,可以有效将热量传导至电路板。

典型应用电路极为清晰:VM引脚外接0.1μF陶瓷电容和10μF大容量电容到地,并连接电机电源;CP1和CP2之间外接0.01μF/50V陶瓷电容;VCP与VM之间外接0.1μF/16V陶瓷电容和1MΩ电阻;V3P3OUT外接0.47μF电容到地;xVREF引脚可接V3P3OUT或外部参考电压;ISENx引脚通过检测电阻接地,若不需要限流可直接接地;AOUT1/AOUT2连接电机A或步进电机绕组A,BOUT1/BOUT2连接电机B或步进电机绕组B;AENBL、APHASE、BENBL、BPHASE连接MCU的GPIO或PWM输出;DECAY、nSLEEP、nRESET连接MCU控制;nFAULT通过上拉电阻连接MCU的故障检测引脚。数据手册特别提醒:VMA和VMB引脚必须在PCB上连接在一起,每个VMx引脚建议单独接一个0.1μF电容到GND,并且让地回路尽量短。

五、典型应用场景解析

POS打印机:POS打印机通常包含走纸电机和切纸电机两个直流有刷电机。SS8812T的双通道H桥可以同时驱动这两个电机,一颗芯片完成全部电机控制。1.6A满量程电流满足切纸电机启动和堵转时的瞬态需求,PWM控制实现走纸速度和切纸位置的精确控制,2 bits电流台阶和xVREF限流调节可限制电机启动和堵转电流,nFAULT引脚可在过流或过温时向主控MCU报告故障,提高打印过程的可靠性。ETSSOP28封装通过底部散热焊盘提供良好的散热能力,适合打印机连续工作的需求。

安防相机:安防相机中的云台电机、变焦电机、聚焦电机通常需要精密的位置和速度控制。SS8812T可以驱动两个直流电机或一台双极步进电机,支持整步、2细分、4细分运行,PWM控制实现平滑的云台旋转和精确的变焦控制。36V工作电压适配安防系统可能采用的24V供电。1.6A满量程电流满足云台电机在启动和堵转时的瞬态需求。nFAULT故障输出确保相机在异常情况下安全停机。

办公自动化设备:扫描仪、复印机、传真机等设备中常需要多个电机协同工作,如进纸电机、扫描头移动电机、出纸电机等。SS8812T的双通道设计可减少芯片数量,简化系统结构。宽电压范围适配12V或24V供电系统,PWM控制和2 bits电流台阶可实现扫描头的精密移动和细分控制。nSLEEP和nRESET引脚便于系统在待机时进入低功耗状态或故障后复位。内置保护确保设备在卡纸等异常情况下安全停机。

游戏机:游戏机中的振动马达、光盘进出仓电机、散热风扇等需要正反转和调速控制。SS8812T的H桥全桥驱动支持前进、后退、停止和刹车,PWM接口可实现无级调速。双通道设计可同时驱动两个电机,低功耗睡眠模式在待机时节省电能,nFAULT引脚提供故障反馈。1.6A满量程电流满足振动马达和进出仓电机的瞬态需求。

机器人:轮式机器人底盘通常需要两个直流电机分别驱动左右轮,SS8812T的双通道H桥完美适配这一需求。通过PWM调速实现差速转向,2 bits电流台阶和xVREF限流调节可限制电机启动和堵转电流,nFAULT引脚提供故障反馈,内置保护确保机器人在复杂工况下可靠运行。1.6A满量程电流足以驱动中小型机器人的轮式电机。对于需要步进电机的机器人关节,SS8812T可驱动一台双极步进电机,支持整步、2细分、4细分运行,实现精确的位置控制。

六、SS8812T与同系列产品的定位与选型建议

SS8812T在率能半导体电机驱动产品线中占据“36V/1.6A、双通道H桥、720mΩ导通电阻、2 bits电流台阶、三种衰减模式、nFAULT故障输出、ETSSOP28封装”的独特位置。与SS6812T(32V/1.0A/1.1Ω/ETSSOP28) 相比,SS8812T的耐压提升至36V,每路满量程电流从1.0A提升至1.6A,导通电阻从1.1Ω降低至720mΩ,更适合需要更高母线电压和更大电流的POS打印机、安防相机和机器人应用。与SS6841T(36V/2.5A/400mΩ/ETSSOP28) 相比,SS8812T的电流能力略低,但同样具备2 bits电流台阶、三种衰减模式和nFAULT,适合每路电流需求在1.6A以内的应用,在成本和电流余量之间提供了一个中间选择。

选型结论:如果系统需要双路独立PWM控制、每路1.6A满量程电流能力,并且需要2 bits电流台阶、三种衰减模式、nFAULT故障输出和36V耐压,SS8812T是理想选择;如果每路电流需求在1.0A以内且母线电压不超过32V,SS6812T更具成本优势;如果每路电流需求达到2.5A,SS6841T更合适。

结语

SS8812T不是一颗追求极致参数的电机驱动芯片,而是一颗在8.2V至36V电压范围内追求“双通道集成、1.6A满量程电流、720mΩ导通电阻、2 bits电流台阶、三种衰减模式、nFAULT故障输出、低功耗睡眠、ETSSOP28散热封装、无铅工艺”的双通道H桥电流控制电机驱动芯片。

它用双通道H桥架构实现两个直流电机或一台双极步进电机的独立驱动,用8.2V-36V宽电压范围覆盖12V和24V系统的多种供电方案,用1.6A满量程电流和720mΩ导通电阻实现稳定驱动,用PWM控制、2 bits电流台阶和三种衰减模式实现精密限流和平稳的电机运行,用nFAULT故障输出和nSLEEP/nRESET为系统提供故障诊断、低功耗和可靠复位,用过流保护、过温保护和欠压保护守住芯片可靠性的多重防线。

从POS打印机的走纸切纸到安防相机的云台变焦,从办公自动化设备的进纸扫描到游戏机的振动马达,从机器人的轮式驱动到关节控制——SS8812T正在用一颗ETSSOP28芯片的“双通道集成、1.6A驱动、限流可调、故障可诊断”,为中压双路电机驱动场景提供当前颇具实用性的解决方案。

对于正在寻找一颗“8.2V-36V工作、双通道H桥、每路1.6A满量程、720mΩ导通电阻、2 bits电流台阶、三种衰减模式、nFAULT故障输出、ETSSOP28封装”双通道电机驱动芯片的工程师而言,SS8812T是您中压双路电机驱动设计中值得优先评估的选择。

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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
⌂ 换网址