ZYNQ Linux环境下PS端I2C驱动OV5640摄像头全流程解析

ZYNQ7035实战:OV5640摄像头在Linux下的I2C配置避坑指南(附完整代码) 本文详细介绍了在ZYNQ7035平台上通过Linux系统配置OV5640摄像头的I2C接口的完整指南,包括硬件连接、设备树配置、驱动开发及常见问题解决方案。特别针对I2C配置中的常见陷阱提供了实用避坑技巧,并附有完整的代码实现,帮助开发者快速实现摄像头功能。 阅读详情

1. 从零开始:为什么要在ZYNQ PS端用I2C驱动OV5640?

如果你正在玩ZYNQ,想给这个强大的“大脑”加上“眼睛”,那么OV5640这颗500万像素的摄像头传感器绝对是个热门选择。它体积小、功耗低,图像质量也相当不错,非常适合嵌入式视觉应用。但很多朋友一上手就懵了:硬件怎么连?软件怎么配?那一长串的寄存器配置代码看着就头大。

别担心,今天我就来带你完整走一遍这个流程。咱们不搞那些云里雾里的理论,就讲最实在的步骤和踩过的坑。简单来说,我们要做的就是在ZYNQ的PS(Processing System,也就是ARM Cortex-A9核心)部分,通过I2C总线去配置OV5640,让它能正常工作并输出图像数据。为什么用PS的I2C,而不是用PL(可编程逻辑)部分去模拟?原因很简单:省事、稳定。PS端的I2C控制器是硬件实现的,有成熟的Linux驱动支持,我们只需要在设备树里配好,在用户空间写个应用程序去读写寄存器就行,不用自己去折腾时序,稳定性也高得多。

这个过程就像给你的电脑接上一个USB摄像头,只不过在嵌入式世界里,“USB接口”换成了I2C总线,“驱动安装”变成了设备树配置和寄存器编程。目标很明确:在Linux系统启动后,我们能通过一个自己写的C程序,打开/dev/i2c-0这样的设备文件,然后像聊天一样,用I2C协议告诉OV5640:“嘿,请用640x480的分辨率、YUV422格式、30帧每秒给我吐数据。” 听起来是不是没那么可怕了?接下来,我们就从硬件连线开始,一步步实现它。

2. 硬件配置:Vivado里如何搭建桥梁?

硬件是基础,配置错了后面全是白搭。首先,你得确保你的ZYNQ开发板(比如ZYNQ-7000系列)和OV5640模块已经正确连接。通常,OV5640模块会引出几个关键接口:电源、I2C(SDA, SCL)、像素时钟(PCLK)、行场同步信号(HREF, VSYNC)以及8位或10位的数据总线。今天我们先聚焦在I2C配置上,这是让摄像头“听话”的第一步。

打开Vivado,创建一个新工程,选择你的具体器件型号(例如xc7z035ffg676-2)。然后,我们要创建一个Block Design。这是Vivado图形化设计的核心,你可以像搭积木一样把IP核连起来。

  1. 添加ZYNQ Processing System IP:在Diagram视图里,点击“+”号,搜索并添加“ZYNQ7 Processing System”。双击添加进来的IP核,进行配置。这里有个关键点:我们需要启用PS端的I2C控制器。
  2. 启用I2C外设:在ZYNQ配置界面,切换到“Peripheral I/O Pins”选项卡。找到“I2C 0”和“I2C 1”(根据你的需要,通常用一个就够了),把它们勾选上。Vivado会自动将对应的引脚(比如MIO 14和MIO 15)分配给I2C0。记下你使用的I2C控制器编号,后面设备树会用到。
  3. 配置时钟和复位:确保PS-PL时钟配置正确,特别是FCLK_CLK0,它常作为其他PL逻辑的时钟源。不过对于纯PS的I2C操作,这部分不是必须的,但保持一个基本的时钟配置是好习惯。
  4. 完成连接与生成输出:点击“Run Block Automation”,让Vivado自动完成一些基础连接(如时钟、复位)。然后点击“Run Connection Automation”,处理剩余的接口。最终,你的Block Design应该看起来简洁清晰,ZYNQ IP核的I2C_0端口已经引出。最后,在“Sources”窗口右键点击你的Block Design,选择“Generate Output Products”和“Create HDL Wrapper”。Vivado会生成最终的硬件描述文件。

这一步的核心就是“告诉”ZYNQ芯片:“请把PS内部的那个I2C硬件控制器,通过特定的MIO引脚引出来。” 生成后的最终产物是一个.xsa文件(旧版本是.hdf文件),它打包了所有的硬件配置信息,是我们接下来构建Linux系统的“图纸”。

3. 系统构建:用PetaLinux打造专属Linux

有了硬件描述文件(.xsa),我们就要为这个硬件定制一个Linux操作系统。这里我们使用Xilinx官方推荐的PetaLinux工具。假设你已经在Ubuntu虚拟机上安装好了PetaLinux(例如2018.3版本),并且已经配置好了环境变量。

打开终端,我们一步步来:

# 1. 设置PetaLinux环境
source /opt/pkg/petalinux/2018.3/settings.sh

# 2. 创建一个PetaLinux工程模板,名字叫`zynq_ov5640`
petalinux-create -t project --template zynq -n zynq_ov5640
cd zynq_ov5640

# 3. 将之前Vivado生成的`.xsa`文件拷贝到工程目录下
# 假设你的.xsa文件名为`system.xsa`,将其放在`zynq_ov5640`目录下

# 4. 导入硬件描述,这一步至关重要,PetaLinux会根据硬件信息自动生成基础设备树
petalinux-config --get-hw-description ./

执行petalinux-config --get-hw-description时,会弹出一个配置菜单。对于初次使用,大部分选项可以保持默认。你需要重点关注几个地方:在“Subsystem AUTO Hardware Settings”里,确认导入的硬件信息是否正

ZYNQ linux环境下PS I2C配置OV5640 liunx ps iic 应用 阅读详情

相关推荐

ZYNQ7035实战:手把手教你用PS端I2C驱动OV5640摄像头(附完整寄存器配置)

本文详细介绍了如何在ZYNQ7035平台上通过PS端I2C驱动OV5640摄像头,包括硬件连接、开发环境搭建、设备树配置、I2C驱动实现及寄存器配置等关键步骤。通过实战案例和完整代码示例,帮助开发者快速掌握ZYNQ与OV5640的高效协同工作,实现高质量的图像采集与处理。

weixin_33737774的博客 561

基于Zynq的OV5640摄像头Linux驱动开发全流程解析

在嵌入式视觉领域,图像采集是连接物理世界与数字算法的关键一环。Linux内核中的V4L2框架提供了统一的多媒体设备抽象,让上层应用无需关心底层硬件差异。理解摄像头驱动的工作原理,涉及I2C寄存器配置、DMA内存搬运、设备树描述以及media controller拓扑管理等多个层面,这些机制共同构成了一条完整的数据通路。掌握这些通用原理后,无论是MIPI还是DVP接口的传感器,都能快速适配。基于Zynq平台,以OV5640传感器为例,从硬件初始化到驱动框架,再到实际部署与排障,系统梳理了Linux摄像头驱动的

cuixie2370的博客 297

ZYNQ PS端I2C驱动OV5640全链路调试指南

I2C总线是嵌入式系统中连接摄像头等外设的基础通信协议,其稳定运行依赖于硬件配置、固件初始化、内核设备树与驱动时序的严格协同。在Xilinx ZYNQ平台中,PS端I2C控制器需经FSBL引脚复用、U-Boot总线使能、Linux设备树绑定及OV5640驱动probe时序四层校验,任一环节缺失(如MIO功能冲突、clock-frequency不匹配、PWDN/RESET GPIO时序错误)均会导致/dev/video0不可见或寄存器读写失败。技术价值体现在对启动链路中隐性约束(如CRF寄存器写入优先级、IC

weixin_30175731的博客 216

ZYNQ PS端Linux驱动OV5640全流程实战

OV5640摄像头驱动是嵌入式Linux中典型的V4L2设备驱动开发场景,涉及I2C通信协议、Device Tree设备树绑定、Linux内核模块配置及用户空间V4L2调试等核心技术。其原理在于通过I2C总线完成SCCB寄存器初始化,借助device tree声明硬件资源并触发内核v4l2-subdev框架自动注册/dev/video0设备节点,最终依托v4l2-ctl等标准工具实现图像采集。该技术具备高复用性与强工程约束性,广泛应用于工业视觉、智能终端和边缘AI推理前端采集系统。本文聚焦ZYNQ平台PS端

weixin_29171129的博客 184

ZYNQ7035实战:OV5640摄像头Linux驱动配置全流程(附设备树源码)

本文详细介绍了在ZYNQ7035平台上配置OV5640摄像头Linux驱动的全流程,包括硬件架构设计、Petalinux工程配置、设备树定制、I2C驱动开发以及VDMA配置等关键步骤。特别针对PS端I2C控制与设备树配置提供了实战细节和源码示例,帮助开发者快速实现嵌入式视觉系统的图像采集功能。

weixin_30555125的博客 377

ZYNQ实战:VDMA驱动OV5640实现HDMI高清视频流传输

本文详细介绍了如何在ZYNQ平台上使用VDMA驱动OV5640摄像头实现HDMI高清视频流传输。通过硬件设计、VDMA核心配置、AXI总线架构及软件调试等关键环节的深入解析,帮助开发者高效构建视频处理系统,解决画面撕裂、数据同步等常见问题,并提供了性能优化策略。

weixin_30482383的博客 213

Linux下FPGA驱动OV5640摄像头:设备树、V4L2与VDMA全流程解析

在嵌入式Linux开发中,摄像头驱动的实现往往涉及从硬件传感器到应用层的完整数据链路。以OV5640 CMOS图像传感器为例,其输出数据需经FPGA逻辑转换、AXI VDMA搬运至DDR内存,最终由Linux内核的V4L2框架统一管理。这一过程不仅包含硬件接口与时序配置,更依赖设备树对I2C设备、时钟和复位引脚的精确描述,以及驱动层与用户空间的协同配合。理解V4L2子设备机制、VDMA多缓冲策略和像素格式匹配,是解决图像黑屏、颜色错乱及帧率不足等常见问题的关键。本文面向具有一定FPGA基础、初次在Linux

weixin_29159441的博客 157

Zynq+FPGA跑Linux驱动OV5640摄像头:从硬件链路到V4L2调试实战

嵌入式图像采集系统常由CMOS图像传感器、FPGA逻辑和Linux驱动三部分组成,其中FPGA负责高速并行数据的时序转换与DMA传输,Linux则通过V4L2框架统一管理视频设备。OV5640作为一颗500万像素、支持DVP和MIPI输出的CMOS传感器,凭借低成本和高灵活性,成为Zynq等FPGA开发板上验证图像链路的热门选择。在Zynq架构中,PS侧运行Linux系统,PL侧实现像素时钟域到AXI总线的跨时钟域搬运,借助VDMA将帧数据直接写入DDR内存,应用层设备节点/dev/video0即可按标准V

weixin_29163797的博客 208

FPGA+Linux下OV5640摄像头V4L2驱动实战

V4L2是Linux视频子系统的核心抽象框架,其本质是将硬件图像采集设备统一建模为标准字符设备,并通过ioctl接口实现帧格式、缓冲区、流控等控制。在FPGA嵌入式视觉系统中,OV5640作为典型DVP接口CMOS传感器,需由FPGA完成时序控制、数据打包与DMA搬运,再经platform_device机制被Linux内核识别为video_device。这一过程高度依赖设备树声明、AXI总线地址映射、DMA连续内存管理及V4L2 ioctl调用链的精准实现。fpga图像处理与v4l2摄像头采集的协同,关键在

weixin_30110543的博客 319

手把手教你用Vivado2022.2在Zynq7020上搭建MIPI CSI-2视频采集系统(OV5640摄像头+HDMI输出)

本文详细介绍了如何使用Vivado2022.2在Zynq7020上搭建MIPI CSI-2视频采集系统,涵盖OV5640摄像头配置、MIPI CSI-2 RX Subsystem设置、HDMI输出全流程。通过硬件连接、IP核配置、时钟设计及Vitis SDK软件调试等步骤,帮助开发者快速实现嵌入式视觉系统开发,特别适合FPGA和Xilinx平台的应用。

weixin_30553777的博客 478

Zynq-7000 OV5640图像采集与HDMI输出全流程实现

FPGA图像采集系统核心在于传感器驱动、跨时钟域同步与实时视频流处理。OV5640作为主流CMOS图像传感器,需精确控制I2C初始化时序、像素时钟对齐及RGB565/RAW10数据格式适配;而HDMI输出则依赖严格的TMDS电平匹配、VID_CLK时钟约束与零拷贝AXI Stream流水线设计。该技术方案面向Zynq-7000平台,覆盖从硬件接口建模、PL端同步器实现、PS端Linux V4L2驱动集成到实时图像处理加速的完整链路,适用于嵌入式视觉、工业检测与教学实验等场景,强调可复现性、无IP依赖与量产就

weixin_29185493的博客 243

基于ZYNQ 7010与OV5640的实时边缘检测系统:FPGA硬件加速与PYNQ软硬件协同实践

边缘检测是计算机视觉中一项基础且关键的图像预处理技术,其核心原理是通过计算图像中像素灰度的梯度变化来识别物体轮廓。传统软件实现(如OpenCV)在资源受限的嵌入式场景下面临实时性挑战。FPGA凭借其并行流水线架构,能够对Sobel等算子进行硬件加速,实现像素级流式处理,从而在功耗和延迟上获得数量级优势。这种硬件加速技术广泛应用于无人机避障、工业视觉检测等对实时性要求极高的领域。本文以经典的**ZYNQ 7010 SoC**平台和**OV5640摄像头**为例,详细阐述了如何构建一个完整的软硬件协同边缘检测系

weixin_33788244的博客 380

ZYNQ YNQ 7010与OV5640嵌入式视觉系统:从FPGA逻辑到PYNQ软硬件协同设计实战

嵌入式视觉系统是计算机视觉在资源受限设备上的关键应用,其核心在于通过专用硬件实现高效图像处理。FPGA(现场可编程门阵列)凭借其并行处理能力和可重构特性,成为实现低延迟、高能效视觉算法的理想平台。ZYNQ SoC将ARM处理器与FPGA逻辑紧密结合,通过软硬件协同设计,既能运行复杂操作系统,又能利用硬件加速处理图像数据流。这种架构特别适合实时视频处理、边缘计算等场景,其中OV5640摄像头传感器因其性价比高、接口简单而广泛应用。本文以ZYNQ 7010和OV5640为例,深入探讨如何构建完整的视频采集与处理

weixin_33910460的博客 430

jaka+realsense+aruco+手眼标定(python)

第二次重建了项目的手眼标定部分……有很多第一次记录遗漏的地方,在此补充。

drivenzyw的博客 2126

VSCode上搭建C/C++开发环境(vscode配置c/c++环境)Windows系统---保姆级教程

关于VSCode上搭建C/C++开发环境的内容,到这里就结束了,这里博主感叹一下,VSCode真的挺强大的,作为一个编辑器,可以通过和编译器链接成为开发环境,将环境配置好的话,在这上面写代码似乎也是个不错的选择。大家有任何疑问,欢迎在评论区中提出,本篇博客有任何问题和错误也欢迎来和博主讨论,真心希望能和大家一起进步。最后,如果本篇博客对你有帮助的话,能不能给博主一个三连啊!

2303_79329831的博客 8万+

Imagiq AI-PQ 图像质量增强模块详解:联发科 ISP 中的 AI 图像管线实战解析

随着智能手机影像系统对图像质量要求的持续提升,联发科在其 Imagiq ISP 中引入了 AI 驱动的图像增强模块——AI-PQ(AI-based Picture Quality),通过 AI 模型对亮度、色彩、噪声、锐度等多个维度进行动态调节与增强,实现更加智能化和个性化的图像输出效果。AI-PQ 在实际工程中已成为影响照片风格、视频观感和多模组一致性的核心能力之一。本文围绕 Imagiq 平台最新一代 AI-PQ 模块(2024-2025年量产平台为基础),结合实机开发与调优经验,深入剖析其各子模块的算

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1428

SIMULINK开发项目实例 1000 例专栏之第960例--基于电力系统稳定性的建模与仿真场景:-含分布式电源的配电网电压稳定性研究

间歇性与随机性:例如,太阳能依赖于日照强度,风能依赖于风速,这使得它们的输出功率具有不确定性。逆变器接口:大多数分布式电源通过逆变器接入电网,这对电网的动态响应特性产生了影响。位置分散:通常分布在用户侧或靠近负荷中心的位置。本文详细介绍了如何使用Simulink结合Simscape Electrical 构建一个用于研究含分布式电源配电网电压稳定性的模型,并提供了详细的仿真流程说明。

xiaoheshang_123的博客 157

数据仓库数据质量监控和处理方法最佳实践

指的是检查数据是否存在反常或者错误的情况,例如数值反常地过大或者过小,或者超过记录的波动值,对应的规则包括数值波动检查,最大值、最小值检查,跨表准确性等。指的是检查数据是否存在缺失的情况,这里的缺失可以是整个数据集的记录缺失,也可以是某个字段记录的缺失,对应的规则包括空值检查,表总行数检查。指的是检查数据是否符合规范,是否按照规定的格式存储,对应的规则包括正则表达式检查,字段长度检查,枚举集合检查,数值范围等。指的是检查哪些数据是重复数据或者数据的哪些属性是重复的,对应的规则例如主键唯一性检查。

大模型大数据攻城狮的专栏 900

使用C#实现Padim算法的训练和推理:智能缺陷检测的前沿技术

Padim (Patch-based Deep Image Model) 是一种用于无监督异常检测的深度学习算法。它通过提取图像中的局部特征(patch),并在这些特征上构建一个正常样本的分布模型来识别异常。无监督学习:不需要标注数据,适用于缺乏标签的情况。局部特征提取:通过卷积神经网络提取图像的局部特征(patch)。低秩近似:利用低秩近似构建正常样本的协方差矩阵,有效降低计算复杂度。鲁棒性强:能够处理多种类型的缺陷和噪声。

墨夶的博客 1018

【5】GD32H7xx CAN发送及FIFO接收

GD32H7xx CAN收发调试记录,包含源码

madao1234的博客 1827

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

深度学习工具包 DeepLearningToolbox

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")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: Vue项目实战:利用jsmind构建可交互的组织架构与思维导图
下一篇: Weston.ini配置全指南:如何正确设置屏幕旋转(附Buildroot实战案例)
寂静夜空35
博客等级 码龄3年 60粉丝 1797原创
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  | 博主筛选后可见
 
 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