RK3588接入C-PHY摄像头:从“Only CSI2 supported”报错到驱动修复实录

RK3588与RK3588S工业AI选型实战指南 工业AI边缘计算芯片选型,本质是算力、接口、散热与工况的系统工程。RK3588和RK3588S虽同源,但在NPU实际吞吐、PCIe链路稳定性、USB PHY ESD防护及宽温可靠性等关键维度存在显著差异——这些差异不体现在参数表中,却直接决定模型部署成功率、产线不良率与全生命周期成本。例如,FP16量化支持不足会导致工业质检漏检率上升,PCIe 2.1协议缺陷引发图像丢帧,低等级ESD防护使设备在静电产线月故障率达12%。面向工业AI项目落地,需从真实场景反推芯片能力边界:多路视频分析倾向RK3588,车载 阅读详情

看到 dmesg 里刷出“Only CSI2 supported”,又看了一眼手中板卡的硬件连接,RK3588 的 C-PHY 摄像头驱动升级这件事,当时真的有点让我头皮发麻。这块板子之前跑 D-PHY 传感器一直很稳,换上一颗只支持 C-PHY 输出的传感器后,从驱动日志到取流链路全都“不认账”。折腾了几天,从内核报错定位到 PHY 驱动补丁,再到 media 链路成功出图,整个过程踩了不少从网上资料里根本找不到的坑。今天把这套排查思路和实操过程完整写下来,希望能帮后续做到 RK3588 + C-PHY 摄像头方案的人少走几步弯路。

如果你也是做嵌入式视觉、需要在 RK3588 这类平台接入 C-PHY 摄像头,或者正在被“Only CSI2 supported”之类的内核日志卡住,这篇文章会比较适合你。即使你还没遇到 C-PHY,看完你对 D-PHY 和 C-PHY 在驱动侧的区别、设备树到底配什么、取流前要用哪些调试手段,也会有个更系统的认知。

1. 报错现场:一条串口日志引发的深夜排查

1.1 背景:为什么会有这次 C-PHY 升级

我手上的方案算是一个比较典型的 RK3588 视觉主板:一颗主控,带两路 MIPI CSI 输入,默认跑的是常见的 D-PHY 传感器模组,内核版本是基于 Rockchip SDK 的 5.10 内核。D-PHY 这条链路当时已经调得很顺,v4l2 取流、ISP 的 3A 统计都没什么问题。

但这次的新项目选型,sensor 输出只有 C-PHY,没有 D-PHY 模式。原因是这个 sensor 像素高、帧率要求也高,用 D-PHY 需要 4 lane 并且跑到比较高的 bitrate,线材和 PCB 设计会很吃紧。换成 C-PHY 之后,用三组 trio 就能顶住同样带宽,而且 C-PHY 的电磁干扰特性在长排线上也要好一些。这类“高分辨率 + 高帧率”的传感器,在最近的车载和工业视觉项目里越来越常见,所以 RK3588 上被拉起来做这类升级的频率也会高不少。

当时我想得比较简单:RK3588 的 SoC 规格里明确支持 MIPI C-PHY,驱动层无非把设备树里的 phy-mode 改成 cphy,或者加一两个配置位。结果真正接上去,内核直接给了我一句“Only CSI2 supported”,后面的事情就没这么轻松了。

1.2 报错坐标与先手排查

先看现场。板子启动后,sensor 的 i2c 探测是正常的,能读到芯片 ID,但一旦执行 media 链路枚举或者 sensor 主动发起 streaming,dmesg 里就会出现类似这样的内容:

csi2-dphy0: only CSI2 supported
rkisp0: rkisp_stream_on failed

第一次看到这个日志,我第一反应是编译内核的时候少开了某个配置项。于是我把内核 menuconfig 里无论是 PHY_ROCKCHIP_MIPI_RX 、 PHY_ROCKCHIP_DPHY_RX 还是 ROCKCHIP_CIF 、 VIDEO_ROCKCHIP_ISP 全部翻出来看了一遍,确认都是开启状态。然后又检查设备树里 csi2_dphy0 和 mipi_dcphy0 的 status,也都是 okay。

接着我用 media-ctl -p 想看子设备拓扑,结果链路停在 sensor 的实体上,sensor 和 ISP 之间的 v4l2 subdev 链接根本没建立起来。也就是说,问题发生在 PHY 或者 CSI 控制器一侧,还没有走到 ISP 部分。

我又查了 sysfs 下 phy 节点:

ls /sys/class/phy/

能看到有 phy-ffab0000.csi2-dphy0 这类节点,但调用 phy_power_on 的时候,驱动内部就是直接拒绝。问题基本锁定在 PHY 驱动对 C-PHY 模式的识别与处理上。这里先记一句话: 如果是老 SDK 的 RK3588 内核,默认的 csi2 组合 PHY 驱动很可能只做了 D-PHY 分支 ,所谓“Only CSI2 supported”并不是说 SoC 不支持,而是驱动里没实现。

2. 为什么要改驱动:C-PHY 和 D-PHY 的底层差异

2.1 两者的物理层差异

很多做应用层的同学会把 D-PHY 和 C-PHY 混在一起来理解,以为只是传输协议版本不同。实际上,这两者在物理信号层是完全不一样的。

D-PHY 是传统的 source-synchronous 架构:一组差分时钟 lane,加上一组差分数据 lane,通常配置成 1 clock + 1/2/4 data。接收端要用时钟 lane 来做数据采样,协议相对直观,设备树里写 data-lanes 的时候,对应到 V4L2 fwnode 解析也比较直接。

C-PHY 则没有独立时钟 lane。它把数据编码成“3-phase symbol”发送,通过三根线构成一个 trio,每一组 trio 内部不依赖外部时钟,时钟信息直接嵌在 signal 转换里。因此,C-PHY 的物理通道是一个个 trio,而不是一对对差分线。单从接口 pin 数来看,C-PHY 更省:3 个 trio + 电源地,往往能代替 1 个时钟 lane + 4 个数据 lane。

这也是为什么驱动不能“简单把 data-lanes 改一改”就行。D-PHY 的接收器需要做时钟 lane 的 off/on 训练、差分信号放大器;C-PHY 的接收器则需要对 trio 进行 3-phase 解码、符号同步、眼图调校。两者的寄存器配置、时序参数甚至 PHY 内部的 PLL 参考时钟选择都不同。

2.2 在 RK3588 中,C-PHY 真正的关键代码位置

RK3588 的摄像头路径通常涉及三个角色:sensor 驱动、CSI2 控制器、PHY 驱动。报错的那句“Only CSI2 supported”,在不同 SDK 版本里可能打印来自不同文件,但一般集中在 P

给嵌入式新人的MIPI CSI-2入门指南:从D-PHY物理层到图像数据流,一次讲清楚 本文为嵌入式开发者提供MIPI CSI-2协议的实战指南,从D-PHY物理层信号解析到图像数据流处理,详细讲解RK3588开发板连接IMX415摄像头模组时的配置技巧和常见问题解决方案。通过寄存器配置示例和逻辑分析仪波形分析,帮助开发者快速掌握MIPI接口的调试与优化方法。 阅读详情

相关推荐

GC2145摄像头在RK3588上DVP调试失败的寄存器时序原理与实战

DVP接口摄像头(如GC2145)并非即插即用设备,其本质是依赖严格物理层时序握手的并行同步总线设备。理解PCLK建立/保持时间、VSYNC/HSYNC脉宽约束、复位与PWDN电平协同等底层时序原理,是解决sensor无法probe、I2C响应超时、video节点缺失等故障的关键。这类问题常被误判为驱动或设备树错误,实则根源于CMOS sensor内部状态机未正确迁移——需按Power Down→Reset→Clock Enable→Analog/Digital Setup→Streaming六阶段精确配置

weixin_34152820的博客 481

RK3588运行Ubuntu的硬核真相:架构适配与rootfs构建

ARM64嵌入式系统如RK3588运行Ubuntu并非简单刷镜像,其本质是跨架构Linux发行版移植问题。核心在于ARM64指令集、Rockchip专有IP核与Linux内核ABI的强耦合关系——从U-Boot启动流程、设备树绑定、固件二进制兼容性,到rootfs构建与交叉编译链一致性,每层都需精确对齐。rootfs不是解压即用的文件系统快照,而是必须经架构适配、依赖裁剪、硬件初始化注入的定制产物;而交叉编译链(如aarch64-linux-gnu-gcc)决定用户空间二进制的可执行性与性能边界。典型应用场

weixin_34167819的博客 413

RK3588开发联调实战:从硬件到应用的全链路排查指南

嵌入式Linux开发中,联调诊断是决定项目进度的关键环节。对于搭载多核CPU、GPU和NPU的AIoT芯片而言,系统性问题往往跨越硬件、驱动、系统与应用多个层级。RK3588作为瑞芯微旗舰平台,其调试涉及串口、ADB、设备树、内核日志等基础工具链,同时还需要关注PWM风扇转速、YOLOv8模型部署、RTSP视频流等典型场景。通过分层排查思维,从硬件信号测量到动态调试开启,再到NPU与DDR带宽分析,能够系统化定位根因。掌握PWM捕获、设备树配置、性能监控等实操技巧,可显著提升外设调试效率。本文结合工程实践,

weixin_42524226的博客 278

RK3588 Linux摄像头3A调试全链路指南:ISP固件、DTS配置与AWB/AE调优

图像信号处理(ISP)是嵌入式视觉系统的核心环节,其自动白平衡(AWB)与自动曝光(AE)能力直接决定成像质量。在Rockchip RK3588平台中,3A功能并非内核驱动内置,而是依赖用户态rkisp1服务、匹配的ISP固件、精准的设备树(DTS)描述及校准数据(如awb.bin)协同工作。原理上,AWB通过色温查找表(CCT LUT)建模光照光谱响应,AE则基于直方图统计动态分配光子捕获权;技术价值在于实现低照度细节保留、高光压制与肤色还原等工业级成像需求。典型应用场景包括智能安防、车载视觉与边缘AI相

weixin_33755557的博客 471

RK3588无人机全栈飞控:视觉SLAM+AI识别+实时控制一体化实现

嵌入式AI与实时控制融合是边缘智能的核心命题。其本质是在资源受限的硬件上,实现感知(如视觉SLAM)、理解(如目标识别)、决策(如MPC或PID)与执行(如PWM输出)的确定性闭环。关键技术挑战在于端到端延迟稳定性、多源传感器时间同步、NPU与CPU协同调度,以及操作系统级实时性保障。RK3588凭借MIPI CSI-2硬同步、6TOPS NPU、ARM+NPU异构架构及成熟Ubuntu生态,成为少有的能兼顾AI算力、确定性延迟与工程可调试性的SoC平台。本文聚焦其在无人机自主导航中的落地实践,覆盖ORB-

weixin_34252686的博客 1028

RK3588四路AI导播系统实战:端侧实时视频处理与低延时推流

边缘AI导播系统是嵌入式音视频与人工智能融合的关键落地场景,其核心在于多路高清视频采集、硬件加速的AI推理、跨模块时间同步及低延迟编码推流。基于RK3588平台,通过MIPI-CSI带宽优化、NPU直连DMA-BUF内存池、HDMI转MIPI桥接设计与YOLOv8s轻量化部署,可实现4路1080p@30fps输入下的端到端420ms超低延迟导播。该方案兼顾工业级稳定性与成本敏感型部署需求,适用于教育直播、政务会议、产线巡检等需本地化、高可靠、弱网适应的AI视频处理场景,为边缘计算设备提供可量产的音视频+AI

weixin_34236869的博客 437

Agent就绪度:硬件工程师的端侧智能新标尺

Agent作为新一代智能软件范式,正推动计算逻辑从云/端分离转向端侧闭环决策。其核心诉求并非单纯提升算力,而是要求硬件具备确定性时序、异构资源可编程、安全边界可验证、状态持久化鲁棒四大能力。这本质上是对嵌入式硬件架构的底层重构——从执行容器升级为可信、可调度、可审计的智能体运行平台。在工业边缘网关、智能车竞赛硬件、医疗陪护机器人等典型场景中,传统硬件常因时序抖动、驱动签名失败、断电记忆丢失等问题导致Agent行为失稳。本文聚焦Agent软件底座开放背景下的硬件适配实践,系统解析如何通过SoC选型、Linux

weixin_34008805的博客 1214

制作 img系统镜像的详细方法

      I.MX6开发板目前支持从TF卡和eMMC启动,启动时,由于各个不同的启动文件对路径有不同的要求,例如uboot文件要求位于启动设备的某个块,dtb文件要求在FAT分区上,文件系统要求在Linux分区上,基于此,我们目前采用将映像制作成img文件的方式,这样可以更简单完成对启动卡的制作。 关于如何制作img,方法如下:方法一  Windows下面利用Win32工具1.   准备我司提供...

armkits的博客 4万+

告别过热焦虑:用Ansys Icepak给你的电子设备做个“水冷体检”(附冷板案例全流程)

本文详细介绍了如何利用Ansys Icepak进行电子设备水冷系统的热仿真分析,帮助工程师解决设备过热问题。通过冷板案例全流程演示,展示了从几何处理、材料设定到求解器设置和后处理的关键步骤,提升散热设计效率与准确性。

weixin_29299807的博客 443

SAP 人力资源工资配置项3---工资项配置

工资项设置

xiouluoyang的专栏 1万+

RL调参侠之BipedalWalker BipedalWalkerHardcore SAC

前几天用PPO训练了个很一般的agent: RL调参侠之BipedalWalker PPO 我看SpinningUp上面说PPO和SAC是两个领域里各自的State_of_the_art的方法,所以就打算跑SAC试试看,之前因为Open AI Five的原因,一直感觉PPO很牛掰,实际上现在很多自动驾驶的算法也是用PPO在跑,毕竟有一个“必定能够提升期望”的理论保证在这里,我理解这对做项目很大的诱惑。 不过我跑出来的结果明显是SAC更好。 调参侠时间 策略熵的权重alpha用的0.2,我一开始没有看SAC的

weixin_48370148的博客 2104

图解基站机房:AAU、RRU与BBU之间的线缆连接与规格选择

本文以图解方式详解了5G基站机房中AAU、RRU与BBU三大核心设备之间的线缆连接方案与规格选择。重点阐述了电力线(如2×10 mm²直流电缆)、数据光缆(如野战光缆与波分复用)及射频馈线的功能、选型标准与实战布线法则,为通信工程部署与维护提供清晰指导。

weixin_29306011的博客 518

#Linux内存管理# 用一个案例详细介绍ARMv7-A架构 缺页中断处理的原理

跳转到异常向量:根据 异常向量表基地址(通常配置在 VBAR 寄存器中,例如 0xFFFF0000) + 数据中止异常的偏移量 0x10,跳转到数据中止异常的处理程序入口点 0xFFFF0010(实践中,这个入口通常是一条跳转到更复杂处理函数的指令)。malloc 通常不会立即分配物理内存页,它只是在内核为该进程维护的虚拟地址空间中找到一段足够大的空闲虚拟地址区域(比如 0x00008000 - 0x00008FFF),标记为已用,并返回起始地址(例如 0x00008000)给程序。

sinat_37817094的博客 994

python解析通达信dat与blk数据文件【附源码】

本文介绍了一个完整的通达信金融数据解析器项目,该项目攻克了通达信专有二进制文件格式解析的技术难题。项目采用模块化架构,从基础二进制解析到增强数据分类,最终实现智能语义化列名生成,形成完整的数据处理链路。核心技术包括自适应编码检测、智能数据类型推断和基于业务规则的语义化处理,解决了逆向工程、多编码兼容性等挑战。项目成果显著,解析成功率达100%,数据可读性大幅提升,开发效率提高50%,为量化交易、可视化分析等场景提供了可靠数据支持。该方案不仅具备技术创新性,更具有实际工程应用价值,为金融数据分析领域提供了可复

qq_36224726的博客 2699

【Flink】FLink session yarn kerberos认证报错 PortUnreachableException: ICMP Port Unreachable

本篇博客是在上一篇博客:【Flink】FLink session yarn kerberos认证报错 KrbException: Cannot locate default realm还没找到原因的时候做的一次尝试。因为项目需要,我们需要对接华为认证的yarn集群,运行flink任务,我们的任务分为两种,yarn pre-job模式和flink session模式。我们在配置文件中配置如下# kerberos认证需要的东西提交任务的脚本如下。

九师兄 1267

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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")

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

上一篇: 超声波测距系统设计:温度补偿与定时器溢出实战
下一篇: STM32多VL53L0x测距:I2C地址冲突解决与地址修改完整指南
爱浪的刀
博客等级 码龄10年 86粉丝 8915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