MTK平台充电调试全解析:从硬件通路到快充协议

MTK平台Type-C接口的PD协议与充电IC驱动深度解析 本文深度解析了在MTK平台上Type-C接口的USB-PD协议与充电IC驱动的协同工作机制。从硬件管脚设计、PD协议栈的握手流程,到Linux内核中TCPM/TCPC驱动与充电驱动的数据交互,提供了完整的实战视角与调试方法,帮助嵌入式工程师彻底掌握PD快充的开发与问题排查。 阅读详情

一直做手机方案和底层调试的朋友,大概率都碰过MTK平台的充电问题。新项目从EVT到量产,充电这个模块看起来只是"插上就充",实际把预充、恒流、恒压、快充协商、温度策略、电量计校准全串起来后,涉及的范围比想象中大得多。我最早在MTK平台调充电时也被各种概念绕晕过,比如CC/CV切换、Pump Express握手、充电IC的寄存器初始化顺序、电池NTC曲线匹配等等,整完一轮下来才慢慢把整个链路理清楚。这篇不写官方案例式的操作手册,就按我实际调MTK平台的思路,把充电原理从硬件通路、协议协商、软件框架到常见坑位完整拆一遍,适合刚接手MTK项目充电调试的驱动工程师、FAE、以及想了解底层充电逻辑的硬件和系统工程师。

1. 充电系统整体架构与核心环节

1.1 从适配器到电池的关键链路

MTK手机平台的充电路径,本质上是一个从外部电源到电池的功率传输和控制回路。最常见的形态是:适配器通过USB接口进入,经过充电IC,再流向电池。充电IC是整个回路的执行机构,PMIC和CPU则是控制机构。MTK平台的主流方案里有两种典型架构,一种是独立的充电IC加上PMIC内置的控制逻辑,比如常见的中功率快充方案;另一种是PMIC内部集成充电功能,省掉了外置充电IC,适合低功率慢充场景。实际项目里,手机要做快充、大电流、多种协议兼容,基本都是外置充电IC为主。

这里有一个容易被忽视的点,充电通路不只是充电IC到电池一根线。适配器的VBUS进来后,会先经过一个过压保护开关或者充电IC内部的OVP电路,再进入充电MOSFET。充电IC内部至少有两路功率管,一路是BUCK降压管,负责从VBUS到电池电压的调整,另一路是电池侧的反向保护管,避免电池电压回灌到VBUS。MTK平台的充电IC一般还会集成一个充电路径管理功能,也就是OTG反向供电,让手机可以给外部设备供电。调试的时候要是发现OTG不工作,很多人会去查GPIO配置,实际上充电IC的OTG使能寄存器和VBUS反向通路没打开,也会导致同样的现象。

电池侧的连接也不是简单正负极。电池包里通常有NTC热敏电阻,用于温度采集;有的还带BQ27xxx之类电量计IC,通过I2C上报电压、电流、电量百分比。温敏电阻采样一般是PMIC或充电IC通过ADC获得NTC电阻值,用来计算电池温度。这里就涉及一个很常见的坑:电池NTC上拉电阻和分压电阻选择不同,ADC读出的电压范围就不一样。MTK平台里,这个上拉电阻有些放在PMIC内部,有些放在板子上。改板或换电池供应商后,NTC曲线对不上,温度误判成50度甚至-10度,充电被限制或直接停止,这类问题我遇到不止一次。

1.2 MTK与高通充电设计的差异点

做驱动的人问得最多的一个问题是MTK和高通有什么区别。从充电原理角度看,两者的核心框架高度相似,都是适配器握手、充电IC执行、PMIC和CPU监控保护。但MTK和高通在软件架构和默认策略上有明显差异。

高通平台,充电管理通常被集成进PMIC,加上一个单独的SMB系列或PMI系列充电IC,软件上使用QPNP框架,很多参数在设备树里配置,代码逻辑相对集中。MTK平台则更依赖外置充电IC,配合MTK自己的mux和PMIC电源管理框架,代码分散在充电IC驱动、mtk_charger、电量计驱动、温度控制等多个模块里。MTK还有个特点,它的充电IC驱动抽象层做得比较"统一",很多厂家IC注册同一套接口,切换充电IC型号时不需要重写整个上层策略,这一点在快速定制项目里很实用。

另外,MTK平台的充电控制节奏更重"策略协商"。比如充电电流不是简单地根据适配器能力设置一个固定值,而是由MTK充电框架根据适配器类型、USB类型、系统负载、电池温度、充电阶段、快充协议协商结果等综合决定。高通也有类似策略,但MTK在默认参数上更偏向保守,很多项目不调参数直接跑,充电速度会慢一大截。相反,如果只为了跑分把电流拉满,发热和电池加速老化又会立刻暴露。理解这个分配逻辑,比单纯记住某个寄存器更有用,因为每个项目的电池容量、内阻、热设计都不一样,标定充电参数本来就没有一套万能值。

2. 充电协议与快充协商的底层逻辑

2.1 BC1.2识别与充电器类型判断

MTK平台在插上USB或充电器后,首先要判断适配器和USB端口的类型,这一步通常由充电IC或PMIC的USB检测模块完成。简单说,系统需要知道来源是标准USB端口、充电器、还是支持快充的适配器。BC1.2是USB电池充电规范里的经典协议,通过D+/D-线路上的电压来判断。比如D+和D-同时短路时,大概率是DCP专用充电口,也就是普通充电头;如果D+/D-有数据通信信号,则是SDP标准下行端口,能拿到的电流很小;还有CDP是带数据又能充电的端口,在现代手机上已经很少见。

MTK的充电ID检测还会把"非标准适配器"单独归一类,比如很多山寨充电头D+/D-

MTK充电链路深度解析:从VBUS到电池的调试实战 锂电池充电看似简单,实则是一条从VBUS输入到电池内部的复杂链路,涉及充电IC、状态机、协议协商与多重保护机制。理解充电架构与四段式充电状态机(涓流、预充、恒流、恒压)是定位充电问题的基石,而快充协议如BC1.2、PE与PD的协商过程直接影响充电功率与兼容性。与此同时,JEITA温度规则、充电Watchdog及MIVR最小输入电压调节等保护机制,决定了系统在异常场景下的安全兜底。掌握从sysfs节点、内核日志到I2C寄存器的调试方法,能快速识别NTC温度失真、VBUS压降过大、EOC设置不当等典型故障。本文 阅读详情

相关推荐

MTK6769平台Type-C充电与PD协议调试实战解析

Type-C充电已成为智能设备的主流供电方式,其核心在于通过CC管脚实现插入检测与协议协商,而PD协议则负责动态调整电压电流档位。理解Type-C物理层、协议层与策略层的协同机制,是解决充电慢、不充电等问题的关键。在Android 15环境下,软件栈涵盖内核typec/tcpm框架、设备树配置及充电策略服务,调优需结合sysfs节点与温控联动。本文基于MTK6769平台的工程实践,拆解从硬件管脚设计、PD握手调试到软件适配的完整链路,分享PDO/PPS协商、Hard Reset排查、E-Marker识别等高

weixin_33857679的博客 386

MTK Pump Express快充驱动:从DTS配置到电流调优的实战解析

本文深入解析MTK Pump Express快充驱动的DTS配置与电流调优实战,涵盖MT6370外置充电IC的硬件准备、DTS关键参数设置及驱动层调优技巧。通过具体代码示例和常见问题排查指南,帮助开发者实现高效稳定的快充方案,特别针对MTK平台的充电电流控制与温度保护策略进行详细说明。

weixin_30315723的博客 432

MTK6769平台Type-C充电调试全流程:从硬件管脚到PD协议与Android 15排查

Type-C接口充电看似简单,实际却涉及硬件管脚定义、PD协议协商、系统电源管理等多层技术协同。尤其是PD(Power Delivery)协议,通过CC线进行双向数字通信,实现了电压电流的智能协商,成为现代快充的核心技术。与此同时,Android系统在Type-C状态管理和充电策略上不断演进,Android 15进一步统一了相关框架,让调试更依赖日志与状态机分析。理解PD与QC等协议的差异,掌握CC检测、SrcCap协商、PDO选择等关键环节,能帮助开发者快速定位不充电、慢充或投屏干扰等工程问题。本文结合M

weixin_33976072的博客 446

IP2726快充协议IC实战:如何用USB-A和Type-C双口打造高效充电方案

本文深入解析了IP2726快充协议IC在USB-A和Type-C双口充电方案中的实战应用。通过详细解读IP2726数据手册,从芯片选型、协议支持、双口功率动态分配策略,到PCB布局、散热设计及量产测试,提供了一套完整的全链路设计指南,帮助开发者打造高效、稳定且兼容性强的充电产品。

r2s3t4的博客 522

MTK平台按键开发全解析:GPIO按键、PMIC内建键与矩阵键盘

在嵌入式Linux开发中,按键作为最常见的输入外设,其实现原理看似简单,实际上却与GPIO、中断、input子系统、设备树等底层机制紧密相关。不同硬件平台对按键的处理方式差异明显,尤其在MTK方案中,按键不仅包括普通的GPIO按键,还涉及PMIC内建按键、矩阵键盘控制器以及独特的DWS引脚配置逻辑。理解这些模块的分工与协作,是BSP工程师正确配置按键、定位事件上报问题的前提。从设备树节点、keycode映射到上层事件分发,再到关机充电、组合键等特殊场景,每一步都可能引入潜在故障。本文以工程实践视角,系统梳理

weixin_29192141的博客 264

Type-C集群快充系统设计:18路PD3.1 EPR协议供电架构

USB Type-C快充协议是现代移动设备高效供电的核心技术基础,其本质是通过CC线通信与PD/PPS/EPR等分层协议实现动态电压电流协商。理解协议栈工作原理、芯片级电源路径设计及多通道协同管理机制,对构建高兼容性、高可靠性的集中供电系统具有关键工程价值。本文围绕18路Type-C集群快充平台展开,深入解析PD3.1 EPR扩展功率范围与IP6557协议芯片的硬件实现逻辑,覆盖从USB PD协议握手、同步降压拓扑设计到INA226高精度电流采样的全链路技术要点,适用于数码维修站、实验室集中供电、产线老化测

weixin_29903713的博客 125

通用充电器快充协议识别实战:QC电平与PE电流脉冲解析

通用充电器的核心难点往往不是输出功率,而是对快充协议的准确识别。充电识别作为嵌入式开发与硬件设计交汇的基础环节,决定了设备能否安全、高效地进入快充状态。在主流方案中,高通QC2.0/QC3.0将电压请求编码为D+/D-引脚上的0.6V与3.3V电平组合,而MTK Pump Express则绕开数据线,改用VBUS电流通断时序传递调压指令,两类协议形态迥异,却共用同一根USB线缆。理解这些握手原理,有助于工程师在充电器、车充、多口座等场景中设计出兼容性更佳的产品。文章从电平档位表、INOV步进逻辑、PE电流边

weixin_33841503的博客 265

MT6762平台参考设计全解析:从电源到存储的硬件链路

在智能硬件研发中,芯片组的协同设计是整机稳定运行的基石。以MT6762应用处理器为核心,配合MT6357电源管理、MT6371充电协议控制、MT6177M射频收发、MT6631无线连接以及eMMC+LPDDR4X存储组合,构成了一条完整的“取电-供电-计算-存储-通信”硬件链路。理解PMIC上电时序、LPDDR4X信号完整性、射频阻抗匹配等关键设计,能帮助工程师有效规避启动异常、内存随机死机、灵敏度劣化等典型问题。这类参考设计广泛适用于4G智能终端、行业平板、手持设备等产品的方案选型与调试优化。通过深入拆解

weixin_29193259的博客 335

leetcode分类-codewars:代码战

leetcode 分类二元加法 (7 kyu) 实现一个函数,将两个数字相加并以二进制形式返回它们的和。 可以在添加之前或之后进行转换。 返回的二进制数应该是一个字符串。 人口增长 (7 kyu) 在一个小镇,年初人口为 p0 = 1000。 人口以每年 2% 的速度定期增加,而且每年有 50 多名新居民来到该镇居住。 该镇需要多少年才能看到其人口大于或等于 p = 1200 名居民? 第一年年底将有:1000 + 1000 * 0.02 + 50 => 1070 居民 在第 2 年结束时将有: 1070 + 1070 * 0.02 + 50 => 1141 居民(居民人数为整数) 第 3 年结束时将有:1141 + 1141 * 0.02 + 50 => 1213 这将需要整整3年。 更一般的给定参数: p0,百分比,aug(每年来或离开的居民),p(超过的人口) 函数 nb_year 应该返回使人口大于或等于 p 所需的 n 整年数。 aug 是整数,百分比是正数或空数,p0 和 p 是正整数 (> 0) 示例:nb_year(1500, 5, 100, 5000) -> 15 n

python3大炮游戏.zip

w和s(上移键和下移盘)控制上下 a和d(左移键和右移盘)控制力度 我会在几个月后做出双人对战的 不过需要安装pygame

ArcGIS:根据DEM数据提取区域水系

利用DEM数据提取区域水系是常见的水文分析应用,为了获取区域的矢量水系数据,我们可以通过ArcGIS对高程DEM数据进行水文分析,为地表水流建立模型,进而获取到该地的水系数据,DEM数据精度越高,获取到的水系数据精度也就越高。以下介绍如何用ArcGIS提供的工具提取水系。

Oruizn的博客 9113

GprMax正演模拟:为什么你的反射波‘消失’了?可能是直达波在捣鬼(附Python后处理脚本)

本文深入探讨了GprMax正演模拟中反射波信号被直达波淹没的现象,并提供了Python后处理脚本的实战指南。通过时域置零、自适应增益控制、频域滤波等多种技术,有效增强反射波信号,帮助用户解决探地雷达模拟中的常见问题。文章还包含详细的代码示例和效果评估方法,适合GPR数据处理的研究人员和工程师参考。

weixin_29305313的博客 235

微光图像增强算法实战解析:从理论到实现

本文深入解析了微光图像增强算法的核心原理与实战应用。从经典的Retinex理论和LIME算法入手,剖析了基于光照估计的传统优化方法;进而探讨了深度学习时代无参考学习与引入正常光先验的网络模型。文章还提供了完整的Python实战代码,手把手教你实现一个简易的微光增强管道,涵盖从理论到落地的关键步骤。

weixin_29032337的博客 243

ROS开发者的福音:用Anaconda虚拟环境解决Python包冲突(附完整配置流程)

本文为ROS开发者提供了使用Anaconda虚拟环境解决Python包冲突的完整方案。通过分析冲突根源,详细介绍了Miniconda安装、专用环境创建以及核心桥梁包的配置流程,并阐述了“混合环境运行”与“纯虚拟环境构建”两种实战工作流,帮助开发者实现ROS核心与特定Python库的和谐共存,从而提升开发效率和项目可维护性。

weixin_28835789的博客 341

2026年佰维存储数字IC笔试试卷带答案

建立时间是有效时钟沿到来前,输入数据必须稳定保持的最短时间。保持时间是有效时钟沿到来后,输入数据必须继续稳定保持的最短时间。

Open 104

用R来做一个临床研究亚组分析的森林图

在编程语言里R语言最强大的功能是做图功能,我们知道在做Meta分析的时候会需要做森林图,实际上我们在很多临床研究中也经常看到森林图,主要是亚组分析的森林图,比如下面这篇文章里的一个森林图: 今天就教教大家怎么用R语言来做上面这种亚组分析的森林图 1. 在Excel里编辑好数据,按照下面的格式整理,保存为csv格式 2. 下载安装R跟Rstudio R软件的下载地址: https://mirrors.tuna.tsinghua.edu.cn/CRAN/ Rstudio下

Mrrunsen的博客 5345

R语言caret拟合模型:train函数构建xgBoost Dart模型、模型调优、自定义设置trainControl函数和tuneLength参数

R语言caret拟合模型:train函数构建xgBoost Dart模型、模型调优、自定义设置trainControl函数和tuneLength参数

statistics+insight+vista+power 532

【项目】多模态RAG—本地部署MinerU实现多类文档解析

【摘要】开源工具MinerU由OpenDataLab团队开发,支持本地部署实现多类文档(PDF/Word/Excel/图片等)解析,可保留原始格式并转换为Markdown/JSON。该工具具备OCR识别、表格/公式转换、多语言支持等功能,适用于RAG、文档数字化等场景。项目通过API服务实现政策文件解析需求,将附件转为Markdown后再生成HTML展示,解决了政务问答系统中格式丢失问题。安装部署包含模型下载和Python服务端搭建,提供RESTful接口供其他系统调用。

一个内容严谨、方向前沿、极具实践价值的AI大模型技术分享站 2790

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

上一篇: x86 主机 QEMU 跑 arm64 虚拟机:TCG 仿真与 UEFI 固件
下一篇: 生成式AI赋能零售电商:从白皮书到可运行的最小闭环
weixin_33861800
博客等级 码龄11年 6648粉丝 1249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