PCIe协议与芯片实现深度解析:从TLP到眼图的工程实践

PCIe协议原理与芯片实现深度解析 PCIe(Peripheral Component Interconnect Express)是一种面向高性能外设互连的串行高速总线协议,其核心在于分层架构——事务层(TLP)、数据链路层(DLLP)和物理层(PLP)协同工作,实现低延迟、高可靠的数据传输。理解PCIe协议原理,需掌握TLP包结构、DLLP流控机制及PLP编码均衡技术;而芯片实现则直面SerDes信号完整性、配置空间地址映射与MSI-X中断实时性等硬件约束。该协议不仅决定显卡、NVMe SSD、AI加速卡等设备的吞吐与响应表现,更深度影响F 阅读详情

1. 这不是一本“说明书”,而是一张通往高速互连核心的解剖图

PCI Express——这个词在芯片设计圈里,几乎等同于“现代计算系统的主动脉”。它不像USB那样天天插拔、也不像Wi-Fi那样被用户感知,但它每秒吞吐几十GB数据的能力,支撑着GPU渲染每一帧画面、NVMe SSD加载整个操作系统、AI加速卡搬运千亿参数。我干了十二年数字前端和SoC集成,亲手调通过从PCIe 1.0到5.0的七代IP核,也踩过无数协议栈与物理层不匹配的坑。今天这篇《PCI Express 权威指南》,不是照搬PCI-SIG官方文档的翻译腔,也不是堆砌术语的PPT式科普。它是我把十年项目现场经验、流片失败日志、FPGA原型验证笔记、以及和Synopsys/Altera原厂FAE反复拉锯的会议纪要,全部打碎重揉后,为你画出的一张 可触摸、可调试、可复现 的PCIe实现地图。

你不需要是协议专家,但如果你正面对一块RK3588开发板上PCIe x4接口无法识别SSD、或者STM32H7系列MCU外挂PCIe转USB桥芯片时总在Link Training阶段卡死、又或者在做国产FPGA PCIe硬核移植时发现TLP包校验老是失败——那么这篇指南里的每一个参数选择、每一处时序约束、每一条调试命令,都是我从真实芯片回片报告里抠出来的。它覆盖三个不可割裂的层次: 协议层(Transaction Layer)如何定义“数据该长什么样”、数据链路层(Data Link Layer)如何保证“发出去就一定能收回来”、物理层(Physical Layer)如何把0和1变成能在16GHz频率下稳定传输的电信号 。这三个层次不是并列关系,而是层层咬合的齿轮——协议层的一个TLP包头字段错误,会直接导致物理层Link Down;物理层一个SerDes眼图闭合,会让再完美的协议栈也收不到半个有效包。所以本文所有内容,都围绕“为什么必须这样设计”展开,而不是“应该这样做”。

关键词“PCI Express”、“协议”、“芯片”在这篇指南里不是孤立标签,而是三根缠绕在一起的线: PCI Express是载体,协议是规则,芯片是执行者 。你不会看到泛泛而谈的“PCIe速度快”,而是会清楚知道:当你的芯片工作在PCIe 4.0 x16模式下,每条Lane理论带宽是16 GT/s,扣除128b/130b编码开销后,实际有效吞吐是15.75 GB/s;而这个数字背后,是SerDes PLL必须锁定在8 GHz基频、接收端CTLE必须动态补偿-12 dB高频衰减、重传缓冲区至少要预留256个TLP包空间——这些,才是芯片工程师每天在EDA工具里和示波器前真正搏斗的东西。

2. 协议原理不是背诵口诀,而是理解状态机与数据流的共生逻辑

2.1 三层架构的本质:不是分层,而是责任切割

PCI Express协议栈常被简化为三层:事务层(TL)、数据链路层(DL)、物理层(PL)。但很多初学者误以为这是“软件分层”的概念,可以独立实现。错。这三层在芯片内部是 硬件状态机+专用缓存+模拟电路 的强耦合体。以一次CPU读取NVMe SSD数据为例:

  1. 事务层触发 :CPU发出一条Memory Read TLP(事务层包),包含目标地址、请求ID、长度等字段;
  2. 数据链路层封装 :DL层给这个TLP加上Sequence Number、ECRC校验码,并放入重传缓冲区(Retry Buffer);
  3. 物理层发射 :PL层将TLP按8b/10b或128b/130b编码成串行比特流,通过SerDes驱动到PCB走线上。

关键点在于: TLP本身不携带重传机制,它依赖DL层的ACK/NAK机制;而DL层的重传决策,又依赖PL层是否检测到物理层错误(如8b/10b解码失败) 。这就像快递系统:事务层是写好地址的包裹(TLP),数据链路层是快递公司的调度中心(记录每个包裹单号、确认签收、决定是否重发),物理层是货车司机(负责把包裹安全运到目的地,但不管里面装的是什么)。如果司机把包裹弄丢了(PL层丢包),调度中心会根据超时未签收自动重发;但如果包裹地址写错了(TL层字段错误),调度中心照样发,只是收件人拒收——此时问题出在源头,而非运输环节。

提示:很多PCIe兼容性问题根源在于TL层与DL层的协同缺陷。例如某国产SoC在处理Completion TLP时,TL层未正确解析Completer ID字段,导致DL层误判为无效包而丢弃,最终表现为“设备能枚举但无法通信”。这种问题用逻辑分析仪抓TLP流根本看不到异常,必须用支持PCIe协议解码的示波器观察DL层ACK帧。

2.2 TLP包结构:每个字节都在为带宽效率而战

TLP(Transaction Layer Packet)是PCI Express的数据基本单元。它的结构不是随意设计的,而是对带宽、延迟、纠错能力三者极致权衡的结果。以最常用的Memory Read Request TLP为例(32位地址):

字段 长度(Byte) 作用 实操意义
Format & Type 1 标识TLP类型(如0x00=Memory Read) 芯片前端逻辑需用组合逻辑快速解码此字段,决定后续处理路径
TC, TD, EP, Attr 1 流量等级、毒化位、端点标识、属性标记 Attr字段控制Cache一致性行为,影响DMA性能,必须与CPU Cache策略严格匹配
Length 2 请求数据长度(单位DW,1 DW=4 Byte) 最大值0x3FF=1023 DW=4092 Byte,超过需拆包,增加TL层开销
Requester ID 2 发起请求的设备ID 必须与配置空间中的Bus/Device/Functio
PCIe芯片级实操指南:从协议栈到SerDes落地 PCIe(Peripheral Component Interconnect Express)作为现代高速互连的核心协议,其本质是事务层、数据链路层与物理层协同解决数据语义、传输可靠性和信号失真三大工程问题的技术体系。理解TLP结构、LTSSM状态机和SerDes均衡参数,是实现稳定链路的基础;而PCIe IP核选型、Refclk抖动控制、CTLE/Pre-emphasis寄存器调优等芯片级实践,直接决定ASIC或FPGA项目的成败。本文聚焦PCIe在SoC验证、国产交换芯片回片调试及AI加速卡Bring- 阅读详情

相关推荐

PCIe技术解析:从硬件设计到协议栈优化

PCIe(Peripheral Component Interconnect Express)作为现代计算机的核心总线标准,其分层架构设计实现了高速数据传输与硬件扩展能力。从物理层的金手指接触设计到协议层的事务处理机制,PCIe通过8b/10b或128b/130b编码技术不断提升传输效率,PCIe 5.0的单通道带宽已达3.938GB/s。在硬件工程实践中,信号完整性和电源设计是关键挑战,需要严格控制插入损耗和回波损耗等参数。该技术广泛应用于显卡、SSD等设备,并通过CXL协议拓展至异构计算领域,实现CPU

weixin_30911451的博客 305

给硬件工程师的PCIe TLP实战手册:从Header解析到Wireshark抓包分析

本文为硬件工程师提供PCIe TLP的实战解析手册,涵盖从Header字段解析到Wireshark抓包分析的完整流程。通过详细的二进制字段解读、逻辑分析仪配置要点和常见错误模式识别,帮助工程师快速掌握PCIe协议调试技巧,提升系统验证效率。重点解析TLP Header结构,包括Fmt/Type字段和Length字段的实战应用。

weixin_29255731的博客 100

DWC PCIe EP控制器RTL与波形深度解析

PCIe控制器是高速互连系统的核心组件,其行为严格遵循PCIe协议栈的分层规范,涉及物理层、数据链路层和事务层协同。DWC(DesignWare Core)IP核作为主流商用PCIe控制器,其Endpoint模式下的配置空间管理、TLP生成与解析、跨时钟域同步及LTSSM状态机响应,直接决定链路稳定性与带宽利用率。技术价值体现在可测可控的RTL级调试能力,支撑FPGA/ASIC中PCIe子系统的功能验证、时序收敛与故障定位。典型应用场景包括智能网卡、AI加速卡、嵌入式SoC等需高可靠低延迟外设互联的领域。本

weixin_33907511的博客 315

PCIe协议入门:三层架构与核心概念解析

PCIe(Peripheral Component Interconnect Express)是一种高速串行点对点互连协议,采用事务层、数据链路层和物理层三层架构,通过差分信号和信用流控实现高带宽可靠传输。其核心原理包括TLP/DLLP包封装、LTSSM链路训练状态机以及基于信用的流控机制,确保数据在NVMe SSD、GPU、网卡等设备间高效传输。理解PCIe三层架构有助于快速定位链路降速、枚举失败等调试问题,广泛应用于存储性能调优、FPGA加速和嵌入式系统开发。

weixin_34341117的博客 285

PCIe链路深度诊断:从物理层眼图到弹性缓存的全栈分析

PCIe链路并非简单总线,而是融合物理层信号完整性、数据链路层协议健壮性与跨时钟域协同的复杂系统。其核心原理在于SerDes通道的眼图质量(如眼宽≥0.6UI)、AER错误分类机制及弹性缓存(Elastic Buffer)动态填充率对时钟频偏的容错能力。技术价值体现在穿透OS抽象、直采ECAM寄存器与ACPI拓扑,实现链路12个关键环节的可量化观测。典型应用场景包括NVMe掉盘根因定位、FPGA加速卡LTSSM异常分析、‘伪Gen4’带宽衰减诊断及BMC/固件引发的隐性链路降速。gudumpinfo正是基于

weixin_33623304的博客 277

PCIe 5.0实战:TLP Digest字段解析与常见错误排查指南(附ECRC校验技巧)

本文深入解析PCIe 5.0中TLP Digest字段的工程应用与ECRC校验机制,提供六类典型错误场景分析及实战排查指南。通过示波器抓包、错误日志解析和链路训练调整等技巧,帮助硬件工程师快速定位TLP完整性故障,提升系统稳定性。特别针对32GT/s高速传输下的时钟同步、信号完整性等挑战给出解决方案。

weixin_30619101的博客 181

PCIe卡技术解析:从基础原理到应用实践

PCIe(Peripheral Component Interconnect Express)是现代计算机系统中至关重要的高速串行总线标准,采用点对点架构和差分信号传输技术,显著提升了数据传输效率和信号完整性。作为硬件扩展的核心接口,PCIe卡通过不同通道配置(如x1、x4、x8、x16)满足从低速外设到高性能显卡的多样化需求。随着代际演进,PCIe 4.0/5.0/6.0版本持续提升传输速率,同时对PCB布线和信号完整性提出更高要求。在技术实现层面,其分层协议栈(事务层、数据链路层、物理层)和链路训练机制

weixin_30411819的博客 315

pcie硬件时序分析实战(PHY层眼图测量)​

PCIe高速接口的信号完整性(SI)直接影响系统带宽和稳定性。其中,​。

xiaoheshang_123的博客 861

PCIe 全解析笔记:从协议本质到工程实现

学习 PCIe,最容易陷入的误区是直接跳进协议手册(Base Spec 1300 多页),然后在 TLP 字段、LTSSM 状态、Ordering Rules 中迷失方向。正确的思维路径历史维度:从 PCI 到 PCIe,解决了什么核心矛盾?抽象维度:协议栈分层的真正意图是什么?工程维度:高速串行链路面临哪些物理挑战?协议如何应对?系统维度:作为 CPU 与外设的"动脉",PCIe 如何融入整个计算机体系?带着这四个视角去看每一个细节,知识才能内化为认知。

m0_46644103的博客 266

PCIe 5.0协议深度解析:物理层语义化与TLP流水线优化

PCIe协议是现代高速互连的基石,其分层架构(事务层/数据链路层/物理层)决定了系统性能与可靠性边界。随着速率跃升至32 GT/s,PCIe 5.0不再仅关注电气特性,而是将状态机逻辑、CRC计算时序、时间戳同步等关键行为下沉至物理层,使PHY从‘信号搬运工’升级为‘协议决策节点’。这种语义化演进直接影响眼图裕量设计、LTSSM状态回滚机制、LCRC插入位置及PTM时钟补偿精度。在工程实践中,TLP结构优化、ID-Based路由匹配、VDM字段编码等细节,往往成为Link Up后功能异常的根源。本文聚焦PC

weixin_33314040的博客 210

信息隐藏 数字图像空域隐写与分析技术的实现

【代码】信息隐藏 数字图像空域隐写与分析技术的实现。

Yungoal的博客 471

CMOS 半加器和全加器&&数字集成电路&& Cadence Virtuoso

数字集成电路——半加器和全加器

计科小学生的博客 1万+

Python实战:打造学生信息管理系统

通过本教程,我们构建了一个简单的学生信息管理系统,实现了基本的添加、删除、修改和查询功能。当然,这个系统还有很多可以改进和扩展的地方,比如添加用户界面、增加数据持久化功能、支持批量操作等。简介:本文将介绍如何使用Python编写一个功能齐全的学生信息管理系统,包括添加、删除、修改和查询学生信息的基本操作。学生信息管理系统是学校日常管理中不可或缺的一部分,它能够帮助管理人员快速、准确地管理学生信息,提高工作效率。为了实现上述功能,我们可以设计一个包含学生信息的字典,并使用函数来封装各个操作。

铭渊老黄 1495

BLDC&PMSM电机控制器硬件设计工程(十)72V 2kW电机控制器原理图工程及库文件

电机控制器基本需求:接口类型;MCU平台;通信接口;供电;信号采集;信号输出;功率;EMC或者认证需求。

小幽余生不加糖 274

AUTOSAR进阶图解==>AUTOSAR_EXP_VFB

AUTOSAR虚拟功能总线(VFB)摘要 AUTOSAR虚拟功能总线(VFB)是汽车开放系统架构中的核心抽象概念,为分布式电子系统提供统一通信模型。VFB允许软件组件在不了解底层物理通信机制的情况下交互,通过运行时环境(RTE)实现组件间的数据交换。系统配置过程将抽象的VFB视图转换为具体实现,包括组件到ECU的映射和通信机制选择。VFB采用"last-is-best"语义进行数据通信,并支持模式管理机制,使组件能根据系统状态调整行为。此外,VFB还支持与非AUTOSAR系统的交互,通常

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1121

提升YOLOv8性能:用Swin Transformer替换Backbone的详细实现与分析【YOLOv8】

YOLOv8作为目标检测领域的最新版本,在速度和精度之间取得了良好的平衡。然而,随着计算机视觉任务的复杂性不断增加,YOLOv8的标准主干网络(Backbone)在处理高分辨率图像或多尺度目标时,可能存在一定的局限性。为了进一步提升YOLOv8的性能,我们可以引入Swin Transformer替换其主干网络,以增强模型的全局感知能力和多尺度特征提取能力。本文将详细介绍如何在YOLOv8中用Swin Transformer替换原有的Backbone,提供代码示例,并深入探讨其中的原理和效果。

博客 1720

电磁阀颤振工作原理

颤振 颤振,弹性结构在均匀气(或液)流中受到空气(或液体)动力、弹性力和惯性力(见达朗伯原理)的耦合作用而发生的大幅度振动,它是气动弹性力学中最重要的问题之一。 随着机电液一体化技术的发展,电液比例控制技术的应用越来越广泛。电液比例控制系统范围较广,在液压传动与控制过程中,系统能够接受模拟信号或数字信号,使输出的流量或压力连续成比例地变化,都属于此类。该控制系统的优点是充分利用了液压控制与电气控制的长处,即功率传递靠液压,信号处理靠电气的优化措施。 电液比例控制原理与要求 液压控制系统中两个最重要的被控参数

小幽余生不加糖 1万+

2026年职业院校技能大赛中职移动应用与开发—数字生活APP原型设计参考答案(含素材)

本模块以产品原型为目标,考查参赛选手熟练收集、分析和归纳客户需求,清晰梳理业务流程,熟练使用UI设计软件进行产品UI/UE设计,掌握正确的UI配色方案,设计出符合业务逻辑的人体工学移动App 原型优秀作品。

我是网络安全兼技能大赛工程师,专注网络安全技术学习与技能大赛实战!持续分享最新的技术文章,帮你少走弯路,一起在技术赛道上进步~ 580

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

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")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

上一篇: ODrive 8kHz控制环原理与源码级调优实战
下一篇: ESP32物联网参考设计资源优先级与工程落地指南
JhonXie
博客等级 码龄11年 6669粉丝 1195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