ST-LINK调试原理与STM32硬件连接实战指南

STM32外设寄存器查看:Keil调试窗口使用指南 通过keil调试功能,实时监控STM32外设寄存器状态,结合硬件断点与寄存器视图,快速定位问题,提升嵌入式开发效率,是掌握keil调试技巧的必备方法。 阅读详情

1. 仿真器的本质:调试与控制的物理桥梁

在嵌入式系统开发中,“仿真器”一词常被误用为“下载器”的同义词。这种认知偏差掩盖了其真正的工程价值。ST-LINK 并非一个简单的程序烧录工具,而是一套完整的、基于 ARM CoreSight 架构的调试与跟踪子系统(Debug and Trace Subsystem)。它通过标准的 JTAG 或 SWD 协议,与目标芯片内部的调试访问端口(Debug Access Port, DAP)建立低层通信链路,从而获得对 Cortex-M 内核寄存器、内存空间、外设寄存器乃至指令流水线的直接读写权限。

这种能力从根本上改变了开发范式。当程序被编译并下载到 Flash 后,传统方式下它将作为一个黑盒,在复位后自动从 0x08000000 地址开始执行,开发者只能通过 LED 闪烁、串口打印等有限的外部现象进行间接观察。而 ST-LINK 的介入,则在硬件层面为这个黑盒打开了一扇可编程的“观察窗”和“控制阀”。它允许开发者在任意时刻暂停内核时钟,冻结所有寄存器状态,检查任意地址的 RAM/Flash 数据,并以单周期精度步进执行指令。这不仅是“模拟”,而是对真实硬件运行状态的实时、精确、无侵入式干预。

因此,理解 ST-LINK 的核心,首先在于厘清其与“下载”功能的主次关系:下载只是调试会话的一个前置步骤或附属操作;而断点设置、变量监视、内存修改、寄存器查看、性能分析等,才是其存在的根本目的。一个仅用于下载的 ST-LINK,其价值甚至低于一个廉价的 USB-TTL 转换器。

2. 硬件连接:JTAG 与 SWD 的物理实现差异

ST-LINK 仿真器提供两种标准的物理接口:20-pin JTAG/SWD 接口和精简的 2-wire SWD 接口。二者在电气特性和引脚定义上存在本质区别,选择哪一种,取决于目标板的设计约束与调试需求。

2.1 20-pin JTAG/SWD 接口详解

该接口是一个标准化的 ARM Debug Connector,其引脚定义遵循 ARM IHI 0031 标准。在阳桃电子 1 号开发板上,该接口位于板卡顶部,标有 “JTAG/SWD” 字样。其关键信号线包括:

引脚号 信号名 方向 功能说明
1 VREF 输入 目标板参考电压,用于电平匹配,必须连接至目标板的 VDD (通常为 3.3V)
2 VTG 输出 仿真器提供的目标板供电电压(通常为 3.3V), 不建议用于给开发板供电
3 GND — 公共地线,必须可靠连接
4 TMS 输出 JTAG 模式选择信号,SWD 模式下作为 SWDIO(双向数据线)
5 TCK 输出 JTAG 时钟信号,SWD 模式下作为 SWCLK(时钟线)
6 TDO 输入 JTAG 数据输出,SWD 模式下未使用
7 TDI 输出 JTAG 数据输入,SWD 模式下未使用
8 nTRST 输出 JTAG 复位信号(可选),ST-LINK V2 不支持此信号
9 GND
ST-LINK调试器原理与STM32硬件连接实战指南 嵌入式调试器是实现MCU程序可观测与可控执行的核心工具,其本质是基于JTAG/SWD协议的在线调试接口(ICD),而非硬件行为仿真。它通过低侵入式总线通信,支撑非侵入调试、全速运行控制和片上Flash编程等关键能力。在STM32开发中,ST-LINK作为主流调试/编程一体化设备,需关注物理连接可靠性、调试引脚复用冲突规避及驱动与IDE(如Keil MDK)协同配置。尤其在洋桃电子YTA1等教学开发板上,SWDIO(PA13)、SWCLK(PA14)等调试引脚若被外设占用或未物理隔离,将直接导致‘Cannot 阅读详情

相关推荐

STM32Cube中调试接口的设置及仿真器(ST-Link、J-Link)连接调试

首先,打开STM32CubeMX,新建文件。第二步,选择相应的芯片,并双击,效果如下。这里我以STM32F405为例,如果不知道芯片型号,可以去看自己芯片上的小字。将进入该芯片的配置界面。第三步,查看单片机控制板原理图,寻找数据线(SWDIO)和时钟线(SWCLK)对应的引脚。(原理图可以找商城客服或者自行查找,但一定要注意单片机型号)由上图可以确定SWDIO和SWCLK的接口分别为PA13和PA14。硬件中的接口为J1插排。第四步,STM32CubeMX文件系统配置。

weixin_52916289的博客 1万+

深入理解ST-Link:STM32下载与调试原理详解及DIY实现

ST-Link是STMicroelectronics专门为STM8和STM32系列微控制器设计的在线调试器和编程器。程序下载:将编译好的固件烧录到目标MCU在线调试:设置断点、单步执行、查看变量等串口通信:虚拟串口功能(ST-Link V2.1及以上版本)协议层面:掌握了SWD/JTAG协议的实现细节架构层面:理解了CoreSight调试架构实现层面:学会了如何用STM32实现简单的调试器应用层面:扩展了变量监控、性能分析等高级功能。

电脑管家 2578

基于 ST-Link 和 MDK-Keil 的 STM32 程序下载实验

本文介绍了在MDK-Keil环境下使用ST-Link进行STM32程序下载与调试的方法。首先对比了ST-Link与其他调试工具的特点及适用场景,重点说明了ST-Link的硬件连接方式,文章还详细讲解了在STM32CubeMX中配置DEBUG接口为SerialWire模式的方法,并提供了ST-Link驱动下载安装步骤以及MDK keil的调试和下载程序自动复位设置。

weixin_71894495的博客 1314

从零到一:ST-LINK与STM32的SWD接口深度解析与实战指南

本文深入解析ST-LINK与STM32的SWD接口技术,提供从硬件连接到软件配置的完整实战指南。详细对比SWD与JTAG的优劣,介绍ST-LINK各版本特性,并分享高级调试技巧与常见问题解决方案,帮助开发者高效完成嵌入式系统调试与下载任务。

tomato的博客 962

STM32烧录实战:ST-LINK常见错误排查与修复指南

本文详细解析STM32烧录过程中ST-LINK常见连接错误的排查与修复方法。涵盖硬件连接检查、驱动安装更新、SWD通信原理分析及Keil环境配置等实用技巧,帮助开发者快速解决ST-LINK连接故障,提升STM32开发效率。

pepsi的博客 684

STM32硬件仿真调试全流程实战指南

硬件仿真调试是嵌入式开发中定位深层系统故障的核心技术,依托ARM Cortex-M的CoreSight架构与SWD/JTAG协议,实现对CPU执行流、内存状态和外设寄存器的实时可控观测。其原理在于绕过软件栈,直接通过调试接口访问内核寄存器与系统总线,在复位态甚至死锁状态下仍可接管控制权。相比串口日志和LED指示等浅层调试手段,硬件仿真具备单步执行、断点设置、实时变量监控等不可替代的技术价值,广泛应用于启动异常分析、HardFault溯源、时钟/中断/外设驱动验证等关键场景。本文以STM32平台为载体,深入解

weixin_42466857的博客 1039

STM32Cube调试接口配置与仿真器(ST-Link、J-Link)实战指南

本文详细介绍了STM32CubeMX中调试接口的配置方法,以及ST-Link和J-Link仿真器的使用技巧。从SWD接口的引脚配置到时钟设置,再到常见问题排查,提供了全面的实战指南,帮助开发者快速解决调试过程中的各种问题。

weixin_30555125的博客 504

STM32程序下载全解析:串口、ST-LINK与ST-LINK Utility实战指南

在嵌入式开发中,程序下载是将编译后的代码写入微控制器闪存的关键步骤,其核心原理是通过特定通信协议与芯片内部的调试接口或引导程序进行交互。从技术实现上看,串口下载利用芯片预置的Bootloader,通过UART协议进行通信,成本低廉但功能有限;而基于ARM CoreSight调试架构的SWD协议则提供了高速、稳定的调试与编程通道,这是现代嵌入式开发调试的基石。这些技术的工程价值在于,它们平衡了开发效率、硬件成本与部署灵活性,使得开发者能在原型设计、调试验证与批量生产等不同场景中选用最优方案。具体到STM32平

weixin_29168813的博客 289

ST-LINK与3线制Jlink在STM32开发中的应用实战指南

ST-LINK是一款广泛应用于STM32微控制器开发的硬件调试器,由意法半导体(STMicroelectronics)推出。随着微控制器和嵌入式技术的不断进步,ST-LINK也经历了从ST-LINK/V1、ST-LINK/V2到ST-LINK/V2-1等多个版本的迭代更新,逐步提高了调试速度、兼容性和易用性。3线制Jlink是SEGGER公司推出的一种高效的JTAG调试器,它采用3线(TDI、TDO和TCK)设计,相比传统的JTAG调试器,它简化了接口,提升了调试速度。

weixin_32869687的博客 1371

ST-Link V2调试器完整应用与STM32开发实战

你看,从一根排线的颜色标记,到寄存器的每一位定义,再到信号完整性分析……嵌入式调试从来都不是“点一下就行”的事。真正的高手,能在绿灯常亮之前就想好所有潜在风险;能在报错出现时迅速定位是电源问题还是协议错误;能在别人还在百度“怎么连不上”的时候,已经用逻辑分析仪抓出了ACK=WAIT的根本原因。希望这篇文章能帮你建立起一套完整的调试认知体系。下次当你面对那个熟悉的“No target connected”时,不再是慌张无助,而是微微一笑:“我知道问题出在哪了。

weixin_30633869的博客 1433

STM32 ST-LINK Utility v4.4.0 官方编程与调试工具安装包

STM32 ST-LINK Utility 是意法半导体官方推出的轻量级、高可靠性开发辅助工具,专为 STM32 系列微控制器的程序烧录与调试需求设计。其核心功能涵盖芯片连接管理、Flash 编程、固件校验、寄存器查看及基础在线调试能力,支持通过 ST-LINK/V2 或兼容调试器与目标板建立稳定通信。该工具基于 ARM Cortex-M 内核的调试架构,采用标准化的 SWD/JTAG 接口协议,能够在 Windows 平台上实现对 STM32 芯片的快速识别与内存映射加载。

weixin_29025501的博客 1366

别再死记硬背Modbus报文了!用Python+Modbus Poll手把手教你调试工业设备

本文详细介绍了如何利用Python和Modbus Poll工具高效调试工业设备通信。通过实战案例和代码示例,帮助读者快速掌握Modbus通信协议的核心配置、数据监控技巧及Python自动化脚本编写,解决工业设备调试中的常见问题,提升工作效率。

weixin_42520780的博客 345

利用Android系统漏洞实现后台弹窗(外弹)

关键:从 Android 8.0(API 26)开始,禁止使用 context.sendBroadcast() 发送隐式广播(即没有指定 setPackage() 或明确组件的广播)。demo核心代码展示利用Android显示系统和广播系统的漏洞实现在后台弹窗的功能,支持最新Android15,16版本。核心功能都是在so层去做,大量使用了jni反调, 如果要上架到应用市场,需要对代码做进一步混淆,加固以应对市场安全扫描。3,开启虚拟显示窗口,这是个透明像素窗口。5,可开启一个线程,调用这个外弹窗口。

2018,再出发~ 1322

人工智能训练师认证教程(5)使用MONAI进行医学影像分析的完整指南

本文介绍了使用MONAI框架进行医学影像分析的全流程。首先详细说明了环境搭建步骤,包括PyTorch和MONAI的安装配置。然后以肺部CT 3D分割为例,分步骤讲解了数据准备与预处理、3D UNet模型构建、训练配置(DiceLoss损失函数、Adam优化器等)以及训练验证循环的实现。文章还包含推理可视化方法和模型导出为ONNX格式的部署方案,并强调了医学影像分析中的数据格式适配、强度归一化、显存优化等关键注意事项。最后指出MONAI的医学专用组件可大幅简化开发流程,建议后续可探索SwinUNETR等进阶方

华为开发者布道师,天府英才计划,致力于大数据+AI 的应用创新,助力企业与个人AI创新赋能。 1220

t3code 聚合 Claude Code、Codex、Cursor 的 Electron 桌面实践

AI 编码工具通常以命令行或编辑器插件形态存在,通过本地进程通信与代理转发实现能力聚合。其原理是在桌面端统一调度 CLI 子进程,并将请求经本地代理转换后分发至不同模型后端。这种架构的技术价值在于降低多工具切换与配置成本,适用于需要同时使用 Claude Code、Codex、Cursor 并接入 DeepSeek、Qwen、GLM 等第三方模型的开发场景。围绕 Electron 桌面客户端、Claude Code 安装、Codex 配置、Cursor 中文设置以及 cc switch 本地代理报错排查等常

weixin_28835551的博客 236

【图像分类】卷积神经网络之VGGNet网络模型实现花卉图像识别(附代码和数据集,PyTorch框架)

卷积神经网络之VGGNet网络模型实现花卉图像识别(附代码和数据集,PyTorch框架)

学无止境、积少成多、厚积薄发 2433

ChatGPT启蒙之旅:弟弟妹妹的关键概念入门

本文主要介绍了ChatGPT启蒙之旅:弟弟妹妹的关键概念探险,希望能对初学大模型的同学们有所帮助。 文章目录 1. 背景 2. GPT是个什么样的人? 3. GPT使用的核心思维 4. GPT使用的场景介绍

herosunly的博客 16万+

AI驱动芯片设计的端到端验证:AI应用架构师的全流程指南

想象你要建造一座1000层的超级摩天大楼,每个房间都有独特的功能,管道、电路、电梯系统交织如迷宫。传统的检查方式是派1000个工程师逐层逐房手动检查,耗时十年且仍可能遗漏火灾隐患。这就是今天芯片设计面临的困境:7nm芯片含百亿晶体管,相当于百亿个"房间",传统验证方法(人工编写测试用例、随机仿真)已难以应对。本文的目的,是为AI应用架构师提供一份"AI驱动芯片验证导航图",范围涵盖从验证需求分析到芯片签核的全流程,包括AI模型如何融入传统验证工具链、数据如何驱动验证效率提升、以及端到端闭环系统的构建方法。

2501_92132293的博客 1244

[QMT量化交易小白入门]-三十七、QMT中如何使用类似于通达信中的VBA函数(量化python代码解析)

这段代码主要围绕着在QMT环境中实现类似通达信VBA函数的功能展开,核心功能是基于RSI指标来判断股票的买卖时机,并根据持仓情况进行相应的交易操作。class G():passg = G()这里定义了一个空类G,并创建了该类的实例g。这个实例g将作为全局变量来存储一些在整个程序运行过程中需要共享的数据,例如除复权类型、股票代码、目标数量等。1、使用VBA开发策略时,参数固化的问题会带来一些限制,比如无法修改MA函数的周期参数,只能使用固定周期。

木头大左的博客 1705

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

上一篇: ST-LINK仿真器深度指南:从连接调试到工程赋能
下一篇: STM32仿真调试全解析:SWD原理、连接规范与Keil实战
拼命阿白
博客等级 码龄6年 2293粉丝 6176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