Qt 应用在不同开发板上显示大小不一致?一文解决 DPI 与分辨率适配难题

QT解决因屏幕分辨率和缩放产生的界面异常 可以看到,图像显示窗口和字体都随之改变,字体变小,图像显示区则直接缩小了1倍,这些结果都能和显示器缩放比例对应上,我们现在知道,显示器缩放比例调整为原来的2倍,则界面显示区随之变为原来的0.5倍。可根据实际情况选择使用。此时需要获取到分辨率和缩放比例等相关参数,加以矫正,使界面在不同分辨率和缩放比例下都显示正常。只要绑定个槽函数,就能随时获取屏幕的参数变化,执行后续的操作,在线修改或者像企业微信那样做个提醒什么的,用法就很随意了。正常情况,即100%缩放比例的情况下,一个图像显示窗口及字体如下, 阅读详情
AI摘要

本文聚焦嵌入式Linux环境下Qt应用在不同开发板(如树莓派、i.MX、Rockchip)上因DPI差异和分辨率变化导致的界面缩放异常问题。详细剖析DPI检测失效、固定尺寸布局、QSS像素硬编码等根本原因,并给出启用高DPI支持、动态分辨率适配、布局管理器规范使用、QSS相对单位改造及环境变量配置等关键技术方案,覆盖X11/Wayland平台,适用于Qt 5.6+版本。

在嵌入式 Linux 开发中,尤其是基于 Debian 的开发板(如树莓派、Rockchip、NXP i.MX 等)上运行 Qt 应用时,开发者常常会遇到一个令人困惑的问题:同样的 Qt 应用在不同开发板上运行时,界面大小差异显著——有的板子上显示正常,有的则整体放大或缩小,甚至出现布局错乱。本文将深入分析这一问题的根源,并提供一套完整的解决方案。


一、问题重现:为什么 Qt 应用显示大小不一致?

1. 典型现象

  • 开发板 A:屏幕分辨率 1280x720,Qt 应用显示正常,界面元素比例协调。
  • 开发板 B:屏幕分辨率 1920x1080,Qt 应用整体放大,按钮、文本模糊,布局溢出。
  • 开发板 C:屏幕分辨率 800x480,Qt 应用整体缩小,控件拥挤难以操作。

2. 根本原因

Qt 应用的显示大小不一致,通常由以下因素共同导致:

  1. DPI(每英寸点数)差异

    • 高分辨率屏幕(如 1080p、4K)默认会启用 DPI 缩放(类似 Windows 的 150% 缩放),而 Qt 若未正确处理高 DPI,会导致界面元素被放大。
    • 不同开发板的屏幕 DPI 设置可能不同(如 96 DPI、120 DPI、200 DPI),Qt 默认的渲染逻辑可能无法自适应。
  2. 分辨率适配缺失

    • Qt 应用若未针对不同分辨率进行动态适配,固定尺寸的控件(如 width: 100px)在高分辨率下会显得过小,低分辨率下则过大。
  3. 布局管理器使用不当

    • 若未使用 Qt 的布局管理器(如 QVBoxLayout、QGridLayout),而是依赖固定坐标和尺寸,界面会因屏幕变化而错乱。
  4. Qt 版本与平台差异

    • 旧版 Qt(如 5.6 之前)对高 DPI 支持不完善,不同平台(如 X11、Wayland)的 DPI 处理机制也可能不同。

二、解决方案:从代码到配置的全链路适配

1. 启用 Qt 的高 DPI 支持(关键!)

在 Qt 应用的入口处(如 main.cpp)添加以下代码,强制启用高 DPI 缩放:

cpp

#include <QApplication>
#include <QScreen>
int main(int argc, char *argv[]) {
QApplication a(argc, argv);
// 启用高 DPI 缩放(Qt 5.6+ 推荐)
QCoreApplication::setAttribute(Qt::AA_EnableHighDpiScaling);
QCoreApplication::setAttribute(Qt::AA_UseHighDpiPixmaps);
// 可选:设置全局缩放因子(1.0 为默认,2.0 为 200% 缩放)
// qputenv("QT_SCALE_FACTOR", "1.5");
// 主窗口初始化代码...
return a.exec();
}

作用:确保 Qt 在高分辨率屏幕上正确缩放界面元素,避免模糊或错位。


2. 动态适配屏幕分辨率

在创建主窗口时,根据屏幕分辨率动态调整窗口大小,并使用布局管理器替代固定尺寸:

cpp

#include <QMainWindow>
#include <QScreen>
#include <QDebug>
int main(int argc, char *argv[]) {
QApplication a(argc, argv);
// 启用高 DPI 支持...
// 创建主窗口
MainWindow w;
// 获取主屏幕可用区域(排除任务栏等)
if (QScreen *screen = QGuiApplication::primaryScreen()) {
QRect availableGeometry = screen->availableGeometry();
int width = availableGeometry.width() * 0.8; // 窗口宽度为屏幕的 80%
int height = availableGeometry.height() * 0.8; // 窗口高度为屏幕的 80%
w.resize(width, height);
// 可选:将窗口居中
w.move(availableGeometry.center() - QPoint(width / 2, height / 2));
qDebug() << "Screen resolution:" << screen->geometry();
qDebug() << "Available geometry:" << availableGeometry;
} else {
qWarning("Failed to get primary screen! Using default size (800x600).");
w.resize(800, 600); // 回退默认大小
}
w.show();
return a.exec();
}

关键点:

  • 使用 availableGeometry() 替代 geometry(),避免窗口被任务栏遮挡。
  • 添加空指针检查,防止 primaryScreen() 返回 nullptr 时崩溃。
  • 通过日志输出屏幕信息,便于调试。

3. 使用布局管理器(Layout)

在 Qt Designer 或代码中,确保所有控件使用布局管理器(如 QVBoxLayout、QHBoxLayout),避免固定坐标和尺寸。例如:

cpp

// 在 MainWindow 的构造函数中初始化布局
MainWindow::MainWindow(QWidget *parent) : QMainWindow(parent) {
QWidget *centralWidget = new QWidget(this);
QVBoxLayout *layout = new QVBoxLayout(centralWidget);
QPushButton *btn1 = new QPushButton("Button 1");
QPushButton *btn2 = new QPushButton("Button 2");
layout->addWidget(btn1);
layout->addWidget(btn2);
layout->addStretch(); // 添加弹性空间
centralWidget->setLayout(layout);
setCentralWidget(centralWidget);
}

作用:布局管理器会自动根据窗口大小调整控件位置和尺寸,确保界面自适应。


4. 处理样式表(QSS)的尺寸单位

若使用了自定义样式表(QSS),避免使用固定像素值(如 width: 100px),改用相对单位(如 em、%)或通过代码动态计算:

css

/* 不推荐:固定像素值 */
QPushButton {
width: 100px;
height: 30px;
}
/* 推荐:相对单位 */
QPushButton {
width: 20%; /* 父容器的 20% */
min-height: 2em; /* 根据字体大小缩放 */
}

5. 环境变量配置(可选)

在 Debian 开发板的启动脚本(如 /etc/profile 或 ~/.bashrc)中添加以下环境变量,统一 DPI 缩放行为:

bash

# 强制 Qt 使用系统 DPI 设置
export QT_AUTO_SCREEN_SCALE_FACTOR=1
export QT_SCALE_FACTOR=1.0 # 可调整为 0.5~2.0 之间的值
# 启用字体抗锯齿(提升文本清晰度)
export QT_FONT_DPI=96

作用:覆盖 Qt 的默认 DPI 检测逻辑,适用于特殊场景。


三、验证与测试

1. 测试不同分辨率

在以下环境中测试 Qt 应用:

  • 低分辨率:800x480(如 7 寸屏)
  • 标准分辨率:1280x720(如 10 寸屏)
  • 高分辨率:1920x1080(如 15 寸屏)

2. 模拟高 DPI

通过 QT_SCALE_FACTOR 环境变量模拟高 DPI 缩放:

bash

# 放大 150%
QT_SCALE_FACTOR=1.5 ./your_qt_app
# 缩小 50%
QT_SCALE_FACTOR=0.5 ./your_qt_app

3. 检查日志输出

运行 Qt 应用时,观察终端输出的屏幕信息:

Screen resolution: QRect(0,0 1920x1080)
Available geometry: QRect(0,30 1920x1050) # 任务栏占用 30px

四、总结

问题原因解决方案关键代码/配置
DPI 缩放不一致启用高 DPI 支持Qt::AA_EnableHighDpiScaling
分辨率未适配动态获取屏幕尺寸QScreen::availableGeometry()
布局固定使用布局管理器QVBoxLayout、QGridLayout
样式表固定像素改用相对单位width: 20%
环境差异配置环境变量QT_SCALE_FACTOR=1.0

通过以上方法,你可以确保 Qt 应用在不同分辨率和 DPI 的 Debian 开发板上显示一致,提升用户体验和开发效率。完整的代码示例和配置文件已附在文末,欢迎下载参考!


附件:

从零到一:RK3568开发板全屏应用开发中的Weston配置实战 本文深入解析了在RK3568开发板上通过Weston配置实现全屏应用开发的关键技术。从Weston显示服务器的基础优势到全屏显示问题的根源分析,再到详细的配置实战和性能优化技巧,为开发者提供了完整的解决方案。特别针对RK3568开发板和Buildroot环境,分享了避免标题栏残留、焦点冲突等常见问题的实用方法。 阅读详情

相关推荐

ARM 嵌入式 Linux Qt GUI 开发全流程实战:从环境搭建到开发板部署(附完整控制面板代码)

本文手把手指导嵌入式Linux开发者从零搭建Qt开发环境,通过创建Hello World程序,深入理解对象模型、信号槽机制与布局管理。逐步完成交叉编译工具链配置、Qtopia源码移植及目标镜像构建,并提供权限、插件、依赖等常见启动故障的排查方案,助力开发者高效部署复杂图形界面应用。

m0_73354873的博客 156

QT 禁止DPI 缩放

DPI 禁用

yu_sn0w的博客 1473

5英寸HDMI屏幕全解析:从硬件原理到多系统适配实战

HDMI(高清多媒体接口)作为现代数字音视频传输的通用标准,其核心原理在于通过TMDS(最小化传输差分信号)技术实现高速、稳定的信号传输。这项技术的工程价值在于提供了即插即用的兼容性,极大简化了显示设备与主机系统的连接与驱动流程。在嵌入式开发、便携设备及信息展示等应用场景中,HDMI接口的显示器成为快速构建人机交互界面的首选。本文聚焦于5英寸HDMI LCD屏幕,深入探讨其硬件驱动板的工作原理、供电设计要点,并详细解析其在树莓派、Ubuntu及Windows等不同操作系统下的配置方法与常见问题解决方案,为开

weixin_33937913的博客 354

Qt 字体 QFont的尺寸

Qt字体大小、尺寸相关

sinat_35549832的博客 3786

嵌入式Qt虚拟软键盘:从控件设计到工程接入的完整指南

在嵌入式触屏设备开发中,虚拟软键盘是实现人机交互的基础组件。其核心原理是通过Qt控件模拟物理键盘,管理焦点与字符注入,解决无实体键盘的输入难题。技术价值在于提供可复用的键盘模块,提升开发效率与用户体验。典型应用场景包括工业HMI、自助终端、车载中控等。本文围绕Qt虚拟软键盘的资源,详细拆解其结构设计、工程接入方法及常见避坑技巧,帮助开发者快速集成并稳定运行。

weixin_29194817的博客 320

教程 | 基于遥感生态指数(RSEI)模型的生态环境质量评价

使用数据:Landsat8 OLI数据,行列号:122036,时间:20210527。 使用软件:ENVI5.3、ArcGIS10.2 二、4个指数计算 下述的四个指数的计算均是通过ENVI软件中的Band math工具进行计算。 (1)绿度指数 在常用的植被指数当中,归一化植被指数 ( NDVI) 能够有效地反映植被的生长情况与植被 覆盖度等重要植被的物理性质,检测灵敏度高,能 够较为真实地展现区域的地表空间变化规律,已经得到广泛利用,本文采用 NDVI 指数来代表绿度指数。 在ENV

YW_remote的博客 1万+

Qt应用在高DPI字体变大的解决方法

Qt应用(qt5.14.2+vs2019)开发的应用字体因为显示缩放大于100%导致显示字体变大从而使QTableWidget变得臃肿。虽然设置QApplication::setAttribute(Qt::AA_EnableHighDpiScaling);可以改变,但会导致整个窗口放大,使得显示区域不够用,经过测试我采用通过DPI计算字体大小的方法,这样不用改变窗体大小还能使得显示效果比较好看。

chansmile的专栏 1059

Power BI财销一体分析——KPI分析应用实践

第九步:插入三个散点图,行拖入分销商表分销商字段,将度量值中的销量拖入X轴,将利润拖入Y轴,大小拖入度量值总销售额,将分销商表业务类型字段作为筛选条件添加给散点图,分别选择专业自行车店、增值经销商、仓库,使视觉对象固定显示不同业务类型的散点分布。这个公式其实是不需要我们自己写的,依赖于快度量值功能星级评分,基值选择度量值总销售额,星数选择5,最低星值评分选择0,最高星级评分值选择100,点击添加,星级评分度量值就建立好了,接下来我们理解一下公式。好的,今天的讲解就到这里。

BI瓶子的博客 1558

(转载)Qt适应dpi的解决方案

转载自:https://blog.csdn.net/startl/article/details/105862817 QT这个地方真应该好好规整一下,规划设计的太乱了,开发者真的无所适从 先说最终解决方案: 使用资源qrc里添加,qt/etc/qt.conf,qt.conf中WindowsArguments=dpiawareness=0 好处就是直接让windows来控制,和多数程序保持一致。 如果采用QT本身的方案,显示效果比较好,但是有不少坑:比如你在代码里写死了的一些间距,就会出问题,...

苏州-青蛙 2959

使用.NET 免费开源包ViewFaceCore做一个人脸识别并注册的功能,没有比我更全的

本文介绍了一个基于WinForm的免费人脸识别系统实现方案。系统使用AForge和ViewFaceCore库,支持从USB或电脑自带摄像头采集图像,具备人脸注册和快速识别功能。硬件方面仅需普通摄像头,软件依赖多个NuGet包(如AForge.Video、ViewFaceCore等)。界面包含视频显示、图像预览和功能按钮控件,后台采用SQLServer存储用户面部特征数据。核心代码展示了人脸检测、特征提取和多线程处理逻辑,通过ViewFaceCore实现高效识别。系统具有识别速度快、准确率高的特点,适合Win

一个靠“吃代码”长大的程序猿,专治各种“Bug 饥饿症”。 820

从HAL库SPI状态机机制剖析:为什么你的DMA发送会卡在BUSY状态?

本文深入剖析了STM32 HAL库中SPI状态机机制导致DMA发送卡在BUSY状态的常见问题。通过分析状态机设计原理,揭示了混合使用阻塞方式和DMA方式时状态切换冲突的根源,并提供了三种实战解决方案:正确配置SPI中断、使用HAL_SPI_Abort()函数以及手动管理状态机,帮助开发者实现稳定流畅的SPI DMA通信。

bush的博客 272

QT 布局-解决窗口在高DPI的设备中显示不全的问题

窗口显示或者需要调整大小时,Qt会修改控件的sizeHint(),示意控件做出相应的调整,但是如果没有使用布局来管理控件的位置和大小,那么这个调整就无法应用到控件上。所以只要在设计UI时合理的使用布局,避免使用数值编码的位置和大小,就可以自动调整控件的大小。

weixin_41747615的博客 442

NVIDIA Jetson之交叉编译工具

参考:http://bbs.xfyun.cn/forum.php?mod=viewthread&amp;tid=33630 用TX2做红外热成像仪的识别,厂家不提供源码,只能提供对应版本的SDK,但是需要我们自己提供交叉编译器 由于之前没有做过交叉编译相关工作,对编译工具不太了解,因此查找相关资料学习下 交叉编译知识 一般来说,针对嵌入式平台的开发有两种编译模式:原生编译和交叉编译。原生编...

ZONGXP的博客 8388

QT程序从Windows到ARM开发板:手把手教你解决交叉编译中的屏幕适配问题

本文详细讲解了将QT应用程序从Windows环境迁移到ARM开发板时,如何系统性地解决交叉编译中的屏幕适配难题。文章从理解嵌入式与桌面环境的显示差异入手,逐步指导开发者在Qt Designer中构建自适应UI布局,并通过代码动态获取屏幕信息、管理窗口。同时,深入介绍了交叉编译环境的搭建、关键配置以及部署到开发板后的运行调试实战,为嵌入式QT开发者提供了一套完整的解决方案。

weixin_29182481的博客 638

一张微服务地图的十年演进:Spring Cloud 核心、扩展与工具组件的定位、原理与选型

本文把 Spring Cloud 当作一张微服务地图来读:先说明它是由 Commons 抽象层、实现层和 Boot 装配层构成的发行版,再沿一次请求梳理注册发现、负载均衡、声明式调用、容错限流、网关、配置、追踪与总线七类核心组件的原理与换代,并扩展到云平台、服务网格、消息流、批处理、安全与周边生态。仿真实测:默认参数下实例宕机平均 242 秒才被感知,优雅下线降到 47 秒;一个慢实例让轮询的 P99 达 49 秒,P2C 仅 203 毫秒。最后给出退场替代表、技术栈组合、升级路线和决策树。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 169万+

大数据在电力行业的应用案例解析-【电力技术】(九)大数据在电力储能运维中的深度应用(含故障预测代码)

大数据技术为电力储能运维提供了“精准化、智能化、高效化”的解决方案,破解了传统运维的核心痛点,实现了储能系统从“被动抢修”到“主动运维”的转型,为新型电力系统建设提供了重要支撑。当前,随着储能产业的快速发展,大数据与储能运维的融合将更加深入,未来将结合人工智能、物联网、区块链等技术,实现储能运维的全流程智能化——从设备故障的提前预警,到寿命的精准预测,再到运维策略的自动优化、调度协同的实时响应,进一步提升储能系统的安全性、经济性与可靠性。

getusushu的博客 88

【Qt开发】【ARM-Linux开发】 QT在ARM上显示字体的问题

在PC机上利用QT开发的应用程序在设置字体时,在PC上运行,可根据自己的设置,字体随之变大或变小。而移植到ARM上运行时发现,显示字体与所设置的字体不用,字体普遍偏小。经过上网搜索发现,是环境变量字库目录($FONTDIR)下没有相应的字库文件。我利用的是OK6410开发板,板子里已有移植好的Q...

weixin_30787531的博客 550

基于STM32LXXX的模数转换芯片ADC(CMS24AD2001)驱动C程序设计

/ 电压 = (原始值 / 2^23) * Vref (注意:24位有符号数范围为 -2^23 到 2^23-1)//---------------- 硬件端口映射 (请根据实际电路修改) ----------------ADC_SCLK_HIGH();- PGA 放大倍数可选:1、2、4、8、16、32、64、128、256;//---------------- 宏定义操作 -------------------//---------------- 函数声明 -------------------

myron6688的博客 163

iTOP6818上Qt for Embedded Linux 5.7实战部署与避坑指南

嵌入式Qt(Qt for Embedded Linux)是面向资源受限ARM平台的轻量级GUI框架,其核心原理在于绕过X11/Wayland,直接通过Framebuffer、Linux Input子系统和自定义平台插件实现硬件抽象。技术价值体现在低内存占用、确定性渲染和实时响应能力,广泛应用于工业HMI、智能终端和车载仪表等对稳定性与启动速度要求严苛的场景。然而实际落地时,开发者常因交叉编译链不匹配、Qt模块裁剪失当、Framebuffer驱动绑定失败、中文字体缺失及串口通信ABI兼容性等问题导致黑屏、触摸

weixin_34025151的博客 265

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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")

Qt for MCUs 2.11 LTS与Qt 5.15.19发布:ESP32-S3/RA8D1支持与地图渲染解析

嵌入式GUI开发中,MCU资源受限与图形渲染效率是核心挑战。Qt for MCUs通过精简运行时与硬件加速适配,在裸机与RTOS上实现流畅界面。2.11 LTS版本新增ESP32-S3和RA8D1芯片支持,并引入MCU地图渲染能力,结合2D加速器与Helium指令集,提升车载仪表、工业HMI等场景的交互体验。同时,Qt 5.15.19作为Qt 5最终版,为老项目提供安全修复与迁移窗口。本文深入拆解MCU图形开发的技术路径与性能调优实践。

weixin_34357928的博客 697

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Qt 6.8 LTS 与 Qt for MCUs 2.9 升级实战:Zephyr RTOS 支持与迁移指南

在嵌入式开发中,RTOS 与 GUI 框架的协同是提升界面流畅度的关键。Zephyr RTOS 作为轻量级实时操作系统,通过模块化调度和驱动抽象,为资源受限设备提供稳定运行基础。Qt for MCUs 2.9 官方支持 Zephyr,将 UI 渲染与任务管理解耦,降低移植成本,适用于工业仪表、智能家居等场景。Qt 6.8 LTS 则强化了 CMake 构建与 QML 渲染管线,提升桌面与嵌入式开发效率。本文深入解析版本变化、迁移步骤及内存调优,助你快速上手。

weixin_33970449的博客 509

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Qt 6.8 LTS与Qt for MCUs 2.9双版本发布:嵌入式与桌面开发核心变化及迁移实操

Qt作为跨平台应用开发框架,其LTS版本为商业项目提供长期稳定支持,而Qt for MCUs则面向资源受限的微控制器。Qt 6.8 LTS与Qt for MCUs 2.9的发布,在构建系统、QML运行时、图形渲染及RTOS集成等方面带来实质改进。对于工业HMI、车载仪表等场景,新版本打通了从高端SoC到低端MCU的图形开发链路,并支持Zephyr RTOS。开发者需关注CMake迁移、QML编译缓存、内存优化及常见编译错误排查,以提升开发效率与产品稳定性。

weixin_34221073的博客 138

5英寸1080x1080方形LCD驱动全攻略:从硬件选型到系统配置实战

在嵌入式系统与显示技术领域,LCD驱动是连接主控芯片与用户界面的核心环节,其原理涉及时序控制、信号完整性与帧缓冲管理。该技术对于实现高密度信息展示与紧凑空间布局具有重要价值,广泛应用于工业HMI、便携仪表及创客项目。针对非常规的1080x1080方形分辨率,硬件选型需平衡通用性与集成度:HDMI驱动板方案即插即用但增加体积,而直连MCU/MPU方案则需处理STM32H750的DMA传输与RK3588的Linux驱动配置等复杂问题。在系统层面,Windows可通过自定义分辨率适配,Linux需借助xrandr

weixin_33727510的博客 349

Qt 5.15.19 终结与 Qt for MCUs 2.11 LTS 发布:ESP32-S3 和 RA8D1 支持及地图渲染解析

嵌入式GUI开发中,Qt for MCUs 为MCU提供QML渲染能力,其LTS版本确保长期维护。Qt 5.15.19作为Qt 5最终版停止更新,而Qt for MCUs 2.11 LTS新增ESP32-S3和RA8D1支持,并引入地图渲染功能。这降低了带屏IoT设备的开发门槛,适用于工业HMI、车载导航等场景。本文深入拆解更新细节、环境搭建与性能调优,助你高效落地项目。

weixin_33816946的博客 208

Qt for MCUs 2.11 LTS发布:ESP32-S3地图渲染与Qt 5.15终章

在资源受限的MCU上实现流畅图形界面一直是嵌入式开发的难点,而Qt for MCUs的推出改变了这一局面。它通过裁剪Qt Quick渲染管线,让QML声明式语法得以运行在微控制器上,并借助软件渲染与硬件加速结合的方式,在ESP32-S3等芯片上实现了地图渲染能力。这一技术不仅降低了HMI开发门槛,也使得基于矢量数据的交互地图不再局限于应用处理器。在工业控制、智能家居等场景,开发者如今可以利用Qt for MCUs构建实时性要求更高的图形界面,同时Qt 5.15.19作为Qt 5收官版本,也为存量项目提供了安

weixin_34235457的博客 249
上一篇: Debian Buster 软件源失效问题
下一篇: TQ3568_COREB 新板无任务栏?
yy__xzz
博客等级 码龄4年 5824粉丝 238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
 
 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

打赏作者

yy__xzz

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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