Zynq学习系列

零配置初始化流程就一直过不去_ZYNQ UltraScale+ MPSoc FPGA自学笔记-启动加载配置...

言归正传，ZYNQUltraScale+MPSoc的配置过程还是挺复杂的，决定写一篇文章来讲一讲，当然我也是初学，如有错讹请轻轻打左脸。

weixin_40009026·2024-09-14 08:52

Linux git

参考Linux上传文件至GitHubLinux学习系列（二十）：在Linux系统中使用Git上传代码到GitHub仓库Linux下使用git克隆github项目及文件上传Linux/Ubuntu下使用git

Reicher·2024-09-14 01:36

zynq usb dwc3中断事件异常

最近在调试zynq的usb，发现一个问题，给pcbulk传输吐log，传输速率1MB左右速率发包，发现会传输终止，调用epsend接口会失败原因在于没有收到传输完成事件，收到连续2次notready事件

charschu·2024-09-12 21:08

PetaLinux开发流程

1.Createanewprojectpetalinux-create-tproject--templatezynq-n$(project_name)orpetalinux-create-tproject-s

非鱼知乐·2024-09-10 00:10

ZYNQ MPSOC FPGA 仿真教程

1.**FPGA与MPSOC**:FPGA(FieldProgrammableGateArray)是一种可以通过编程配置的集成电路，适用于各种应用和功能。MPSOC(Multi-ProcessorSystemonChip)是集成了多个处理器（通常是微处理器）的系统芯片，用于处理复杂的应用，如图像处理、网络通信等。2.**仿真与分析**:-**仿真波形图**:在进行硬件设计时，仿真波形图是用来验证电

行者..................·2024-09-09 20:07

zybo上运行linux,Zybo开发板linux作业系统移植

文章使用的开发板是zynq7000系列的zyboboard。

周行文·2024-09-09 05:54

ZYNQ LWIP (RAW API) UDP函数学习

1RAWAPI接口RAWAPI是基于回调函数实现的API接口，它是很底层的API接口，这需要开发者对LwIP有较深的了解才能很好使用它，RAWAPI的核心就是对控制块的处理，因为对于报文数据的处理、注册回调函数等都是需要开发者自己去实现，都是比较麻烦的，但是有一个优点，那就是处理数据效率高。2RAWAPI的UDP函数说明udp_new()–新建控制块在使用UDP协议进行通信之前，必须创建一个UDP

LEEE@FPGA·2024-09-06 08:06

机器学习系列12：反向传播算法

当我们要运用高级算法进行梯度下降时，需要计算两个值，代价函数和代价函数的偏导数：代价函数我们之前已经知道怎么求了，现在只需要求代价函数的偏导数即可。采用如下方法，先进行前向传播算法，然后再进行反向传播算法（BackpropagationAlgorithm），反向传播算法与前向传播算法方向相反，它用来求代价函数的偏导数。具体过程看下图：用δ作为误差，计算方法为：有时我们在运用反向传播算法时会遇到bu

SuperFengCode·2024-09-04 10:40

深度学习系列（1) TensorFlow---Tensorflow学习路线

学习TensorFlow是掌握深度学习和机器学习的关键一步。以下是一个详细的TensorFlow学习路线图，涵盖从基础到高级的知识点和实践，帮助你逐步掌握TensorFlow并应用于实际问题中。1.基础知识1.1了解TensorFlow概念：什么是TensorFlow？它的用途和应用场景。安装：如何在本地机器上安装TensorFlow，使用pip安装基本库。文档和教程：熟悉TensorFlow的官

CoderIsArt·2024-09-04 04:55

Docker学习系列（七）：使用Kubernetes Operators进行应用的自动化运维管理

使用KubernetesOperators进行应用的自动化运维管理KubernetesOperators是扩展Kubernetes功能的强大工具，可以自动化复杂的应用运维任务。本篇文章将详细介绍KubernetesOperators的概念、工作原理，并通过实际案例演示如何创建和使用Operators进行应用的自动化运维管理。一、什么是KubernetesOperators？KubernetesOp

黄宝良·2024-09-03 16:47

【ZYNQ MPSoC开发】双核数据采集系统AXI DMA传输，LWIP TCP发送的调试记录

问题背景项目需求是使用ZU3EG实现一个汇集板的功能。具体而言，PL端接收来自前级的来的带有时间戳的ADC数据，先在PL端进行数据对齐，再通过AXIDMA传输到PS端，由PS端通过lwip实现TCP客户端。在成功连接到PC后，通过AXIGPIO给PL端一个信号，开始产生模拟数据（还未上前级，只是模拟），并开始AXIDMA简单传输，每次传输完成后，如果lwip的发送buffer足够，则立刻把数据发出

辣个蓝人QEX·2024-09-03 09:28

C# WPF入门学习主线篇（十六）—— Grid布局容器

C#WPF入门学习主线篇（十六）——Grid布局容器欢迎来到C#WPF入门学习系列的第十六篇。

Ice bear433·2024-09-03 01:10

【ZYNQ MPSoC开发】lwIP TCP发送用于数据缓存的软件FIFO设计

设计背景任务是在ZYNQ的PS上使用裸机运行lwIP协议栈使用TCP把PL端通过AXIDMA传来的将近100K采样率的ADC数据发送出去，但由于数据带宽很大，有853.3mbps，所以在每一次AXIDMA

辣个蓝人QEX·2024-09-02 22:17

从0开始的OpenGL学习（三十六）-Debugging

Debug从0开始的OpenGL学习系列目录说到编程，写代码，有一个我们永远绕不过去的话题就是Debug。BUG这种东西真是对它恨之入骨啊，不经意间的一个BUG就可以毁掉你的夜晚，甚至毁掉你的周末。

闪电的蓝熊猫·2024-09-02 21:56

基于multisim的fm调制解调_基于SDR的FM调制与解调器的实现

www.eepw.com.cn/article/201907/402132.htm(西安邮电大学电子工程学院，陕西省西安市710121)摘要：提出了一种基于SDR的FM调制解调器的实现方案，此方案采用ZYNQ

weixin_39876514·2024-09-01 23:00

基于Python的机器学习系列（18）：梯度提升分类（Gradient Boosting Classification）

简介梯度提升（GradientBoosting）是一种集成学习方法，通过逐步添加新的预测器来改进模型。在回归问题中，我们使用梯度来最小化残差。在分类问题中，我们可以利用梯度提升来进行二分类或多分类任务。与回归不同，分类问题需要使用如softmax这样的概率模型来处理类别标签。梯度提升分类的工作原理梯度提升分类的基本步骤与回归类似，但在分类任务中，我们使用概率模型来处理预测结果：初始化模型：选择一个

会飞的Anthony·2024-09-01 12:50

HFM深入技术学习系列之四--调用API生成日记账

概述本文描述使用HFM提供的SDK自动生成日记账介绍分为三个步骤1获得进入HFM的session2获得JournalOM3使用JournalOM保存日记账用到的包fmcommon.jarfm-web-objectmodel.jarhssutil.jar代码示例获取JournalOMISecurityManagertpMNG=HSSUtilManager.getSecurityManager();S

Flora_Fang·2024-08-31 18:00

HFM深入技术学习系列之五--FDMEE钻取EBS

概述本文描述如何设置FDMEE钻取回EBS的方法。注意：FDMEE是通过OpenInterface抽取EBS数据的，不是直接与EBS连接设置过程1进入FDMEE2设置->源适配器->钻取URL3添加钻取URL，录入名称，请求方法等4设置->导入格式5选择要设置的导入格式，详细信息栏目中的钻取URL选项中选择设置好的钻取URL钻取EBS的URLURL格式http://myserver.com:801

Flora_Fang·2024-08-31 18:00

HFM深入技术学习系列之二--规则

学习的路线学习如何写规则，从技术的角度看，从以下几点入手：0HFM合并报表的基本业务功能1规则的入口，即HFM是从哪里调用我们写的规则。2规则的基本语法，规则是用VBSCRIPT写的，这里所说的基本语法不是指的VBSCRIPT的语法，其实更多地是说规则里HS这个OBJECT和相关函数如何使用。3规则的深入应用HFM合并报表的基本业务功能HFM是一个专业性很强的软件，技术人员如果对其涉及到的财务-合

Flora_Fang·2024-08-31 18:30

基于Python的机器学习系列（17）：梯度提升回归（Gradient Boosting Regression）

简介梯度提升（GradientBoosting）是一种强大的集成学习方法，类似于AdaBoost，但与其不同的是，梯度提升通过在每一步添加新的预测器来减少前一步预测器的残差。这种方法通过逐步改进模型，能够有效提高预测准确性。梯度提升回归的工作原理在梯度提升回归中，我们逐步添加预测器来修正模型的残差。以下是梯度提升的基本步骤：初始化模型：选择一个初始预测器h0(x)，计算该预测器的预测值。计算残差：

会飞的Anthony·2024-08-31 09:02

基于Python的机器学习系列（16）：扩展 - AdaBoost

简介在本篇中，我们将扩展之前的AdaBoost算法实现，深入探索其细节并进行一些修改。我们将重点修复代码中的潜在问题，并对AdaBoost的实现进行一些调整，以提高其准确性和可用性。1.修复Alpha计算中的问题在AdaBoost中，如果分类器的错误率e为0，则计算出的权重α将是未定义的。为了解决这个问题，我们可以在计算过程中向分母中添加一个非常小的值，以避免除零错误。2.调整学习率sklearn

会飞的Anthony·2024-08-31 09:00

深度学习系列70：模型部署torchserve

1.流程说明ts文件夹下，从launcher.py进入，执行jar文件。入口为model_server.py的start()函数。内容包含：读取args，创建pid文件找到java，启动model-server.jar程序，同时读取log-config文件，TEMP文件夹地址，TS_CONFIG_FILE文件根据cpu核数、gpu个数，启动多进程。每个进程有一个socket_name和socket

IE06·2024-08-31 00:25

MySQL 系统学习系列 - SQL 语句 DQL 语句的使用（2）《MySQL系列篇-04》

SQL语句DQL聚合函数1.聚合聚合查询：指的是一个函数[聚合函数对一组执行计算并返回单一的值]聚合的目的：为了快速得到统计数据聚合函数说明count(*)表示计总行数，括号中写*与列名，结果相同max(列)表示求此列最大值min(列)表示求此列最小值sum(列)求此列的和avg(列)求此列的平均值group_concat(列)按组进行来接数据▲【分组查询】#count函数-通常配合组合一起使用#

小孔_H·2024-08-25 17:31

MySQL 系统学习系列 - SQL 语句 DQL 语句的使用（1）《MySQL系列篇-03》

SQL语句DQL数据库表常见查询语句1.全部查询#查询全部[SELECT*FROM表名]SELECT*FROMstu;#查询stu表中的所有列#再SELECT语句后加上distinct语句，表示去重查询SELECTdistinct`name`FROMstu;#查询stu表中的所有name列（去重）2.条件查询#条件查询[SELECT*FROM表名FROMWHERE条件]#比较运算符SELECT*F

小孔_H·2024-08-25 17:01

MySQL 系统学习系列 - SQL 语句 DML 语句的使用《MySQL系列篇-02》

SQL语句DML数据库DML操作0.MySQL中大小写问题[tip]：1.数据库名与表名是严格区分大小写的(window不区分)2.表的别名是严格区分大小写的（如stuass）(window不区分)3.列名忽略大小写4.变量名也是严格区分大小写1.插入数据其中分别可以使用全列插入、缺省插入与批量插入三种方式#全列插入：INSERTINTO表名VALUES(v1,v2,v3,...)INSERTIN

小孔_H·2024-08-25 16:28

Linux学习系列之vim编辑器（一）

vi编辑器的操作模式输入模式—aio等—>命令模式<—：键—末行模式从输入/末行模式切换到命令模式都是需要按ESC键注:a光标后输入，i光标前输入，o直接向下加一行输入，O向上加一行输入在vi编辑器中光标的移动（命令行模式下）键组合（命令）光标的移动$光标移动到当前行的结尾0（零）光标移动到当前行的开始GG光标移动到最后一行gg光标移动到第一行在命令行模式下删除与复制的操作键组合（命令）含义dd删

llibertyll·2024-03-28 23:29

线性回归（1）

MachineLearninginMarketing感谢李宏毅《回归-案例研究》部分内容为听取李宏毅老师讲座的笔记，也融入了自己对机器学习理解，个人推荐李宏毅老师的机器学习系列课程，尤其对于初学者强烈推荐

zidea·2024-03-06 05:24

Jmeter学习系列之七：并发线程组Concurrency Thread Group详解

一、ConcurrencyThreadGroup的介绍ConcurrencyThreadGroup提供了用于配置多个线程计划的简化方法该线程组目的是为了保持并发水平，意味着如果并发线程不够，则在运行线程中启动额外的线程和StandardThreadGroup不同，它不会预先创建所有线程，因此不会使用额外的内存对于上篇讲到的SteppingThreadGroup来说，ConcurrencyThrea

艳Yansky·2024-02-29 17:57

Python学习系列 -认识面向对象三大特性、可见性和属性装饰器

系列文章目录第一章初始Python第二章认识Python变量、类型、运算符第三章认识条件分支、循环结构第四章认识Python的五种数据结构第五章认识Python函数、模块第六章认识面向对象三大特性文章目录系列文章目录前言一、类和对象1.定义类2.创建和使用类对象3.使用类对象中的方法4.初始化二、面向对象的三大特性1.封装2.继承3.多态三、属性可见性四、属性装饰器总结前言面向对象编程是一种非常流

需要休息的KK.·2024-02-29 15:25

Flutter框架性泛学习系列之二、Flutter应用层（Application Layer）上-常用Widgets与简单动画

文章目录概述一、应用程序（Application）：1、创建应用对象2、定义应用主页二、Widgets：1.基础的内置Widgets应用1.1TextWidget1.2RaisedButtonWidget1.3ImageWidget1.4IconWidget2.自定义Widgets的创建与应用2.1创建按钮组件2.2创建卡片组件2.3创建自定义列表项3.布局Widgets的应用3.1RowWidg

太书红叶·2024-02-26 03:12

Rust可以解决的常见问题

rust处理缓冲区溢出问题3.数据竞争（DataRaces）4.空指针（NullPointers）5.内存泄漏（MemoryLeaks）6.并发安全（ConcurrencySafety）总结前言Rust学习系列

TE-茶叶蛋·2024-02-20 19:37

硬件加速OpenCV的图像处理方法研究

结合XilinxZynqSoC架构和其视频图像处理方面的优势，通过软硬件协同的方法，实现OpenCV程序算法向高性能处理平台ZynqSoC系统的移植和加速。该

Jason_儿·2024-02-20 13:55

Linux学习系列（二十）：在Linux系统中使用Git上传代码到GitHub仓库

这里写目录标题引言一、Git的基本原理二、如何在Linux中连接Github代码仓库1.安装git2.设置用户名和邮箱3.创建Github本地仓库4.通过ssh密钥连接GitHub仓库三、Git的基本使用1.创建本地仓库2.拉取远程仓库代码3.修改远程仓库的代码4.向远程仓库提交代码四、Git常用命令引言在工作中用git命令提交代码办公是非常常用的，所以掌握git的基本原理以及使用方法是非常的重要

lijiachang030718·2024-02-20 04:09

平时积累的FPGA知识点（9）

解释：Xilinx公司的ZynqUltraScale+RFSoC系列芯片进行项目开发，在某些芯片型号中，自身带有SD-FEC硬核资源，具体查询方式，可在Xilinx官方网站检索DS889手册。

徐丹FPGA之路·2024-02-19 19:05

Rust-知多少？

总结前言Rust学习系列，记录一些rust使用小技巧1.使用下划线开头忽略未使用的变量如果你创建了一个变量却不在任何地方使用它，Rust通常会给你一个警告。

TE-茶叶蛋·2024-02-19 16:44

Rust 原生类型

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、标量类型（scalartype）二、复合类型（compoundtype）总结前言Rust学习系列，rust中的原生类型一、

TE-茶叶蛋·2024-02-19 16:13

Rust-所有权（ownership）

文章目录前言一、管理计算机内存的方式所有权规则二、Rust中的moveCopytrait三、Rust中的clone总结前言Rust入门学习系列-Rust的核心功能（之一）是所有权（ownership）。

TE-茶叶蛋·2024-02-19 16:10

Kotlin学习系列（二）Kotlin语法基础

本系列内容均来自《Kotlin从小白到大牛》一书，感谢作者关东升老师。标识符和关键字1标识符标识符就是变量、常量、函数、属性、类、接口和扩展等由程序员指定的名字。构成标识符的字符均有一定的规范，Kotlin语言中标识符的命名规则如下：区分大小写：Myname与myname是两个不同的标识符。首字符，可以是下划线（_）或字母，但不能是数字。除首字符外其他字符，可以是下划线（_）、字母和数字。硬关键字

Fakecoder_Sunis·2024-02-15 08:11

【Zynq7010 ebaz4205矿渣变废为宝（此教程包含如何更改PL侧的电路，使得能够正常使用PL侧的资源）】

一、时钟时钟部分的电路图如下图所示，如果想用PL侧的晶振的话，需要手动焊接一个50MHZ的晶振，并将R1372和L29用0欧姆电阻连通。也可以加上一坨锡连通。我使用的是订书器钉。将订书器钉截取一部分，可以很好的替代0欧姆电阻。50MHZ晶振和R1372在这里，焊接好即可：注意，L29在板子的背面：焊接好后，50M晶振可以正常使用。二、电源该板子虽然是标注的12v供电，但是使用5v依然可以工作。如果

会咬鸢的风·2024-02-13 18:05

Zookeeper学习系列【二】Zookeeper 集群章节之集群搭建

前言同道们，好久不见，上一章中，我主要讲了Zookeeper的一些基础的知识点。数据模型+原语集+Watches机制。本章内容主要讲的是集群搭建相关的知识。本篇的内容主要包含以下几点：Zookeeper运行模式Zookeeper搭建一、Zookeeper运行模式Zookeeper有两种运行模式，单点模式和集群模式。单点模式（standalonemode）-Zookeeper只运行在单个服务器上，常

Richard_易·2024-02-13 04:20

ZYNQ7020最小系统搭建PS端配置

1.创建设计2.DDR配置（根据自己板子的实际情况进行选择）3.串口配置4.如果不包含PL端则取消勾选5.自动引出接口6.验证设计7.输出设计8.生成顶层HDL9.导出硬件10.打开Vitis11.设置字体12.编译13.打开串口调试助手14.烧录程序15.结果

你觉得很酷吗？·2024-02-13 04:57

MySQL学习系列之四——数据过滤和过滤数据

在上一篇内容中我们介绍了简单的select查询、查询结果返回固定条数以及对查询结果进行排序。这一篇内容会介绍简单的数据过滤，主要包括where子句操作符、AND、OR、IN、NOT操作符。实际应用中，数据过滤分两种，可以在应用层通过代码过滤，在数据库中取出所有的值，然后通过代码循环判断，取出符合条件的值，但是这种方法效率非常低，会传给应用多余数据，浪费网络带宽，一般只有写不出对应的数据库脚本时，才

小詹小詹·2024-02-12 17:20

机器学习系列（8）——提升树与GBDT算法

本文介绍提升树模型与GBDT算法。0x01、提升树模型提升树是以分类树或回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。提升方法实际采用加法模型（即基函数的线性组合）与前向分步算法，以决策树为基函数的提升方法称为提升树（boostingtree）。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型：其中，表示决策树，为决策树的

陌简宁·2024-02-11 14:40

Java并发包源码学习系列：阻塞队列实现之LinkedBlockingDeque源码解析

文章目录LinkedBlockingDeque概述类图结构及重要字段linkFirstlinkLastunlinkFirstunlinkLastunlink总结参考阅读系列传送门：Java并发包源码学习系列

天乔巴夏丶·2024-02-11 14:37

机器学习系列——（十三）多项式回归

引言在机器学习领域，线性回归是一种常见且简单的模型。然而，在某些情况下，变量之间的关系并不是线性的，这时候我们就需要使用多项式回归来建模非线性关系。多项式回归通过引入高次项来扩展线性回归模型，从而更好地拟合数据。本文将详细介绍多项式回归的原理、应用场景和实现步骤，并通过一个实际案例演示如何使用多项式回归进行预测。一、原理多项式回归是一种形式上为多项式的函数与自变量之间的线性回归关系。其基本原理是通

飞影铠甲·2024-02-10 21:06

机器学习系列——（二十二）结语

随着我们的机器学习系列的探索画上句号，我们不禁感慨于这一领域的广阔和深邃。从最初的基础概念到复杂的算法，从理论的探讨到实际应用的示例，我们一起经历了一段非凡的旅程。

飞影铠甲·2024-02-10 11:53

机器学习系列——（二十一）神经网络

引言在当今数字化时代，机器学习技术正日益成为各行各业的核心。而在机器学习领域中，神经网络是一种备受瞩目的模型，因其出色的性能和广泛的应用而备受关注。本文将深入介绍神经网络，探讨其原理、结构以及应用。一、简介神经网络是一种受到人类神经系统启发而设计的计算模型。它由大量的人工神经元组成，这些神经元之间通过连接进行信息传递和处理。神经网络的主要目标是从数据中学习规律，并能够进行预测、分类、识别等任务。二

飞影铠甲·2024-02-10 11:23

机器学习系列——（二十）密度聚类

引言在机器学习的无监督学习领域，聚类算法是一种关键的技术，用于发现数据集中的内在结构和模式。与传统的基于距离的聚类方法（如K-Means）不同，密度聚类关注于数据分布的密度，旨在识别被低密度区域分隔的高密度区域。这种方法在处理具有复杂形状和大小的聚类时表现出色，尤其擅长于识别噪声和异常值。本文将详细介绍密度聚类的概念、主要算法及其应用。一、概述密度聚类基于一个核心思想：聚类可以通过连接密度相似的点