3.PCIe协议分析1-预备知识点

PCIE通信接口使用笔记

PCIE通信接口

PCIe系列专题之五：PCIe总线电源管理

当PCIe设备发送端决定进入L0s时，发送端会停止数据输出，并给接收端发送Ordered set "EIOS"，之后，发送端就进入Electrical Idle状态。4. 在前面的准备工作完成之后，此时就可以放心的给上游设备发送进入L1状态的请求咯。比如，进行DMA操作时，发送端一直处于工作状态L0，而接收端在长时间内无事可做，将自主进入L0s状态，此时不需要发送端同步进入L0s。因为发送TS1序列之后，设备退出Electrical Idle状态，也即退出L1，进入Recovery状态，进而回到L0状态。

一个简单的PCIE驱动到设备的通信协议

本文主要介绍一个简单的单一设备PCIE驱动程序和设备的通信协议，从上到下大致分为三层：应用层、驱动层和设备层。其中，应用层和驱动层通过系统总线（win32 API调用）实现通信，驱动层和设备层通过PCI总线（地址空间映射）进行通信。 一、Driver和Device的数据交互方式         Driver和Device的通信主要是通过地址空间映射来实现。操作系统将Device的物理地

高速串行技术（二）之（PCIe中的基本概念）

写在前面的话： 预备了前面的并行串行传输的基础知识，就是为了一个PCIe的项目，搞得头疼，一个例子都跑了一下，看到能够识别心里高兴了一把，但是打开代码一看 完全不懂 查找资料 很多 但是也很凌乱 比清晰，不适合小白（如我！！！！！） 下定决心 整理一下 参考两本书籍。《PCI_Express_Base_Specification_Revision》，《PCI Exp...

Wireshark实战：图解PCIe链路训练与LTSSM状态机调试

在计算机底层通信中，总线协议是设备间高效、可靠数据传输的基石。PCIe作为现代计算机的核心高速互连标准，其链路训练过程是物理层建立稳定连接的关键机制，通过LTSSM状态机实现速率、宽度和通道映射的自动协商。掌握这一过程的调试方法，对于解决硬件兼容性、链路不稳定和性能降速等工程问题具有重要价值。本文聚焦于利用Wireshark这一网络协议分析利器，结合硬件抓包工具捕获的PCAP文件，深入解析LTSSM各状态对应的有序集和数据链路层包，将不可见的协议握手过程可视化。通过实战案例，演示如何从海量数据中定位训练失败

PCIe均衡协商Phase 0-3全解析：像侦探一样调试你的高速链路

本文深入解析PCIe均衡协商的四个关键阶段（Phase 0-3），帮助工程师像侦探一样调试高速链路。通过预加重、去加重和接收端均衡三大技术，详细介绍了每个阶段的参数调节和信号质量评估方法，并提供了实战调试技巧和常见问题解决方案，助力提升PCIe链路的稳定性和性能。

告别信号失真：用通俗图解搞懂PCIe均衡里的预加重、去加重和接收端均衡

本文深入解析PCIe均衡技术，通过通俗图解详细讲解预加重、去加重和接收端均衡的原理与应用。了解这些技术如何有效解决高速信号传输中的失真问题，提升系统性能，适用于现代计算机内部的高速数据通道设计。

MPC8544E PCIe电源管理与全局功能配置实战解析

在嵌入式系统设计中，电源管理是确保设备稳定、长续航运行的核心技术，尤其在对功耗敏感的工业网关、网络交换机和便携式医疗设备中至关重要。其原理在于通过精细控制芯片各功能模块的功耗状态，在性能与能耗间取得最佳平衡。这项技术的核心价值在于能显著提升系统能效与可靠性。在PCI Express等高速外设的应用场景中，电源管理涉及设备电源状态与链路电源状态的协同管理。以飞思卡尔MPC8544E PowerQUICC III处理器为例，其PCIe控制器支持ASPM等硬件自动管理机制，并可通过DEVDISR等全局功能寄存器禁

2.PCIe协议分析

从今天开始，我们讲解PCIE协议分析章节的内容，本章分为4节内容，具体如下： （1）第1节：预备知识点 我们知道要想深入了解FPGA PCIE逻辑、理解PIO例子工程、应用XAPP1052 demo、应用XDMA例子工程，需要熟练知道PCIE的一些最基本的概念，比如PCIE配置空间、PCIE Bar空间、PCIE地址映射、PCIE传输层级结构，看了这些东西可能会让很多人抓狂，不...

4.PCIe协议分析2-PIO XAPP1052 XDMA三者联系和区别详谈

一、回顾 上一节我们讲了PCIE协议分析的一些预备知识点，就是以下不好理解的内容，这些内容到后期实战代码涉及到时我会在给大家细说的，这里如果你实在看不懂，也不强求。 PCI-E配置空间 PCI-E地址映射 PCI-E BAR寄存器和BAR空间 PCI-E层级结构详谈 二、PIO XAPP1052 XDMA三者联系和区别详谈 因为我们马上要分析TLP包格式了，而且后期要学...

8.PCIe实战后期课程大纲

1.前期回顾 前面我们讲解了预备知识点、PIO，XAPP1052，XDMA三者的联系和区别、PCIe TLP详解、AXI 4.0协议。 2.后期课程大纲 2.1 PIO源码分析（5部分） 2.2 XAPP1052源码分析（6部分） 2.3 XDMA源码分析（6部分） 3.博文更新进度 由于前段时间个人原因博文迟迟没有更新，在这里给大家说句抱歉。后期内容我会在最短的时间进行发布，代码已经测试和整理完毕，如下所示，明天我们开始对PIO功能讲解和代码工程创建。 1.

【AutoDL】使用云服务器跑深度学习代码

1.算力市场 租用服务器，选择自己心仪的服务器2.镜像可以选择一些基础的镜像，社区镜像里是git上有的环境。3.上传文件在文件存储中，选择上传的区，在右边点击上传，选择自己的文件上传到云服务器中。

配置xen上VM混杂模式，使其能捕获物理网络流量

本文目的：配置VM和xen相应的物理网卡（pif）和虚拟网卡（vi

FreeFEM++下载安装和使用

最近要利用机器学习求解一些偏微分方程，对于一些复杂的偏微分方程，需要一些精度比较高的参考解，导师推荐了FreeFEM++软件。首次使用，特此记录一下，以备以后查阅。 1、FreeFEM++简介 FreeFEM是开源的有限元模拟系统，有法国利翁斯实验室、埃尔和玛丽居里大学共同开发，在世界范围内广泛使用。 2、FreeFEM++去何处下载？ 下载地址：https://freefem.org/ 点击Download，然后会跳转到 https://github.com/FreeFem/FreeFem-source

【ART-Pi与RT-Thread入门】①ART-Pi上手初体验

文章目录关于ART-Pi实物照片板载资源、扩展接口及驱动支持扩展引脚默认固件蓝牙配网微信扫描二维码设备选择 ART-Pi，输入所要连接的 WIFI SSID 和密码配网成功会显示IP地址打开IP地址Finsh控制台配网WindowsmacOS 关于ART-Pi ART-Pi是 RT-Thread 团队为嵌入式软件工程师、开源创客设计的一款极具扩展功能的 DIY 开源硬件。致力打造一个开源的软硬件平台。 实物照片 板载资源、扩展接口及驱动支持 扩展引脚 其中P1排扩展引脚座兼容树莓派的扩展接口，并

2023全国职业技能大赛 网络系统管理 服务部署 Linux部分--基础配置

服务器和客户端基本配置如下表，各虚拟机已预装系统。一、关闭防火墙和Selinux。七、需要使用到的命令详解。三、修改root密码。

高频注入是否需要对齐和强拖操作？

高频注入技术显著优化了传统FOC启动流程，但仍需部分对齐操作。传统启动必须包含位置检测、对齐和强拖等步骤，而高频注入可实现零速闭环，简化或跳过部分环节。高频注入下的对齐主要用于验证有效性、初始化观测器和建立初始磁链，形式可大幅简化。虽然高频注入基本消除了传统强拖需求，但在重载、弱凸极等特殊情况下仍需辅助。实际应用中可采用自适应混合策略，根据负载和电机类型选择最优启动方案。高频注入使对齐和强拖从"必须"变为"可选优化项"，是无传感器控制的重要进步。

如何在不牺牲精度的前提下，把 YOLOv11 压缩到 Jetson 能跑的程度

YOLOv11 在目标检测任务中具备较强的准确性与多尺度鲁棒性，但其原始模型参数规模与计算量，对边缘设备来说并不友好，特别是面向 Jetson 这类资源受限的推理平台。本文基于实际部署场景，逐步拆解从结构层级改造、剪枝策略制定、量化导出流程，到 Jetson TensorRT 推理落地全过程。在不牺牲主干精度的前提下，最终实现 YOLOv11 推理延迟缩短 3 倍、模型体积压缩 4 倍、mAP 损失控制在 1% 以内的轻量化优化结果，并总结出一条可复用的工程路径，供工业界与边缘侧模型部署开发者参考。

华为OD机试 - 计算误码率（Python/JS/C/C++ 双机位C卷 100分）

移动通信 网络中的误码率主要是指比特误码率，其计算公式如下：比特误码率 = 错误比特数 / 传输总比特数，为了简单，我们引入字符串来表示误码通信的信息，一个字符错误了，就认为出现了一个误码。我们需要将这两个压缩字符串解压成实际的字符序列，然后逐位比较它们，统计误码（不同字符）的数量。题目给出两个经过压缩编码的字符串，通过解压缩后需要判断两个字符串在解压后的误码率，即对应位置不同的字符数量占总字符数量的比例。输入一个标准的字符串，和一个传输前的字符串，计算误码率。两个解压后的字符串完全相同，没有错误字符。

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[](https://bitdeli.com/free "Bitdeli Badge")