RT-Thread Nano内存优化全攻略:如何在20KB RAM的STM32F103上跑通Shell?

letterShell STM32移植 letter shell 码云地址 STM32F103 移植 1. 修改shell_cfg.h文件 /** * @brief 是否使用默认shell任务while循环,使能宏`SHELL_USING_TASK`后此宏有意义 * 使能此宏,则`shellTask()`函数会一直循环读取输入,一般使用操作系统建立shell * 任务时使能此宏,关闭此宏的情况下,一般适用于无操作系统,在主循环中调用`shellTask()` */ #define SHELL_TASK 阅读详情

RT-Thread Nano内存优化全攻略:如何在20KB RAM的STM32F103上跑通Shell?

当嵌入式开发者面对资源受限的MCU时,如何在有限的内存中实现完整功能成为关键挑战。STM32F103C8T6这颗经典Cortex-M3芯片仅有20KB RAM,却要运行RTOS和Shell交互功能,这看似不可能的任务通过RT-Thread Nano的精妙设计成为现实。本文将揭示从内核裁剪到内存优化的完整技术路线,带您突破资源限制的边界。

1. RT-Thread Nano内核架构解析

RT-Thread Nano作为专为资源受限环境设计的实时内核,其精妙之处在于模块化架构。与标准版相比,Nano版本去除了设备框架、文件系统等组件,仅保留最核心的调度器、线程管理和IPC机制。通过rtconfig.h中的宏定义,开发者可以像搭积木般自由组装所需功能。

内存占用对比表:

功能模块标准版占用Nano版占用节省比例
内核调度器3.2KB2.1KB34%
线程管理2.8KB1.5KB46%
FinSH组件6.4KB3.2KB50%
系统时钟1.2KB0.8KB33%

关键优化策略:

  • 静态内存分配:通过RT_USING_HEAP=0关闭动态内存,所有对象在编译期确定
  • 裁剪式调度:移除优先级反转保护等非必要功能,保留最简调度算法
  • 精简IPC:仅保留信号量和互斥量,邮箱、消息队列等可通过线程模拟实现
// 典型rtconfig.h配置片段
#define RT_THREAD_PRIORITY_MAX  8      // 将默认32级优先级缩减为8级
#define RT_TICK_PER_SECOND      100    // 将系统时钟从1000Hz降至100Hz
#define RT_USING_TIMER_SOFT     0      // 关闭软件定时器
#define RT_USING_IDLE_HOOK      0      // 关闭空闲钩子函数

2. CubeMX工程配置实战

STM32CubeMX与RT-Thread Nano的深度整合为开发者提供了可视化配置入口。在CubeMX 6.0及以上版本中,通过Pack Installer安装RealThread提供的软件包后,工程配置界面会出现RT-Thread选项。

关键配置步骤:

  1. 时钟树优化:

    • 使用内部HSI时钟源(8MHz)替代外部晶振
    • 将APB1分频设为2,保持36MHz以下以降低功耗
    • 关闭未使用的定时器时钟
  2. 外设配置技巧:

    graph TD
      A[USART1] --> B[FinSH控制台]
      C[GPIOA] --> D[用户LED]
      E[SysTick] --> F[系统时钟源]
    
  3. 代码生成设置:

    • 在Project Manager中启用"Generate peripheral initialization as a pair of .c/.h files"
    • 关闭"Generate Under Root"选项以避免目录混乱
    • 在Advanced Settings中为RT-Thread组件选择"Copy only necessary library files"

注意:CubeMX生成的HAL库代码会默认启用所有外设中断,需手动注释掉stm32f1xx_it.c中与RT-Thread冲突的中断处理函数,特别是SysTick_Handler和PendSV_Handler。

3. 内存优化关键技术

在20KB RAM中同时运行内核和Shell需要精细的内存管理。通过以下方法可实现极致优化:

3.1 线程栈空间优化

线程栈计算公式:

所需栈大小 = 函数调用深度 × 栈帧大小 + 局部变量 + 中断嵌套需求

推荐配置:

// 在board.c中定义线程栈
ALIGN(RT_ALIGN_SIZE)
static rt_uint8_t main_stack[256];  // 主线程栈
static rt_uint8_t shell_stack[384]; // Shell线程栈

// 线程初始化时指定栈空间
rt_thread_init(&main_thread, "main", main_thread_entry, RT_NULL, 
              main_stack, sizeof(main_stack), 5, 20);

栈使用检测方法:

  1. 在rtconfig.h中开启RT_USING_OVERFLOW_CHECK
  2. 使用FinSH的free命令实时查看内存使用
  3. 通过list_thread命令查看各线程栈使用率

3.2 FinSH组件裁剪

FinSH作为交互式Shell是内存消耗大户,通过以下方式优化:

// finsh_config.h关键配置
#define FINSH_THREAD_STACK_SIZE   384    // 默认512→384
#define FINSH_HISTORY_LINES       1      // 历史命令记录从3→1
#define FINSH_CMD_SIZE            40     // 命令缓冲区从80→40
#define FINSH_USING_SYMTAB        0      // 关闭符号表自动维护

自定义命令实现示例:

// 注册精简版内存查看命令
int my_mem(int argc, char** argv) {
    rt_kprintf("Total: %d\nUsed: %d\nFree: %d\n", 
              RT_MM_HEAP_SIZE, 
              rt_memory_info(RT_MEMORY_INFO_TOTAL) - rt_memory_info(RT_MEMORY_INFO_FREE),
              rt_memory_info(RT_MEMORY_INFO_FREE));
    return 0;
}
MSH_CMD_EXPORT(my_mem, show memory usage);

3.3 链接脚本优化

修改STM32F103C8Tx_FLASH.ld链接脚本,精确控制内存分配:

MEMORY
{
  RAM (xrw)      : ORIGIN = 0x20000000, LENGTH = 20K
  FLASH (rx)     : ORIGIN = 0x8000000, LENGTH = 64K
}

SECTIONS {
  /* 添加RT-Thread特定段 */
  .rti_fn : {
    . = ALIGN(4);
    __rt_init_start = .;
    KEEP(*(SORT(.rti_fn*)))
    __rt_init_end = .;
  } >FLASH

  /* 精简后的FinSH符号表 */
  .fsymtab : {
    __fsymtab_start = .;
    KEEP(*(FSymTab))
    __fsymtab_end = .;
  } >FLASH
}

4. 性能调优与问题排查

当系统运行不稳定时,可通过以下方法诊断:

常见问题排查表:

现象可能原因解决方案
Shell响应卡顿线程优先级设置不当提高Shell线程优先级
随机复位栈溢出增大线程栈或优化递归函数
命令执行失败堆空间不足调整RT_HEAP_SIZE定义
系统时钟不准SysTick配置错误检查SystemCoreClock设置

性能监测技巧:

  1. 使用list_timer查看定时器状态
  2. 通过cpuusage命令获取CPU利用率
  3. 在rtconfig.h中开启RT_USING_HOOK记录任务切换信息
// 自定义钩子函数示例
void my_scheduler_hook(struct rt_thread* from, struct rt_thread* to) {
    rt_kprintf("[Hook] %s -> %s\n", from->name, to->name);
}

// 在main.c中注册
rt_scheduler_sethook(my_scheduler_hook);

5. 扩展应用场景

突破20KB限制后,RT-Thread Nano还能实现更多功能:

典型应用组合:

  • 无线通信:AT指令解析线程(栈512B) + Shell(384B)
  • 传感器网络:数据采集线程(256B) + 滤波算法(1KB)
  • 工业控制:PID计算线程(512B) + Modbus RTU(768B)

与CubeMX生态整合:

  1. 通过STM32CubeMonitor实时观测内存使用
  2. 利用CubeIDE进行性能分析
  3. 结合TouchGFX实现极简GUI(需额外8KB RAM)

在STM32G0系列等新一代MCU上,这套优化方案可使RT-Thread Nano在16KB RAM环境下稳定运行。某智能门锁项目实际案例显示,经过上述优化后系统内存占用从23KB降至18.7KB,同时保持了完整的Shell交互功能。

STM32之基于一款开源嵌入式shell工具移植的学习笔记 对于嵌入式应用而言,尤其是对于没有操作系统,裸机运行的嵌入式应用,迫切的需要一种高效快捷的调试手段进行嵌入式应用的开发,之前在网上找到一个网友写的开源的嵌入式shell工具,它的源码的地址为https://github.com/NevermindZZT/letter-shell,其代码结构如下图所示: 现将我在STM32F767上基于串口的移植过程整理如下: 1、首先在工程目... 阅读详情

相关推荐

STM32,嵌入式系统中简单shell的实现

对于嵌入式系统而言,特别对于没有使用操作系统,裸机运行程序的嵌入式系统,如何高效便捷的进行系统调试往往是一个比较令人头疼的问题。不久前,我接触到一个国产嵌入式操作系统,Thread RTOS,其中,该系统集成的finsh shell工具让我有种眼前一亮的感觉,它将shell工具引入到嵌入式系统中,极大的方便了系统的调试。 然而,finsh shell运行在操作系统之上,体积也比较大,对于某些小型...

Letter 9632

【stm32f1xx HAL库 freertos 移植letter-shell和log完整记录】

本文使用stm32f103进行测试,移植 letter-shell 3.12版本letter-shell 项目地址: https://github.com/NevermindZZT/letter-shell。

xzm12q的博客 2459

stm32f103 串口shell程序.rar

stm32f103在无OS的情况下移植了shell,配合xshell使用,串口1用来打印命令,支持tab补全命令,enter等功能,童叟无欺。

STM32 f103 实现命令终端

文件说明 uart.c  实现输入反显及命令识别 cmd.c 实现命令函数及命令查找 main.c 进入shell模式     uart.c #include "usart.h" /**************************************************************************** * 名 称:void USART1...

我是唐 3283

适用于stm32的shell代码和例程

内置 "cmd-list" 命令获取所有命令列表 支持 tab 键补全命令 支持 backspace 回退,这个在 putty 上有 bug ,还没修复。在secureCRT正常。 支持上下箭头回溯历史,这个功能没有做的很好; 支持左右箭头编辑当前命令行输入; 提供 shell_cmdparam()函数转换命令后所跟的数字参数(字符串转整型),详见 demo 提供 shell_option_suport() 函数,使命令行支持 getopt()函数,详见 demo 系统共有9个文件,全部与硬件无关,编译语言要在 C99 以上(keil 在 project -> Options .. -> c/c++ -> C99 勾上) kernel.h // 一些必要的宏定义 shell.c,shell.h //具体的命令行解释的实现 ustdio.c,ustdio.h //非标准输出文件,重新链接 printf ,并提供一个小巧型的 printk 函数 avltree.c,avltree.h //平衡二叉树支持,shell 默认用链表建立查询机制,有必要可在shell.h 中开启二叉树 getopt.c,getopt.h //网上找的 getopt() 源码 除了 getopt.c,getopt.h 两个文件是我从网上找的源码,主要实现命令行的 getopt()解析,其他的都是笔者所写。 使用: 1,首先把 shell.c ustdio.c 加入工程,这两个文件是必须的。 如果不用 getopt()函数可以不添加getopt.c文件。 shell默认使用链表来构建查询系统,但也提供了平衡二叉树的方式,在shell.h中有开启的开关,如不需要可以不添加avltree.c。 include "shell.h" 2,先对硬件进行基本的初始化。 撰写串口发送函数,形如 void usart_puts(char * str , uint16_t len) ; 调用函数 shell_init("shell >",usart_puts); //初始化shell的输入标志和默认输出指向 串口接收以包为单位。 3,新建全局变量 struct shell_input serial_shell ; 并初始化 SHELL_INPUT_INIT(&serial;_shell ,usart_puts);初始化输入缓存和输出交互; 4,串口接收到一整包函数后,调用 shell_input(&serial;_shell , packet , pktlen) ;

在STM32上实现的简单的shell

在STM32上实现的简单的shell。只有两个功能:1,发送指定数字,运行指定函数。2,打印数字-函数对应表。核心文件只两个,不打算更新升级 开发平台:正点原子STM32F4最小系统板,HAL库,CUBEMX

给STM32F103穿上命令行外衣:用Letter-Shell 3.1.2和FreeRTOS打造你的调试利器

本文详细介绍了如何在STM32F103开发板上使用Letter-Shell 3.1.2和FreeRTOS构建强大的命令行调试工具。通过串口交互实现实时函数调用、变量监控和任务管理,显著提升嵌入式开发效率。内容包括环境配置、源码移植、高级功能开发及性能优化技巧,特别适合需要高效调试的STM32开发者。

weixin_30954265的博客 417

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

万字干货:单片机实现Shell控制台保姆级教程

1前言玩过Linux的朋友, 是不是对Linux无所不能的串口Shell命令控制台羡慕不已, 要是自己做的STM32F系列低档次的MCU也有这种控制交互能力。会给调试/维护和配置省下多少麻烦事呀, 比如启动/关闭调试或自检模式, 打印调试信息, 配置系统参数, 传输文件等等, 也有相当多的朋友凭借自己出色的编程能力可以实现这些功能, 这里提出我的这个解决方案, 以作交流.本平台(xc_shell)...

一名热爱技术的工程师的博客。分享技术干货,记录美好生活。永远相信美好的事情即将发生。 2767

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

STM32F1的命令行解释器shell,单片机同系列移植便捷版

在我们调试STM32的时候有时候会不知道怎么调试,或者调试起来麻烦,但是拥有了控制台就不一样了,调试效率会大大提升,这篇文章就是基于别人的shell修改而来,加强了stm32f1系列单片机的移植,实现傻瓜式移植 ,在此感谢“古么宁”大大的开源项目。

-小龙--的博客 2631

STM32F103C8T6驱动DM542步进电机:从CubeMX配置到按键控制的全流程避坑指南

本文详细介绍了如何使用STM32F103C8T6通过CubeMX配置驱动DM542步进电机的全流程,包括PWM频率计算、GPIO模式选择及按键控制实现。重点解决了常见硬件连接错误、PWM参数配置及加减速算法优化,帮助开发者快速搭建稳定的电机控制系统。

weixin_42741930的博客 308

基于STM32简易命令行实现

基于STM32简易命令行实现 Hi,long time no see.停更了很久了,这要也是因为工作上的变动,已经有一段时间没有碰32了。我看了一下原子的usmart以及lwip官方的shell,觉得都有一个共同点,识别了第一个命令后就开始找回调了,并没有去统计argc和argv。也有不少人来问linux应用中的main函数argc和argv是怎么来的,下面我们找份uboot源码看看做了什么事以及我们怎么搬运到32上。 u-boot命令行源码分析 首先我看一下我的版本号->/u-boot/Makef

weixin_40952498的博客 2045

CCS配置MSPM0G3507(七) 编码器(TIMER-QEI)

1.选择时钟源 BUSCLK2.时钟分频配置为1分频3.分频系数配置为14.若勾选 Start ,则生成程序后会自动开启定时器的计数,否则需手动在程序中开启5.Load Value 设置为65535。

kaneki_lh的博客 1万+

基于python的排课表系统,用python编写排课系统

实现一个具体的课程管理系统。(5) 学生可以查看自己选上的课的成绩,以及各个课程的得分、绩点,并给出其平均绩点,但不允许查看年级其他人的成绩。(2) 学生定制专属课表,可以查看整个学期本人的课程安排,包括课程名称、上课时间、上课地点、任课老师、学分等等。(13) 系主任可以查看整个系的全部学生以及他们的平均绩点,可以对每个班进行排名,或者也可以对整个系进行排名。(15) 系主任可以查看整个学期所开设的所有课程,包括这些课程的全部详细信息。(1) 学生基本信息的查询,学生可以对本人的系统登陆密码进行修改。

yang0728y的博客 2000

实用STM32的串口控制平台的实现(建议收藏)

这是一个和Linux串口控制台类似的解决方案, 通过一个串口输入指令,用户可以任意操作像STM32这样的单片机,执行许多非常实用的自定义功能。

wanxuncpx的专栏 1万+

Windows 11下JDK 21与JMeter 5.6.3环境配置全攻略

环境变量是操作系统管理软件路径与执行权限的核心机制,它通过预设的键值对,指引系统在调用命令时定位可执行文件。理解其工作原理,是解决软件安装后“命令未找到”等问题的关键。对于Java生态而言,正确配置JAVA_HOME和Path变量,不仅能让java、javac等基础命令全局可用,更是Maven、Gradle乃至JMeter等众多工具链顺畅运行的基石。JMeter作为一款基于Java开发的经典性能测试与接口测试工具,其稳定运行高度依赖健全的Java环境。本文聚焦于在Windows 11系统上,为JDK 21与

weixin_30940783的博客 451

单片机实现简易版shell的方法和原理

  Rt-thread 中有一个完整的finsh(shell )系统,使用串口做命令行输入输出.但是想要用这个炫酷的工具就必须要上rtthread系统,或者花大力气将其移植出来.于是我就自己写了一个类似于这样的插件.只需要把一对.c/.h文件加入到你的工程,就可以实现这个简易版的shell.   git:https://github.com/KimAlittleStar/Extern...

weixin_30475039的博客 329

数据行小于列索引,内部模式表示可能存在问题

通过检查数据源的完整性和一致性,检查Debezium配置,检查列映射以及启用调试模式和日志记录,您应该能够解决这个错误。请注意,具体的解决方法可能因您的具体情况而异,因此您可能需要根据问题的根本原因进行适当的调整和修复。如果问题仍然存在,您可能需要进一步检查您的数据和配置,并根据具体情况进行调整和修复。在Debezium中,您可以使用列重命名和列映射来定义源和目标之间的列映射关系。通过检查日志,您可以查看详细的错误信息和堆栈跟踪,从而更好地理解问题的根本原因。首先,我们应该检查数据源的完整性和一致性。

XbtoMemory的博客 732

零基础入门simulink仿真--通信领域的调制解调技术:基于Simulink的PM信号调制与解调仿真建模示例

PM的基本原理是将基带信号(如语音或音乐信号)加载到高频载波信号的相位上。通过改变载波的瞬时相位,可以实现信息的传输。PM的优点包括抗噪声能力强、频谱利用率较高等,但其解调过程相对复杂。通过Simulink,我们可以通过模块化的建模方式实现PM信号的调制和解调过程,并观察信号在信道中的传输效果。通过本指南,我们介绍了如何基于Simulink搭建一个完整的PM信号调制与解调仿真模型,并进行仿真和性能评估。背景介绍:理解PM信号调制与解调的基本原理及其应用。所需工具和环境:列出进行PM仿真所需的工具和环境。

amy_mhd的博客 607

适用stm32的命令行解释器shell

适用于stm32的命令行解释器shell记录一下这个shell的应用说明基本使用 记录一下这个shell的应用说明 源码的地址: https://gitee.com/somebug/atomlib shell 层与硬件无关,有无操作系统都可以使用,适用于stm32等32位小端的单片机,支持历史纪录功能,tab 键补全命令,提供命令行参数解释函数,可以响应tab、backspace、上下左右编辑等功...

goodmorning的博客 1万+

AIGC实战——多模态模型DALL.E 2

DALL.E 2 是 OpenAI 提出的一个大规模文本生成图像模型,可以根据文本提示生成各种风格的逼真图像。它通过将预训练模型 CLIP 与 GLIDE 中的扩散模型架构相结合完成任务。它还具有其他应用,例如通过文本提示编辑图像和提供给定图像的变体。虽然它也有一些局限性,例如不一致的文本渲染和属性绑定,但 DALL.E 2 是仍然一个非常强大的AI模型,推动了生成模型的发展。

盼小辉丶的博客 1万+

成功移植icore的shell串口到STM32F4

icore开发板上的例子光盘下的  \iCore_扩展相关\code\7_uart1_shell工程文件,删除FSMC.c 和RCC.c 两个C文件和H文件 移植步骤: 第一、替换到之前的启动代码,添加startup_stm32f4xx.s 和system_stm32f4xx.c 两个文件。system_stm32f4xx.h可以替代到rcc.h  第二、改写NVIC.c 里的初

yongyooh的专栏 3422

《QGIS快速入门与应用基础》【专栏完整目录】

《QGIS快速入门与应用基础》第一卷专栏完整目录,覆盖 001–328 全部篇目与附录,逐篇可跳转。

LuckyHanMo的博客 1306

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

一种STM32的串口控制台的实现(非常实用)

曾经玩Linux时非常喜欢这种基于出串口的控制台, 通过简单的串口TX和RX能实现嵌入式硬件的人机交互,非常实用, 那么STM32能否实现通过超级终端与用户互动的构想呢? 答案是肯定的,因此我编写这个简单的控制台, 经过多项目实践证明这个控制台能加快程序开发效率.特此共享给大家.

wanxuncpx的专栏 2万+

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: Flink CDC 实战:5分钟搞定PostgreSQL数据实时同步(附避坑指南)
下一篇: 别再只会用jQuery了!用现代JavaScript实现导航标签页的3种方式对比
red88
博客等级 码龄18年 528粉丝 1607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