CAT1024_1025_en.pdf：集成I2C接口的复位芯片技术规格

CAT1024
需积分: 9 2 下载量 16 浏览量 更新于2024-08-01 收藏 140KB PDF 举报
"CAT1024_1025_en.pdf 是一份关于 CAT1024 和 CAT1025 存储芯片的说明文件，这些芯片具备 I2C 串行接口和手动复位功能，常用于小型系统的开发。" CAT1024 和 CAT1025 是微控制器系统中使用的集成存储和监控解决方案。这两个芯片集成了一个 2K 位的串行 EEPROM 内存和一个系统电源监控器，包括欠压保护功能，全部采用低功耗的 CMOS 技术。它们的主要特点和功能如下： 1. **精准电源电压监测**：支持 5V、3.3V 和 3V 系统，并提供五种阈值电压选项，确保在不同电源条件下稳定工作。 2. **主动高或低复位**：在 VCC 为 1V 时仍能保证有效的复位信号，增强了系统稳定性。 3. **400kHz I2C 总线**：高速的 I2C 接口使得与微控制器通信更高效，减少了对系统总线资源的需求。 4. **3.0V 至 5.5V 工作电压**：广泛的电压范围适应了各种供电环境。 5. **低功耗 CMOS 技术**：降低了芯片运行时的功耗，适合电池供电或对能耗敏感的设备。 6. **16 字节页写缓冲区**：提高了数据写入效率，允许快速连续写入大量数据。 7. **内置防意外写保护**：CAT1025 带有 WP（Write Protect）引脚，防止未经授权的数据修改。 8. **1,000,000 次编程/擦除循环**：确保芯片具有长久的使用寿命。 9. **手动复位输入**：用户可以通过外部信号进行手动复位操作，增加了系统的灵活性。 10. **100 年数据保留**：在非活动状态下，数据可以安全地保存长达 100 年，确保了数据的长期可靠性。 11. **封装形式多样**：提供 8 引脚 DIP、SOIC、TSSOP、MSOP 和 TDFN（3x3mm 尺寸）封装，适用于不同的电路板设计。 12. **工业级和扩展温度范围**：可以在恶劣的环境中稳定工作，满足不同应用场景的需求。 PIN 配置方面，包括 VCC、NC（No Connect，未连接）、SCL（I2C 时钟线）、SDA（I2C 数据线）、RESET（复位引脚）、NC、VSS（接地）等关键引脚。这些引脚的布局和使用方法是理解和应用 CAT1024/CAT1025 芯片的基础。 总结来说，CAT1024 和 CAT1025 是高效能、低功耗的微控制器系统辅助芯片，结合了内存存储和电源监控两大功能，特别适合于需要可靠复位和小体积存储的应用场合。通过 I2C 接口，可以轻松地与微控制器进行通信，实现配置信息的读写以及系统状态的监控。同时，它们的多种保护机制和封装选择使其成为各种嵌入式系统设计的理想选择。

TE2000_TC3_HMI_EN_V1.3.pdf

2020-04-03 上传
倍福推出的最新人机界面技术，TwinCAT最新的HMI开发手册，完全基于web端，领先的HMI理念，融入css，HTML5等。可以实现在有网页的时候就有HMI的理念，手机，平板，电脑都成了自动化的终端

EDU_CAT_EN_GAS_FF.pdf

2021-11-30 上传
《生成式装配结构分析》是CATIA V5培训教程的一部分，专注于在机械设计领域进行装配体的结构分析。本课程的目标是使学员能够理解用于装配分析的各种假设，定义装配组件之间的分析连接，利用已有的装配约束自动创建...

EDU_CAT_EN_GAS_FS.pdf

2021-11-30 上传
CATIA培训课程EDU-CAT-EN-GAS-FSG主要关注的是在工程领域中至关重要的装配结构分析。这个教程详细介绍了如何使用CATIA软件进行组件的几何连接、静态分析以及结果的可视化和报告发布。 首先，让我们深入了解一下教程...

cat tsn_features_train.zip.* > tsn_features_train.zip unzip tsn_features_train.zip

2023-06-02 上传
您可以使用cat命令将多个分卷压缩文件合并成一个完整的压缩文件，然后使用unzip命令进行解压缩。 具体操作如下： 1. 将多个分卷压缩文件合并成一个完整的压缩文件： ``` cat tsn_features_train.zip.* > tsn_...

以下代码存在不可以自动反向传播的bug，为什么： # 前向LSTM outputs_forward = [] for t in range(input.size(0)): x = input[t] i = torch.sigmoid(torch.matmul(x, self.W_i_forward) + torch.matmul(h_forward[-1], self.U_i_forward) + self.b_i_forward) f = torch.sigmoid(torch.matmul(x, self.W_f_forward) + torch.matmul(h_forward[-1], self.U_f_forward) + self.b_f_forward) c_tilde = torch.tanh(torch.matmul(x, self.W_c_forward) + torch.matmul(h_forward[-1], self.U_c_forward) + self.b_c_forward) c_forward[-1] = f * c_forward[-1] + i * c_tilde o = torch.matmul(x, self.W_o_forward) + torch.matmul(h_forward[-1], self.U_o_forward) + self.b_o_forward o = torch.sigmoid(o) h_forward[-1] = o * torch.tanh(c_forward[-1]) outputs_forward.append(h_forward[-1])

2023-06-03 上传
这段代码存在一个不能自动反向传播的bug，原因是在循环...最后，我们使用torch.cat()方法来更新h_forward_new和c_forward_new的值，并将其赋值给h_forward和c_forward。这样就可以避免in-place操作导致的梯度丢失问题。

class sampler (Sampler): def u (self, train size, batch_ size): num_ data = train_ size self .num_ per batch = int(num_ data 1 batch_ size) self .batch size = batch_ size self .range = torch.arange(0, batch_ size) .view(1, batch_ size).long() self.leftover flag = False if num_ data % batch_ size: self.leftover = torch.arange(self .num_ per batch * batch_ size, num_ data) . long( )self.leftover flag = True def_ iter_a (self): rand_ num = torch.randperm(self .num_ per_ batch) .view(-1, 1) * self .batch size self .rand_ num = rand_ num. expand(self .num_ per_ batch, self .batch_size) + self .range self .rand num_view = self .rand_ num. view(-1) if self.leftover_ flag: self .rand_ num_ view = torch.cat((self.rand_ num_ view, self.leftover), 0 return iter(self .rand_ num_ view) def Len_ (self): return num_ data 分析上述代码中的错误

2023-07-11 上传
8. 在 `def_ iter_a()` 函数中，`self .rand_ num_ view = torch.cat((self.rand_ num_ view, self.leftover), 0` 的语法是错误的，应该将其改为 `self.rand_num_view = torch.cat((self.rand_num_view, self....

帮我给每一行代码添加注释 class DeepKalmanFilter(nn.Module): def __init__(self, config): super(DeepKalmanFilter, self).__init__() self.emitter = Emitter(config.z_dim, config.emit_hidden_dim, config.obs_dim) self.transition = Transition(config.z_dim, config.trans_hidden_dim) self.posterior = Posterior( config.z_dim, config.post_hidden_dim, config.obs_dim ) self.z_q_0 = nn.Parameter(torch.zeros(config.z_dim)) self.emit_log_sigma = nn.Parameter(config.emit_log_sigma * torch.ones(config.obs_dim)) self.config = config @staticmethod def reparametrization(mu, sig): return mu + torch.randn_like(sig) * sig @staticmethod def kl_div(mu0, sig0, mu1, sig1): return -0.5 * torch.sum(1 - 2 * sig1.log() + 2 * sig0.log() - (mu1 - mu0).pow(2) / sig1.pow(2) - (sig0 / sig1).pow(2)) def loss(self, obs): time_step = obs.size(1) batch_size = obs.size(0) overshoot_len = self.config.overshooting kl = torch.Tensor([0]).to(self.config.device) reconstruction = torch.Tensor([0]).to(self.config.device) emit_sig = self.emit_log_sigma.exp() for s in range(self.config.sampling_num): z_q_t = self.z_q_0.expand((batch_size, self.config.z_dim)) for t in range(time_step): trans_loc, trans_sig = self.transition(z_q_t) post_loc, post_sig = self.posterior(trans_loc, trans_sig, obs[:, t]) z_q_t = self.reparametrization(post_loc, post_sig) emit_loc = self.emitter(z_q_t) reconstruction += ((emit_loc - obs[:, t]).pow(2).sum(dim=0) / 2 / emit_sig + self.emit_log_sigma * batch_size / 2).sum() if t > 0: over_loc, over_sig = self.transition(overshooting[:overshoot_len - 1]) over_loc = torch.cat([trans_loc.unsqueeze(0), over_loc], dim=0) over_sig = torch.cat([trans_sig.unsqueeze(0), over_sig], dim=0) else: over_loc = trans_loc.unsqueeze(0) over_sig = trans_sig.unsqueeze(0) overshooting = self.reparametrization(over_loc, over_sig) kl = kl + self.kl_div(post_loc.expand_as(over_loc), post_sig.expand_as(over_sig), over_loc, over_sig) / min(t + 1, self.config.overshooting) reconstruction = reconstruction / self.config.sampling_num kl = kl / self.config.sampling_num return reconstruction, kl

2023-02-22 上传
答：class DeepKalmanFilter(nn.Module): # 定义深度... over_sig = torch.cat([trans_sig.unsqueeze(0), over_sig], dim=0) # 转换器的协方差 else: # 如果是第一步 over_loc = trans_loc.unsqueeze(0) # 转换器的位

把这段代码里的location_embedding_dim去掉class my_GAT(torch.nn.Module): def __init__(self, in_channels, out_channels, n_heads, location_embedding_dim, filters_1, filters_2, dropout): super(my_GAT, self).__init__() self.in_channels = in_channels self.out_channels = out_channels self.n_heads = n_heads location_embedding_dim = 0 self.filters_1 = filters_1 self.filters_2 = filters_2 self.dropout = dropout self.location_embedding_dim = location_embedding_dim self.setup_layers() def setup_layers(self): self.GAT_1 = GATConv(in_channels=self.in_channels,out_channels=self.filters_1, heads=self.n_heads, dropout=0.1) self.GAT_2 = GATConv(in_channels=self.filters_1 * self.n_heads + self.location_embedding_dim, out_channels=self.out_channels, heads=self.n_heads, dropout=0.1, concat=False) def forward(self, edge_indices, features, location_embedding): features = torch.cat((features, location_embedding), dim=-1) features = self.GAT_1(features, edge_indices) features = torch.nn.functional.relu(features) features = torch.nn.functional.dropout(features, p=self.dropout, training=self.training) features = torch.cat((features, location_embedding), dim=-1) features = self.GAT_2(features, edge_indices) return features

2023-06-08 上传
这段代码里的location_embedding_dim是一个参数，它表示位置嵌入的维度。如果你想去掉它，可以把它的值设为0，然后在构造函数中把self.location_embedding_dim也设为0即可。具体来说，修改后的代码如下： ...

class Partial_conv3(nn.Module): def __init__(self, dim, n_div, forward): super().__init__() self.dim_conv3 = dim // n_div self.dim_untouched = dim - self.dim_conv3 self.partial_conv3 = nn.Conv2d(self.dim_conv3, self.dim_conv3, 3, 1, 1, bias=False) if forward == 'slicing': self.forward = self.forward_slicing elif forward == 'split_cat': self.forward = self.forward_split_cat else: raise NotImplementedError def forward_slicing(self, x: Tensor) -> Tensor: # only for inference x = x.clone() # !!! Keep the original input intact for the residual connection later x[:, :self.dim_conv3, :, :] = self.partial_conv3(x[:, :self.dim_conv3, :, :]) return x def forward_split_cat(self, x: Tensor) -> Tensor: x1, x2 = torch.split(x, [self.dim_conv3, self.dim_untouched], dim=1) x1 = self.partial_conv3(x1) x = torch.cat((x1, x2), 1) return x 在这段代码中插入全局平均池化做通道增强的模块

2023-06-10 上传
self.forward = self.forward_split_cat else: raise NotImplementedError def forward_slicing(self, x: Tensor) -> Tensor: # only for inference x = x.clone() # !!! Keep the original input intact ...

class Partial_conv3(nn.Module): def __init__(self, dim, n_div, forward): super().__init__() self.dim_conv3 = dim // n_div self.dim_untouched = dim - self.dim_conv3 self.partial_conv3 = nn.Conv2d(self.dim_conv3, self.dim_conv3, 3, 1, 1, bias=False) self.global_pool = GlobalAvgPool2d() if forward == 'slicing': self.forward = self.forward_slicing elif forward == 'split_cat': self.forward = self.forward_split_cat else: raise NotImplementedError def forward_slicing(self, x: Tensor) -> Tensor: # only for inference x = x.clone() # !!! Keep the original input intact for the residual connection later x[:, :self.dim_conv3, :, :] = self.partial_conv3(x[:, :self.dim_conv3, :, :]) return x def forward_split_cat(self, x: Tensor) -> Tensor: x1, x2 = torch.split(x, [self.dim_conv3, self.dim_untouched], dim=1) x1 = self.partial_conv3(x1) x1 = self.global_pool(x1) x = torch.cat((x1, x2), 1) return x在这段代码中插入全局平均池化做通道增强的模块

2023-06-10 上传
你可以在forward_slicing和forward_split_cat的输出结果之前加入一个全局平均池化层进行通道增强，代码如下： ``` class Partial_conv3(nn.Module): def __init__(self, dim, n_div, forward): super().__init__...
lidan800401
  • 粉丝: 0
  • 资源: 3
上传资源 快速赚钱

最新资源