工程师必读! 3 个最常被忽略的 TDR 测试关键细节与原理
TDR真的是一个用来看阻抗跟Delay的好工具,通过一个Port的测试就可以看到通道各个位置的阻抗变化。 可是使用上其实没这么单纯,有很多细节需要非常地小心,才可以真正地看到您想看的信息!
就让我们整理3个极为重要的TDR使用小细节,让您在看TDR阻抗图时可以看到最正确的信息,使用上更为得心应手!
TDR读阻抗不是只看绝对值! 教您利用正确的方法判读阻抗!
我们很常遇到EE或是同业工程师在判读TDR阻抗时,直接透过TDR阻抗图的数值来判断对象或是设计的阻抗大小,我们必须讲,这其实是不对的!
我们之前提到,传输线的TDR因为步阶波会变成稳态的关系,所以最后的阻抗会是传输线的特性阻抗加上其本身的直流电阻,因此我们会在TDR图上看到阻抗有爬坡的上升特性,而差动对又因为两两互相参考的关系,所以爬升的阻抗还会再多一倍:
透过TDR图判断传输线的真实阻抗,我们要看的是起头这个点,这个点的阻抗位置才是传输线的真实特性阻抗,后续的任何爬升都不应该视为传输线的真正阻抗。
TDR阻抗是透过相对值来判断,而不是绝对值!
但也因为这个爬坡的特性,所以会造成通道内其他物件的阻抗判读有所变化。 下图是一张真实的TDR测试图,中间那段较为平滑的位置为传输线,前后各两个阻抗掉落点,第一个我们称作A-1,掉了10Ohm,阻抗读值为82Ohm,第二个称作A-2,掉了8Ohm,阻抗读值为87Ohm。
一般而言,大家都会觉得阻抗就是以读值为定,所以A-1的阻抗就是82Ohm,A-2则为图上显示的87Ohm,但其实并不然,由于阻抗的爬升效应,使得A-2的参考阻抗已从传输线设计的92Ohm变成大约95Ohm。 也就是说,A-1由于是在传输线的起头所掉落的,从92Ohm掉到82Ohm,我们可以说对于92Ohm的通道而言,它是82Ohm的设计; 而对于A-2来讲,由于是从95Ohm掉下来的,对于同样的92Ohm通道,它的阻抗不会是图上的87Ohm,而是84Ohm,换句话说,我们会对这条传输线的阻抗做归一化(Re-normalization)至92Ohm!
其实与其说去知道这些阻抗掉落点的真实阻抗,我们在看这些设计时,主要看的会是相对阻抗,而不是绝对阻抗,也就是到底掉了几欧姆,或是抬升了几欧姆。 尽量避免通道上阻抗的变化,以求一个Transparent的通道,将Return loss控制到最佳状况,降低反射现象,以求最佳的SI表现!
分辨率 – 注意TDR步阶波的上升时间
在使用TDR时,要非常注意分辨率(Resolution)这个非常关键的概念,它决定了你能不能看得清楚一个高速通道里的每一个细节与其带来的阻抗变化。
简单来说,TDR的分辨率可以视为最小可以分辨的空间距离,假如这个分辨率是100mil,那你就可以看到大于100mil的物件是否有剧烈的阻抗变化。
TDR的分辨率,主要受到步阶波上升时间(Rise time)的限制。 因为步阶波越快,代表它的信号前缘越陡峭,这样它就可以在更短的距离内被反射回来,让示波器或是网络分析仪接收到反射信号,我们就可以透过数据分辨出非常近的两个结构,或是看到更为细致的微小结构。
TDR分辨率的计算
TDR分辨率可以简化成这样的算法:
Resolution=v×tr2
v为电磁波在介质中的传递速度v=c/√DK,c为光速3×108m/s,tr为上升时间。
主要就是利用距离d=v \times t这个算式求得,要再除以2的原因是因为TDR是反射的原理,所以这段时间包含了讯号「来回」的距离,对我们而言只需要一半就好。
举个例吧:一般我们常用的TDR仪器或是网络分析仪的默认Rise time是35ps,在介电常数为4(DK=4)的材料里,它的TDR分辨率大约是:
3×108/√4×35/2=100mil
也就是说,大于100mil的结构才比较能被35ps的TDR给捕捉到,小于这个尺寸,或许你能看到阻抗的变化,但你不知道这个阻抗变化是来自于这个对象的哪里!
TDR分辨率 vs Rise time and DK
根据这个算式,我们整理了信号在不同DK的介质内,Rise time与Resolution的关系,并列出一些结构适用的Rise time区间,例如连接器,大概是1-2mm(40-80mil),所以Rise time小于25ps都是可以看得清楚的,而尺寸小如Solderball或是uVia,就会需要更小的Rise time,大约10ps, 也就是说系统层级上,如果要考虑到Solderball的效应,至少要到112G-PAM4以上的速度会比较明显,当然这不是说在这以下的速度不需要考虑,而是这个性价比可能不高!
总结,如果你要看穿一个Via里的小变化(特别是Via pad and Via barrel),或者想知道微型连接器的阻抗跳动,则TDR分辨率就变得非常重要。 如果分辨率不够高,那么这些问题就会被「模糊掉」,根本看不出来。 这也是为什么高速板在做TDR测试时,会选择Rise time更短的脉冲来源,例如30ps甚至20ps的TDR系统,因为你想看的变化,往往就在1mm之内。
就像这张PCB Via的TDR模拟结果,10ps时就可以很明显看到在1.5ns左右有一个跳动点,而其它较慢的Rise time则没有办法看出这个地方有阻抗变化!
依照实际状况设定正确的Rise time
不过也不要太过勉强自己,为了要做到最好的设计,看到最细微的位置,而选用过小的Rise time,这会使得你的设计会太过Overdesign。 我们建议针对你的高速信号带宽来做设定,如下表格,列出常见的一些高速接口的Data Rate、对应的Nyquist Frequency、带宽、以及Rise time,供各位参考。
Rise time不是一成不变,变慢的Rise time导致误判TDR阻抗
你知道高速讯号通道其实是一个低通滤波器吗? 你们看到的通道Insertion loss应该都是长这样吧? 低频能量传递几乎100%,高频损耗越来越大,能量衰减越多。
所以妥妥一个低通滤波器!
低通滤波器有一个特征:输入信号的Rise time,会随着损耗增加而上升(或者说变缓)。
原因是讯号的高频成分是由Rise time所组成的,越快速的Rise time,则高频成分越多(也就是为什么越高速的讯号会带来更高的带宽)。 所以当高频成分被滤除时,Rise time就会变缓变慢。
高速信号的Rise time是由许多高频谐波组合而成的:
Rise time 随着通道损耗增加而变缓变慢:
再次强调,TDR测试,起头的阻抗最准确
我们先来看一个简单的公式:
VTDR(t)=Vincident(t)(dvdt)∗h(t)
Vincident(t)是入射的步阶波,VTDR(t)是TDR仪器收到的反射讯号,h(t)则是待测物的Impulse response,*这个符号在做卷积(Convolution)这个动作。
不用想得太复杂,想象信号入射波跟通道的频率响应做类似相乘的动作,就可以得到反射信号。
所以如果入射波的Rise time变大,则收到的反射波形的变化也会跟着变小,阻抗变化也会变小。 一样的这张图就可以看出这种现象!
我们也可以透过带宽来解析,越快的上升时间会带来较宽的带宽:
BW=0.35RT
所以当测试用探棒的带宽越宽,等效的上升时间越小,TDR就可以看得越清楚(更多的内容可以参考这里):
藉由这些观念,我们就可以知道,利用TDR做阻抗测试,最准确的时间点就是讯号刚打进去的那个点,也就是讯号的起头。 当讯号走远之后,Rise time会越来越慢,测到的阻抗变化就会越来越小,原本假设阻抗差异要5Ohm,可是Rise time变慢之后,可能就只剩4Ohm。
我们透过一种极为简单的模拟来看这个现象,在Clarity里头,我们跑模拟都要设定Wave port,这个Wave port有一个很好的功能叫De-embedded,预设是没开启的,当我们打开之后,可以填线长,这是在说Wave port可以平移多少走线长度,假设模拟待测物是500mil的传输线,则这个De-embedded长度如果是+300mil,那模拟结果会马上变成200mil的结果,如果我们填入-500mil,则结果会变成1inch的数据。
当我们在跑传输线时这个功能非常好用,因为这样我们就不用耗费一大堆时间在等待长传输线的模拟结果。
透过这种方式,我们延长了PCB via的馈入线,可以看到阻抗变化随着走线距离越长,而变得更小。
相关文章:
工程师必读! 3 个最常被忽略的 TDR 测试关键细节与原理
TDR真的是一个用来看阻抗跟Delay的好工具,通过一个Port的测试就可以看到通道各个位置的阻抗变化。 可是使用上其实没这么单纯,有很多细节需要非常地小心,才可以真正地看到您想看的信息! 就让我们整理3个极为重要的TDR使用小细节&…...
Spring Boot 项目中什么时候会抛出 FeignException?
在 Spring Boot 项目中使用 Feign 时,FeignException 是 Feign 客户端在执行 HTTP 请求过程中可能抛出的基础异常。它有很多子类,分别对应不同类型的错误。以下是一些常见的会抛出 FeignException (或其子类) 的情况: 网络连接问题 (Network …...
Spring Boot Swagger 安全防护全解析:从旧版实践到官方规范
摘要 本文系统梳理 Swagger 安全防护的核心方案,涵盖旧版 Swagger(SpringFox)的swagger.basic配置实践、官方推荐的 Spring Security 方案,以及多环境管理、反向代理过滤等全链路技术。结合权威文档,明确不同方案的适…...
基于 PLC 的轮式服务机器人研究
标题:基于 PLC 的轮式服务机器人研究 内容:1.摘要 本文以轮式服务机器人为研究对象,探讨基于可编程逻辑控制器(PLC)的设计与实现。在智能化服务需求不断增长的背景下,旨在开发一种具备稳定运动控制和高效服务功能的轮式服务机器人…...
emed64_20.9.2.msi 安装步骤(超简单版)
找到安装包 首先,先下载安装包链接:https://pan.quark.cn/s/2efb908815a4(可能在下载文件夹或者别人发给你的位置),双击它就行。如果双击没反应,就右键点它,选“安装”。 弹出安装向导 这时候会…...
HTML、CSS 和 JavaScript 基础知识点
HTML、CSS 和 JavaScript 基础知识点 一、HTML 基础 1. HTML 文档结构 <!DOCTYPE html> <html lang"zh-CN"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.…...
直接在Excel中用Python Matplotlib/Seaborn/Plotly......
本次分享如何利用pyxll包,实现直接在Excel中使用Python Matplotlib/Seaborn/Plotly等强大可视化工具。 pyxll配置 pyxll安装 pip install pyxll pyxll install pyxll自定义方法 例如,自定义一个计算斐波那契数的方法fib,并使用pyxll装饰器…...
互联网大厂Java求职面试:优惠券服务架构设计与AI增强实践-5
互联网大厂Java求职面试:优惠券服务架构设计与AI增强实践-5 第一轮面试:业务场景切入 面试官(技术总监): 欢迎郑薪苦参与今天的面试。我们先从一个实际业务场景谈起——假设你正在设计一个电商平台的优惠券服务系统&…...
KV cache 缓存与量化:加速大型语言模型推理的关键技术
引言 在大型语言模型(LLM)的推理过程中,KV 缓存(Key-Value Cache) 是一项至关重要的优化技术。自回归生成(如逐 token 生成文本)的特性决定了模型需要反复利用历史token的注意力计算结果&#…...
[250512] Node.js 24 发布:ClangCL 构建,升级 V8 引擎、集成 npm 11
目录 Node.js 24 版本发布:Windows 平台构建工具链转向 ClangCL Node.js 24 版本发布:Windows 平台构建工具链转向 ClangCL 流行的开源跨平台 JavaScript 运行时环境 Node.js 近日发布了 24.0 版本。此版本带来了多项性能提升、安全增强和开发体验的改进…...
Linux常用命令39——free显示系统内存使用量情况
在使用Linux或macOS日常开发中,熟悉一些基本的命令有助于提高工作效率,free命令的功能是显示系统内存使用量情况,包含物理内存和交换内存的总量、使用量、空闲量情况。本篇学习记录free命令的基本使用。 首先查看帮助文档: 语法格…...
4. 文字效果/2D-3D转换 - 3D翻转卡片
4. 文字效果/2D-3D转换 - 3D翻转卡片 案例:3D产品展示卡片 <!DOCTYPE html> <html><head><meta charset"utf-8"><title></title></head><style type"text/css">.scene {width: 300px;height…...
游戏引擎学习第276天:调整身体动画
运行游戏,演示我们遇到的拉伸问题,看起来不太好,并考虑切换到更顶视角的视角 我们开始讨论游戏开发中的一些美学决策,特别是在处理动画方面。虽然我们是游戏程序员,通常不负责设计或艺术部分,但因为这是一…...
Java线程池性能优化全解析:从配置到实践
一、线程池配置原则 1.1 核心参数设定 线程池的性能优化始于合理配置,关键参数包括: 核心线程数(corePoolSize) CPU密集型任务:设为Runtime.getRuntime().availableProcessors()(通常为CPU核心数)IO密集型任务:设为CPU核心数 * 2(或更高,根据IO等待时间调整)最大线…...
【入门】歌德巴赫猜想
描述 任一个大于等于4的偶数都可以拆分为两个素数之和。 输入描述 一个整数n( 4 < n < 200 ) 输出描述 将小于等于n的偶数拆分为2个质数之和,列出所有方案! 用例输入 1 10 用例输出 1 422 633 835 1037 1055 #include<b…...
kafka----初步安装与配置
目录标题 ⭐kafka 与 zookeeper间的关系一.集群部署二.修改配置文件三.分发安装包四.启动与关闭 kafka 与 zookeeper 相同,是以集群的形式使用 ⭐kafka 与 zookeeper间的关系 kafka 的使用 要在 zookeeper 集群配置好的基础上 使用要想启动kafka 要先启动 zookeep…...
如何通过 Windows 图形界面找到 WSL 主目录
WSL(Windows Subsystem for Linux)是微软开发的一个软件层,用于在 Windows 11 或 10 上原生运行 Linux 二进制可执行文件。当你在 WSL 上安装一个 Linux 发行版时,它会在 Windows 内创建一个 Linux 环境,包括自己的文件系统和主目录。但是,如何通过 Windows 的图形文件资…...
Cursor 编辑器 的 高级使用技巧与创意玩法
以下是针对 Cursor 编辑器 的 高级使用技巧与创意玩法 深度解析,涵盖代码生成优化、工作流定制、隐藏功能等层面,助你将 AI 辅助编程效率提升至新高度: 一、代码生成进阶技巧 1. 精准控制生成粒度 行级控制: 在代码行内用 // > 指定生成方向(替代模糊注释)def merge_…...
element-ui 源码调用接口跨域问题
今天在看 upload 组件源码时,在组件源码当中调用的本地启动的 nodejs 服务写的上传接口,遇到跨域问题: 问题一、在 upload.md 中调用 nodejs 服务中的 上传接口,控制台报跨域报错。 解决方法1:在根目录增加 vue.conf…...
Docker与PostgreSQL
1. 背景介绍 Docker是一种开源的容器化技术,它通过使用容器来隔离应用程序及其运行环境,使得开发人员能够快速、可靠地构建、部署和运行应用程序。Docker容器是轻量级的虚拟化单元,能够在任何支持Docker的操作系统上运行,从而消除…...
iVX 研发基座:大型系统开发的协作与安全架构实践
通过图形化开发、组件化封装和多厂商协作机制,iVX 解决了传统开发模式在效率、安全和扩展性上的痛点。文章结合政务、教育、企业等行业案例,展示其在数据治理、权限控制和 DevOps 等方面的创新实践,为大型系统开发提供完整的技术参考。 一、…...
Vxe UI vue vxe-table 实现表格数据分组功能,不是使用树结构,直接数据分组
Vxe UI vue vxe-table 实现表格数据分组功能,不是使用树结构,直接数据分组 查看官网:https://vxetable.cn gitbub:https://github.com/x-extends/vxe-table gitee:https://gitee.com/x-extends/vxe-table 代码 通过…...
基于TI AM6442+FPGA解决方案,支持6网口,4路CAN,8个串口
TI AM6442FPGA解决方案具有以下技术优势及适用领域: 一、技术优势 异构多核架构:AM6442处理器集成7个内核(2xCortex-A534xCortex-R5F1xCortex-M4F),可实现应用处理、实时控制和独立任务分核协同,满足…...
6. 多列布局/用户界面 - 杂志风格文章布局
6. 多列布局/用户界面 - 杂志风格文章布局 案例:多栏杂志排版 <!DOCTYPE html> <html><head><meta charset"utf-8"><title></title></head><style type"text/css">body {font-family: "…...
计算机系统----软考中级软件设计师(自用学习笔记)
目录 1、计算机的基本硬件系统 2、CPU的功能 3、运算器的组成 4、控制器 5、计算机的基本单位 6、进制转换问题 7、原码、反码、补码、移码 8、浮点数 9、寻址方式 10、奇偶校验码 11、海明码 12、循环冗余校验码 13、RISC和CISC 14、指令的处理方式 15、存储器…...
FPGA图像处理(六)------ 图像腐蚀and图像膨胀
默认迭代次数为1,只进行一次腐蚀、膨胀 一、图像腐蚀 1.相关定义 2.图像腐蚀效果图 3.fpga实现 彩色图像灰度化,灰度图像二值化,图像缓存生成滤波模块(3*3),图像腐蚀算法 timescale 1ns / 1ps // // Des…...
2025年RIS SCI2区,改进白鲸优化算法+复杂非线性方程组求解,深度解析+性能实测
目录 1.摘要2.白鲸优化算法BWO原理3.改进策略4.结果展示5.参考文献6.代码获取7.读者交流 1.摘要 本文提出了一种改进白鲸优化算法(ABWOA)用来解决非线性方程组(SNLEs)求解问题。ABWOA引入了平衡因子和非线性自适应参数࿰…...
【论信息系统项目的资源管理】
论信息系统项目的资源管理 前言一、规划好资源管理,为保证项目完成做好人员规划二、估算活动资源,为制订项目进度计划提供资源需求三、获取项目资源,组建一个完备的项目团队四、建设项目团队,提高工作能力,促进团队成员…...
开发与AI融合的Windsurf编辑器
Windsurf编辑器是开发人员和人工智能真正融合在一起的地方,提供了一种感觉像文字魔术的编码体验。 手册:Windsurf - Getting Started 下载链接:Download Windsurf Editor for Windows | Windsurf (formerly Codeium) 下载安装 从上面的下载…...
maven工程跳过@SpringTest
每次跑springboot都比较费劲,会自动测试所有的SpringBootTest的类,这里对根pom添加这个插件,即可跳过测试,实测节省时间2分钟以上 <plugin><groupId>org.apache.maven.plugins</groupId><artifactId>ma…...
算法竞赛相关 Java 二分模版
目录 找和目标值相关 方法 Arrays.binarySearch(); 二分答案模版 找和目标值相关 public class BinarySearchTemplate {// 查找大于 x 的最小值(即严格上界)public static int upperBound(int[] arr, int x) {int left 0, right arr.length;while (…...
如何使用远程桌面控制电脑
目的: 通过路由器使用pc控制台式机,实现了有线/无线pc与台式机的双向远程桌面控制 最核心就两条:get ip地址与被控制机器的账户与密码。 现象挺神奇:被控制电脑的电脑桌面处于休眠模式,此时强行唤醒被控电脑会导致中断…...
运行Spark程序-在shell中运行1
(一)分布式计算要处理的问题 【老师提问:分布式计算要面临什么问题?】 【老师总结】 分布式计算需要做到: 1.分区控制。把大的数据拆成一小份一小份的(分区,分片)让多台设备同时计算…...
多边形,矩形,长方体设置
在cesium中,我们可以通过既有的库来进行对地图的构建 // 向场景中添加一个几何体(立方体) scene.primitives.add(new Cesium.Primitive({// 定义几何体实例geometryInstances: new Cesium.GeometryInstance({// 使用BoxGeometry.fromDimensions方法创建…...
3.3 阶数的作用
第一步:引入背景与动机 在数学中,特别是在使用泰勒公式进行函数近似时,阶数的选择对结果的精度和适用范围有着重要影响。阶数越高,近似的精度通常也越高,但计算复杂度也会增加。因此,理解不同阶数的作用及…...
OAuth安全架构深度剖析:协议机制与攻防实践
目录 一、OAuth协议核心架构解析 1. 协议框架与核心组件 2. 授权流程类型对比 二、OAuth安全漏洞技术原理与攻击向量 1. 重定向URI劫持攻击 2. 令牌注入与滥用 3. 跨站请求伪造(CSRF) 三、纵深防御体系构建指南 1. 协议层加固 2. 工程化防护 3…...
关于网站提交搜索引擎
发布于Eucalyptus-blog 一、前言 将网站提交给搜索引擎是为了让搜索引擎更早地了解、索引和显示您的网站内容。以下是一些提交网站给搜索引擎的理由: 提高可见性:通过将您的网站提交给搜索引擎,可以提高您的网站在搜索结果中出现的机会。当用…...
一文理清人工智能,机器学习,深度学习的概念
目录 一、人工智能的起源与核心范畴(1950-1980) 1.1 智能机器的最初构想 1.2 核心范畴的初步分化 二、机器学习的兴起与技术分化(1980-2010) 2.1 统计学习的黄金时代 2.2 神经网络的复兴与子集定位 2.3 技术生态的形成与AI…...
MySQL 数据库:创建新数据库和数据表全攻略
MySQL 数据库:创建新数据库和数据表全攻略 在 MySQL 数据库管理中,创建新的数据库和数据表是基础且关键的操作。无论是开发新的应用程序,还是对现有数据进行整理和存储,都离不开这些操作。本文将详细介绍如何在 MySQL 中创建新数…...
React Native 与 Expo
🧩 Expo 和 React Native 的关系 项目定义React Native一个由 Meta(Facebook)开发的原生移动端开发框架,使用 JavaScript React 来构建 iOS 和 Android 应用Expo一个构建在 React Native 之上的开发工具链,封装了很多…...
【RabbitMQ】七种工作模式介绍
文章目录 1. 简单模式2. 工作队列模式3. 发布订阅模式交换机类型 Publish/Subscribe 模式 4. Routing(路由模式)5. Topics(通配符模式)6. RPC(RPC 通信)7. Publisher Confirms(发布确认…...
【C++进阶篇】二叉搜索树的实现(赋源码)
掌握二叉搜索树:从基础知识到实际应用的全貌 一. 二叉搜索树简介1.1 基本概念1.2 意义与价值1.3 典型应用场景1.4 性能分析1.5 总结与展望 二. 搜索二叉树实现2.1 插入2.2 查找2.3 删除2.3.1 单或无孩型2.3.2 双孩型2.3.4 整合代码 三. ⼆叉搜索树key和key/value使⽤…...
LLMs 其他 Trick
huggingface 下载不了模型问题? from modelscope.hub.snapshot_download import snapshot_download model_dir snapshot_download(damo/nlp_xlmr_named-entity-recognition_viet- ecommerce-title, cache_dirpath/to/local/dir, revisionv1.0.1) 方法一࿱…...
2025年金融创新、区块链与信息技术国际会议(FRCIT 2025 2025)
2025 International Conference on Financial Innovation, Regional Chains, and Information Technology (一)会议信息 会议简称:FRCIT 2025 大会地点:中国郑州 收录检索:提交Ei Compendex,CPCI,CNKI,Google Schola…...
rtty操作记录说明
rtty操作记录说明 前言 整理资料发现了几年前做的操作记录,分享出来,希望对大家有用。 rtty-master:rtty客户端程序,其中buffer\log\ssl为源码的子目录,从git上下载https://github.com/zhaojh329, rtty…...
股指期货是什么?有啥特点?怎么用?
股指期货,英文简称SPIF,全称是股票价格指数期货,也叫股价指数期货、期指。简单来说,它就是以股价指数为“赌注”的一种期货合约。想象一下,你和朋友打了个赌,约定在未来的某个日子,按照事先说好…...
提示词设计模板(基于最佳实践)
1. 任务清晰化 模糊指令 ➜ 明确指令 ❌ "写一篇关于环保的文章" ✅ *"列出5种城市环保措施,并分别说明其对减少碳排放的影响(要求:数据支持案例)"* 2. 任务步骤化 案例:策划线上营销活动 1.…...
涌现理论:连接万物的神秘力量
一、理论起源与概述 现象引介:通过蜂群“风浪”(蜜蜂抖动翅膀呈波浪式扩散)、鱿鱼变色捕猎等生物现象,引出涌现理论。理论定义:涌现理论可有效介入复杂问题,解释事物起源,适用于物理、化学、生…...
9.9 Ollama私有化部署Mistral 7B全指南:命令行交互到API集成全流程解析
Ollama私有化部署Mistral 7B全指南:命令行交互到API集成全流程解析 关键词:Ollama 私有化部署, Mistral 7B 运行, 本地大模型管理, 命令行交互, REST API 集成 一、Mistral 7B 模型特性解析 Mistral 7B 是由 Mistral AI 团队开发的高性能开源大语言模型,在同等参数量级模型…...
【Redis 进阶】缓存
思维导图: 1. 缓存的基本概念 1.1 缓存的实例化解释 以火车站刷身份证为例,身份证存放在皮箱中虽安全,但取用不便;而将其置于衣袋,则显著提高了访问效率。这一过程恰似计算机系统中缓存的运作机制——将常用数据暂存于…...