当前位置：首页 > news >正文

使用S32DS部署Tensorflow lite到S32K3

news 来源：原创 2025/9/16 13:43:47

一、概述

1、本文主要介绍如何用S32DS在NXP S32K344 中部署Tensorflow；

2、示例使用了Tensorflow入门代码，主要功能是识别28 * 28 的手写图片的数字；

3、在MCU上开启DSP功能后，最终运行时间在 7ms（64神经元），准确率在 90%左右；

4、Tensorflow Lite Micro为嵌入式环境运行的设计，参考以下链接：

开始使用 TensorFlow Lite

二、资源需求

1、库文件

库文件	资源地址	说明
CMSIS 6	Release CMSIS 6.1.0 · ARM-software/CMSIS_6 · GitHub	ARM提供，会使用部分头文件
CMSIS-NN	https://codeload.github.com/ARM-software/CMSIS-NN/zip/refs/heads/main	ARM提供ARM Cortex-M 系列微控制器设计的神经网络库
CMSIS-DSP	RTE_Components.h在micro_time.cpp中调用，可手动修改 https://github.com/ARM-software/CMSIS-DSP/tree/main	ARM提供，DSP运算库
tensorflow-lite-micro	https://codeload.github.com/tensorflow/tflite-micro/zip/refs/heads/main	Google tensorflowlite基础版，同宗永好，可以借点东西
tensorflow-lite-micro	https://www.keil.arm.com/packs/tensorflow-lite-micro-tensorflow/versions/	ARM提供的tensorflowlite ARM版，我们用这个，直接解压缩使用
Flatbuffers	https://github.com/google/flatbuffers/tree/master
Gemmlowp	头文件低精度计算 https://github.com/google/gemmlowp/tree/master
Ruy	instrumentation.h 需要Ruy中提供，矩阵计算 https://github.com/google/ruy

2、软件工具

工具	描述
S32DS	3.4版本，GCC 10.2编译
Python	3.7版本
VS Code + copilot	可选，测试程序由AI帮忙生成，再手动修改
豆包	遇到不会的问问他吧，比自己查资料快多了
Tensorflow	2.x 机器学习模型构建
Netron	可选，打开tflite文件
Trace32和 Lauterbach.rc	可选，Python操作trace32，更新输入数据（原始数据28*28很大）

三、模型制作

1、机器学习模型

参考关于TensorFlow | TensorFlow中文官网

import tensorflow as tf
import oscurr_path = os.path.dirname(__file__)
model_path = os.path.join(curr_path, 'model.tflite')mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
first_index_data = x_train[0]# 128 = 12ms
# 64 = 7ms
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28, 28)),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10, activation='softmax')
])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)# 计算需要的缓存大小，main.cc 会设置
total_memory = 0
for layer in model.layers:for tensor in layer.weights:shape = tensor.shapeelement_size = tensor.dtype.sizetensor_memory = 1for dim in shape:if dim is not None:tensor_memory *= dimtensor_memory *= element_sizetotal_memory += tensor_memory
print(f"Estimated memory usage: {total_memory} bytes")# 转换模型
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()# 保存转换后的模型
with open(model_path, 'wb') as f:f.write(tflite_model)

2、转换模型

缓存区大小和转换成TFlite 模型由AI生成。

converter = tf.lite.TFLiteConverter.from_keras_model(model)

tflite_model = converter.convert()

3、量化

生成模型数组，在嵌入式软件中调用。下列脚本保存到model.cc中。

第一种方法：

Convert.py 实现，该脚本由豆包生成

import numpy as np
import tensorflow as tf
import oscurr_path = os.path.dirname(__file__)
model_path = os.path.join(curr_path, 'model.tflite')
output_path = os.path.join(curr_path, 'model.cc')def convert_tflite_to_c_array(tflite_model_path, output_c_file_path):# Load the TFLite modelwith open(tflite_model_path, 'rb') as f:tflite_model = f.read()# Convert the model to a numpy arraymodel_array = np.frombuffer(tflite_model, dtype=np.uint8)# Create the C array as a stringc_array_str = "const unsigned char model_data[] = {\n"c_array_str += ',\n'.join('    ' + ', '.join(f'0x{byte:02x}' for byte in model_array[i:i+12]) for i in range(0, len(model_array), 12))c_array_str += "\n};\n"c_array_str += f"const unsigned int model_len = {len(model_array)};\n"# Write the C array to the output filewith open(output_c_file_path, 'w') as f:f.write(c_array_str)# Example usage
convert_tflite_to_c_array(model_path, output_path)
print(f"Model converted to C array and saved to {output_path}")

第二种方法：

许多微控制器平台没有本地文件系统的支持。从程序中使用一个模型最简单的方式是将其以一个 C 数组的形式包含并编译进你的程序。

xxd是个工具（linux/Cygwin/git等中包含）

四、嵌入式软件

1、库创建

使用tensorflow-lite-micro为基础，创建库工程（C++）。可直接使用编译号的库

已编译的库地址下载（使用以下内容，可跳过“库创建”）

【免费】S32DS编译的S32K3tensorflowlite库，o3优化，DSP开启资源-CSDN文库

A、需要的头都放进去，安装Tensorflow引用的头路径方式

使用DSP编译选项的设置，设置方式参考下一章；S32K3支持该协处理器。

B、可能的问题

库路径配置，记得是 C++

ethosu是平台的， AI推理，可以删除

schema_generated.h 屏蔽版本检查

///static_assert(FLATBUFFERS_VERSION_MAJOR == 23 &&

/// FLATBUFFERS_VERSION_MINOR == 5 &&

/// FLATBUFFERS_VERSION_REVISION == 26,

/// "Non-compatible flatbuffers version included");

blocking_counter.h error: 'condition_variable' in namespace 'std' does not name a type，直接屏蔽代码（这个是多线程系统时才有操作实体）

array.h 从tflite-micro-main拷到ARM下载的中，而不是#include "flatbuffers/array.h"，

arm_nnfunctions.h 在CMSIS-NN中

instrumentation.h 需要Ruy中提供，矩阵计算

FixPonit 头文件 Gemmlowp 低精度计算

C、重定义问题解决

右击工程“Build configurations Explorer”，这几个文件在其他文件已经“include”了

D、库引用设置（在测试程序中配置）

路径设置：

2、测试程序

创建工程（C++）

Main.c 代码

/** main implementation: use this 'C++' sample to create your own application**/
#include "S32K344.h"
#include "tensorflow/lite/micro/micro_mutable_op_resolver.h"
#include "tensorflow/lite/micro/tflite_bridge/micro_error_reporter.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"// 包含模型数据
#include "model.cc"
#include "input_data.cc"volatile int predicted_class_index = 0;
float input_data[28 * 28];
volatile bool test_run = false;
const int tensor_arena_size = 40 * 1024;
uint8_t tensor_arena[tensor_arena_size];int main() 
{// 定义错误报告器tflite::MicroErrorReporter micro_error_reporter;tflite::ErrorReporter* error_reporter = &micro_error_reporter;// 定义操作解析器tflite::MicroMutableOpResolver<10> resolver;resolver.AddAdd();resolver.AddMul();resolver.AddSub();resolver.AddDiv();resolver.AddReshape();resolver.AddFullyConnected();resolver.AddSoftmax();resolver.AddRelu();// 定义模型const tflite::Model* tfmodel = tflite::GetModel(model_data);if (tfmodel == nullptr) {TF_LITE_REPORT_ERROR(error_reporter, "Failed to build tfmodel from buffer");while (1);}// 定义解释器tflite::MicroInterpreter interpreter = tflite::MicroInterpreter(tfmodel, resolver, tensor_arena, tensor_arena_size);// 分配张量TfLiteStatus allocate_status = interpreter.AllocateTensors();if (allocate_status != kTfLiteOk) {TF_LITE_REPORT_ERROR(error_reporter, "Tensor allocation failed");while (1);}// 初始化第一个输入张量for (int i = 0; i < 28 * 28; ++i) {input_data[i] = x_train[i];}// 准备输入数据TfLiteTensor* input_tensor = interpreter.input(0);for (;;) {// 填充输入数据for (int i = 0; i < 28 * 28; ++i) {input_tensor->data.f[i] = input_data[i];}// 运行推理TfLiteStatus invoke_status = interpreter.Invoke();if (invoke_status != kTfLiteOk) {TF_LITE_REPORT_ERROR(error_reporter, "Invoke failed");while (1);}// 获取输出结果TfLiteTensor* output_tensor = interpreter.output(0);// 处理输出数据：找到概率最大的类别索引int num_classes = output_tensor->bytes / sizeof(float);float max_prob = output_tensor->data.f[0];for (int i = 1; i < num_classes; ++i) {if (output_tensor->data.f[i] > max_prob) {max_prob = output_tensor->data.f[i];predicted_class_index = i;}}test_run = false;while(!test_run);}return 0;
}

解释器

MicroInterpreter为该示例的解释器，另外一个不使用

增加操作

resolver.AddRelu();根据Netron图中的操作或HelloAi中模型层确定

设置缓存区

uint8_t tensor_arena[tensor_arena_size];

tensor_arena_size根据Hellow.py 中的 total_memory

3、性能测试

输入 28 * 28 个数据，输出 10 个数据；该结果通过TRACE32读取。

隐藏层神经元个数

48MHz

O3优化

DSP使用

160MHz

O3优化

DSP使用

128

560ms

32ms

12ms

7ms

使用DSP编译选项的设置

五、模型预测的正确率测试

1、测试脚本（先加载训练数据，再传给TRACE32）

import lauterbach.trace32.rcl as t32rc
import tensorflow as tf
import timeif __name__ == "__main__":mnist = tf.keras.datasets.mnist(x_train, y_train),(x_test, y_test) = mnist.load_data()x_train = x_train / 255.0t32debug = t32rc.connect(node = "localhost",port = 20000,packlen = 1024)right_cnt = 0calcu_cnt = 0# input data updatei = 0for x in x_train:calcu_cnt += 1input_datas = x.flatten()varDict = {}j = 0input_checksum = 0readback_checksum = 0for input_data in input_datas:signalName = 'input_data[' + str(j) + ']' # 构建信号名input_data = float(input_data)input_checksum += input_dataj += 1t32debug.variable.write(signalName, input_data)#time.sleep(0.001)readback_checksum += t32debug.variable.read(signalName).value#t32debug.go()# model predict in mircrocontroller, wait finsht32debug.variable.write('test_run', 1)while t32debug.variable.read('test_run').value != 0:time.sleep(0.1)#0.1s#t32debug.trace32_break()# read output dataout_signalname = 'predicted_class_index'predicted_class = t32debug.variable.read(out_signalname).valueif  predicted_class == y_train[i]:right_cnt += 1else:print("predict error!", 'input checksum: ', input_checksum, 'readback checksum', readback_checksum)print(right_cnt, '/', calcu_cnt, ' [predicted class]:', predicted_class, '[real class]:', y_train[i])i += 1print('Accuracy: ', right_cnt / calcu_cnt)print('Total number of test data: ', calcu_cnt)

2、加载训练数据

获取结果与实际进行对比。

3、TRACE32需要使能Port

4、TRACE32增加交互的数据

5、执行测试

运行可能不是太快

使用S32DS部署Tensorflow lite到S32K3

一、概述 1、本文主要介绍如何用S32DS在NXP S32K344 中部署Tensorflow； 2、示例使用了Tensorflow入门代码，主要功能是识别28 * 28 的手写图片的数字； 3、在MCU上开启DSP功能后，最终运行时间在 7ms（64神经元&#xf…...

编程日记 2025/9/16 13:43:47

AWS S3深度解析：十大核心应用场景与高可用架构设计实践

摘要：作为全球领先的对象存储服务，Amazon S3凭借其高扩展性、持久性和安全性，已成为企业云原生架构的核心组件。本文将深入探讨S3的典型技术场景，并揭秘其背后的架构设计逻辑。一、AWS S3核心技术特性解析 Amazon Simple Storag…...

编程日记 2025/9/16 13:40:57

系统学习算法：专题十二记忆化搜索

什么是记忆化搜索，我们先用一道经典例题来引入，斐波那契数题目一： 相信一开始学编程语言的时候，就一定碰到过这道题，在学循环的时候，我们就用for循环来解决，然后学到了递归，我们又…...

编程日记 2025/9/16 13:42:16

redis 存储在内存中 key-value存储主要存储热点数据(短时间大量的访客去访问) 启动命令 redis-server.exe redis.windows.conf 客户端链接redis服务器 redis-cli.exe redis-cli.exe -h localhost -p 6379 redis-cli.exe -h localhost -p 6379 -a 123456 退出 exit keys * 命…...

编程日记 2025/9/16 4:35:21

基于 GEE 计算并下载研究区年均叶面积指数 LAI 和光合有效辐射分量 FPAR

目录 1 完整代码 2 运行结果 1 完整代码 var table table; var collection ee.ImageCollection(MODIS/061/MOD15A2H).filterDate(2023-01-01, 2023-12-30).filterBounds(table); // LAI配色 var colorLai {min: 0,max: 100,palette: [ffffff, fde0d4, fcc4ac, faa784, f…...

编程日记 2025/9/15 13:57:00

软考——WWW与HTTP

1.万维网（world wide web） 是一个规模巨大的、可以资源互联的资料空间。由URL进行定位，通过HTTP协议传送给使用者，又由HTML来进行文件的展现。它的主要组成部分是：URL、HTTP、HTML。 （1）URL…...

编程日记 2025/9/16 13:37:39

sqli-labs-master第46关

目录报错注入直接注入数据库名数据库中的表名 users表结构： users表数据： python脚本注入直接注入获取数据库名获取表名获取表结构获取数据布尔盲注获取数据库名获取表名获取表结构获取数据报错注入直接注入数据库名…...

编程日记 2025/9/16 7:51:35

opencv交叉编译报错：undefined reference to `png_riffle_palette_neon

序偶NEON 概述 NEON（Nested Enhanced Vector Instruction Set）是 ARM 架构中的一种高级 SIMD（Single Instruction, Multiple Data，单指令多数据）扩展技术。它专为加速多媒体和信号处理任务而设计，允许在单…...

编程日记 2025/9/15 12:38:18

代码随想录算法训练day63---图论系列7《prim算法kruskal算法》

代码随想录算法训练 —day63 文章目录代码随想录算法训练前言一、53. 寻宝—prim算法打印出来最小生成树的每条边二、53. 寻宝—kruskal算法打印出来最小生成树的每条边总结前言今天是算法营的第63天，希望自己能够坚持下来！ 今天继续图论part&…...

编程日记 2025/9/10 18:53:39

算法日常刷题笔记（2）

为保持刷题的习惯计划一天刷3-5题然后一周总计汇总一下这是第二篇笔记笔记时间为2月17日到2月23日第一天找到初始输入字符串找到初始输入字符串 Ihttps://leetcode.cn/problems/find-the-original-typed-string-i/ Alice 正在她的电脑上输入一个字符串。但是她打字技…...

编程日记 2025/9/16 13:37:36

C# httpclient 和 Flurl.Http 的测试

关于C#调用接口或Post,Flurl封装了httpclient, CSDN有哥们提供了一个公网的测试网站，可以测试Post调用，我写了2个函数，测试httpclient和Flurl使用Post: async 和 await 是成对使用的，为了接受web异步返回的数据，winfor…...

编程日记 2025/9/16 13:40:40

关于ES中text类型时间字段范围查询的结构化解决方案

前言有关es中text类型的时间字段范围查询的问题，比如： {"query": {"range": {"insertTime": {"gte": "2025-02-01T00:00:00","lte": "2025-11-30T23:59:59","format&quo…...

编程日记 2025/9/15 7:32:36

四元数欧拉角

orientation 是表示物体在三维空间中的旋转姿态的数据结构。它通常使用四元数（Quaternion） 来表示旋转。四元数是一种数学工具，用于描述三维空间中的旋转，相比欧拉角（Euler Angles）和旋转矩阵&#xff0…...

编程日记 2025/9/16 8:00:33

Linux项目自动化构建工具-make/Makeﬁle (linux第六课)

目录背景介绍依赖关系的格式依赖方法的格式原理背景会不会写makeﬁle，从一个侧面说明了一个人是否具备完成大型工程的能力一个工程中的源文件不计数，其按类型、功能、模块分别放在若干个目录中，makeﬁle定义了一系列的规则来指定…...

编程日记 2025/9/16 13:42:16

Java 登录框架

Java框架中常用的几种成熟的token生成框架对比 - 白露~ - 博客园 SpringBoot整合sa-token，jwt登录及拦截器鉴权Demo_只有在集成 sa-token-jwt 插件后才可以使用 extra 扩展参数-CSDN博客推荐一款轻量级权限认证框架Sa-Token，集成JWT和Redis轻松实现认…...

编程日记 2025/9/10 15:43:25

人工智能、机器学习、深度学习和大语言模型之间的关系

人工智能（AI）、机器学习（ML）、深度学习（DL）和大语言模型（LLM）之间是逐层包含且技术递进的关系，具体如下： 1. 层级关系人工智能（AI）…...

编程日记 2025/9/16 13:40:56

项目组合管理：优化项目选择与资源分配——从战略到实战的全流程指南

在复杂的商业环境中，企业往往需要同时推进多个项目以支撑战略目标。然而，资源有限、目标冲突、优先级模糊等问题常导致项目失败或资源浪费。项目组合管理（Project Portfolio Management, PPM） 正是解决这一痛点的系统性方法。它通…...

编程日记 2025/9/16 4:00:50

zabbix排障-zabbix监控的主机出现可用性灰色或者红色问题

目录解决zabbix-agent可用性灰色的办法: 解决zabbix可用性红色的方法: 在zabbix日常的使用中我们会遇到很多的问题就比如今天我做好zabbix-server和zabbix-agent两台机器的配置然后在wen页面上发现两台主机都有可用性的问题如下图解决zabbix-agent可用性灰色的办法: …...

编程日记 2025/9/16 13:38:16

C语言（13）------------＞do-while循环

1.do-while循环的语法我们知道C语言有三大结构，顺序、选择、循环。我们可以使用while循环、for循环、do-while循环实现循环结构。之前的博客中提及到了前两者的技术实现。可以参考： C语言（11）-------------＞while循…...

编程日记 2025/9/16 13:35:18

2025-spring boot 之多数据源管理

1、是使用Spring提供的AbstractRoutingDataSource抽象类注入多个数据源。创建 DataSourceConfig 配置类通过spring jdbc 提供的带路由的抽象数据源 AbstractRoutingDataSource import org.springframework.beans.factory.annotation.Autowired; import org.springframew…...

编程日记 2025/9/15 20:44:37

自动驾驶两个传感器之间的坐标系转换

有两种方式可以实现两个坐标系的转换。车身坐标系下一个点p_car，需要转换到相机坐标系下，旋转矩阵R_car2Cam，平移矩阵T_car2Cam。点p_car在相机坐标系下记p_cam. 方法1：先旋转再平移 p_cam T_car2Cam * p_car T_car2Cam 需要注…...

编程日记 2025/9/16 13:40:58

DeepSeek 细节之 MoE

DeepSeek 细节之 MoE DeepSeek 团队通过引入 MoE（Mixture of Experts，混合专家） 机制，以“分而治之”的思想，在模型容量与推理成本之间找到了精妙的平衡点，其中的技术实现和细节值得剖思 Transformer 演变…...

编程日记 2025/9/16 13:43:47

SeaCMS V9海洋影视管理系统报错注入

漏洞背景 SQL 注入攻击是当前网络安全中最常见的一种攻击方式，攻击者可以利用该漏洞访问或操作数据库，造成数据泄露或破坏。通常发生在开发人员未能正确处理用户输入时。在 SeaCMS V9 中，用户输入（如登录、评论、分页、ID 等&a…...

编程日记 2025/9/15 5:03:54

Cannot deserialize instance of java.lang.String out of START_ARRAY token

这个错误 Cannot deserialize instance of java.lang.String out of START_ARRAY token 表示 Jackson 正在尝试将一个 JSON 数组反序列化成一个 String 类型的字段，但是 JSON 中传递的是一个数组而不是单一的字符串。具体来说，这段堆栈信息&#xff1a…...

编程日记 2025/9/10 15:43:27

LeetCode 解题思路 1（Hot 100）

解题思路： 使用哈希表优化查找：利用哈希表存储已遍历元素的值及其索引，将查找时间从O(n)降至O(1)。一次遍历：遍历数组，对每个元素计算其补数（target - nums[i]），若补数存在于哈希表…...

编程日记 2025/9/16 7:53:54

js中的await与async的使用

以下两个方法，区别只在有没有catch，使用的时候却要注意 // 封装请求方法，同步loading状态出去 export const fetchWithLoading async (fn: Function, params: any, loading: Ref) > {loading.value true;try {return await fn(params);…...

编程日记 2025/9/11 0:58:02

蓝耘科技上线 DeepSeek 满血版，500万tokens免费送

🌟 嗨，我是Lethehong！🌟 🌍 立志在坚不欲说，成功在久不在速🌍 🚀 欢迎关注：👍点赞⬆️留言收藏🚀 🍀欢迎使用：小智初学…...

编程日记 2025/9/15 16:19:44

【入门音视频】音视频基础知识

🌈前言🌈 这个系列在我学习过程中，对音视频知识归纳总结的笔记。因为音视频相关讲解非常稀少，所以我希望通过这个音视频系列，跟大家一起学习音视频，希望减少初学者在学习上的压力。同时希望也欢迎指出文章的…...

编程日记 2025/9/16 13:38:16

w~视觉~合集13

我自己的原文哦~ https://blog.51cto.com/whaosoft/13384038 #xxx w视觉合集13~17没了.... #ViTAR 作者提出了一种新颖的架构：任意分辨率的视觉 Transformer （ViTAR）。ViTAR中的自适应标记合并功能使模型能够自适应地处理可变分辨率图像…...

编程日记 2025/9/16 13:40:41

DeepSeek+Kimi 一键生成100种PPT

一简介 PPT在工作中经常用到，无论是给老板汇报，还是同事、朋友之间的分享，或是去见投资人:) ，都离不开它，然而写PPT经常让人感觉不胜其烦，无论是逻辑的展开、还是页面的布局、字体、配图，都像个…...

编程日记 2025/9/12 6:11:26

【Qt之QQuickWidget】QML嵌入QWidget中

由于我项目开始使用Widgets,换公司后直接使用QML开发，没有了解过如何实现widget到qml过渡，恰逢面试时遇到一家公司希望从widget迁移到qml开发，询问相关实现，一时语塞，很尴尬，粗略研究并总结下。对qwidget嵌…...

编程日记 2025/9/10 4:52:20

Apache Flink CDC (Change Data Capture) mysql Kafka

比如使用 Flink CDC , 监听mysql bin-log日志实现数据的实时同步, 发送到kafka springboot整合flink cdc监听数据库数据阿里开源的神仙工具，完美实现数据同步！#程序员阿里开源的这个神器很好很强大。阿里开源的这个神器全面超越Canal，果然在…...

编程日记 2025/9/15 18:24:51

Week1_250217~250223_OI日志（待完善）

W1_250217~250223_OI日志 250217大致安排题目 250218大致安排题目 250219大致安排 250217 大致安排上午讲了树上启发式合并，中午和下午补了上午的题，额外做了一道。题目 U41492 树上数颜色 （老师自己出的，实在是太典中点了&…...

编程日记 2025/9/13 1:14:20

线性模型 - 学习总结

本文对前面博文中所学的机器学习的知识进行总结，以便整体上加深对机器学习的理解。一、机器学习三要素：模型、学习准则、优化算法机器学习是从有限的观测数据中学习(或“猜测”)出具有一般性的规律，并可以将总结出来的规律推广应用到未观…...

编程日记 2025/9/14 12:01:55

IP----访问服务器流程

1.访问服务器流程 1.分层 1.更利于标准化 2.降低层次之间的关联性---每一层都只完成自身层次所执行的功能--每一层都在下层的基础上提供增值服务 1.应用层抽象语言---编码---提供人机交互的接口 2.表示层编码--二进制，压缩解压缩、格式转换 3.会话层建立…...

编程日记 2025/9/11 18:26:25

Visual Studio 中 C/C++ 函数不安全警告（C4996）终极解决方案：分场景实战指南

问题描述在 Visual Studio 中编写 C/C 代码时，使用 scanf、strcpy、fopen 等传统函数会触发以下警告： C4996: xxx: This function or variable may be unsafe. Consider using xxx_s instead. 根本原因： 这些函数缺乏缓冲区溢出检查&#…...

编程日记 2025/9/10 9:25:38

DeepSeek写俄罗斯方块手机小游戏

DeepSeek写俄罗斯方块手机小游戏提问根据提的要求，让DeepSeek整理的需求，进行提问，内容如下： 请生成一个包含以下功能的可运行移动端俄罗斯方块H5文件： 核心功能要求原生JavaScript实现，适配手机屏幕 …...

编程日记 2025/9/15 10:24:15

小程序高度问题背景scss

不同的机型，他的比例啥的都会不一样，同样的rpx也会有不同的效果。所以这里选择了取消高度。 <view class"box-border" :style"{padding-top: ${navHeight}px,}"><view v-if"userStore.userInfo&…...

编程日记 2025/9/16 8:09:06

浅析 DeepSeek 开源的 FlashMLA 项目

浅析 DeepSeek 开源的 FlashMLA 项目 DeepSeek 开源周 Day 1（2025 年 2 月 24 日）放出的开源项目——FlashMLA，是一款针对 Hopper 架构 GPU 高效多层级注意力 (Multi-Level Attention, MLA) 解码内核，专门为处理变长序列问题而设…...

编程日记 2025/9/9 19:11:23