《Make: AVR编程》代码与示例使用说明文档
1. 安装指南
首先,您需要下载本项目仓库的内容到您的硬盘。最简单的方法是点击页面右侧的“Download ZIP”按钮,然后解压该ZIP文件到任意您觉得舒适的目录下。(如果您熟悉Git,也可以选择克隆仓库。)
大多数项目都共享一组位于AVR-Programming-Library目录下的通用引脚定义和一个简单的USART串行库。本项目包含的makefile默认依赖于这个目录结构,所以请不要随意移动文件夹,除非您也修改了makefile中指向包含文件的路径。
如果您使用Arduino IDE,您需要将AVR-Programming-Library目录复制到您的sketchbook/libraries文件夹中。如果您不知道这个文件夹在哪里,可以在Arduino的“文件...设置”对话框中找到它。现在,您可以通过“草图...导入库”菜单选项来链接您的代码使用这个库。
完成这些步骤后,您就可以打开代码,编辑它,并按照书中的指引将程序烧录到AVR中。
2. 项目的使用说明
项目的所有代码都按照书籍的章节组织。例如,如果您在寻找SPI相关的代码示例,可以查看“Chapter16_SPI”文件夹。
此外,项目中还包含了许多除了章节主题之外同样有趣的项目。比如,“Chapter05_Serial-IO”中包含了一个项目,它使用AVR与您的桌面电脑之间的串行通信,将您的电脑键盘变成一个能够播放AVR上生成音符的音乐键盘,变成了一个串行端口控制的风琴。如果您不是按照书中的顺序查找,可能不会想到在串行I/O章节中寻找。
为了方便概览所有项目,文件allProjectsList按名称列出了所有项目。
3. 项目API使用文档
本项目中的代码主要围绕AVR微控制器的编程展开,使用了C语言进行开发。用户应当熟悉AVR的硬件架构以及C语言的编程基础。API主要包含在AVR-Programming-Library目录中,用户可以通过导入库的方式在自己的项目中使用这些API。
由于项目内容丰富,具体的API使用方法可以参考项目中的代码注释以及《Make: AVR编程》一书中的相关描述。
4. 项目安装方式
除了上述的“下载ZIP”和“克隆仓库”的方法外,您还可以使用以下方式安装本项目:
-
通过Git克隆仓库:
git clone https://github.com/hexagon5un/AVR-Programming.git克隆完成后,您将得到一个包含所有项目和库的文件夹。
-
通过脚本创建项目模板:
如果您想要一个空白模板来开始编写自己的AVR代码,可以查看setupProject目录。运行以下Python脚本可以为您创建一个新项目:
python setupProject.py myProjectName这将创建一个名为myProjectName的目录,并复制必要的空白文件和Makefile,以便您开始编码。
请根据您的开发环境和喜好选择合适的安装方式。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00