高級項目——基于FPGA的串行FIR濾波器

給大家安利一個 AI 學習神站！在這個 AI 卷成紅海的時代，甭管你是硬核開發者還是代碼小白，啃透 AI?技能樹都是剛需。這站牛逼之處在于：全程用 "變量名式" 幽默 + 生活化類比拆解 AI，從入門到入土（啊不，到精通）一站式通關，理解效率直接拉滿。話不多說，鏈接甩這了→前言 – 人工智能教程

項目目標：?在FPGA上實現一個使用漢明窗設計的FIR低通濾波器，并通過仿真驗證其濾波效果。

一、FIR 原理

1. FIR = 加權移動平均（升級版）： 想象在聽一串連續的聲音采樣值（x[n], x[n-1], x[n-2], ...）。FIR 濾波器計算當前輸出 y[n] 的方式是：把當前的和過去若干個輸入樣本，各自乘上一個特定的“權重”（系數 h[k]），然后把所有這些乘積加起來。

2. “有限”的含義： 它只使用有限個 (N+1 個) 過去的樣本（x[n] 到 x[n-N]）。N+1 就是濾波器的抽頭數（Taps），N 是階數。抽頭數越多，濾波器能實現的頻率響應特性（比如截止陡峭度、阻帶衰減）通常越好，但計算量也越大。

3. 公式： y[n] = h[0]*x[n] + h[1]*x[n-1] + h[2]*x[n-2] + ... + h[N]*x[n-N]

4. 關鍵點： 這些系數 h[0], h[1], ..., h[N] 決定了濾波器的特性（低通、高通、帶通等）。系數不同，濾波效果就完全不同。

5. 窗函數（漢明窗）的作用： 直接計算理想濾波器的系數（無限長）不可行。窗函數（如漢明窗）像一把平滑的“剪刀”，把理想的、無限長的系數序列“截短”成我們需要的有限長 (N+1個)，同時盡量減小截短帶來的不良影響（如吉布斯效應），讓濾波器的實際頻率響應更接近理想狀態。

二、MATLAB 部分

目標： 根據想要的濾波器特性（低通，Fs（采樣頻率）=100kHz, Fc（截止頻率）=10kHz），計算出 32 個 (N+1=32) 最優的量化系數 h_quant[0:31]。

步驟：

1. 計算歸一化截止頻率： Wn = Fc / (Fs/2) = 10000 / 50000 = 0.2

2. 調用 fir1 函數設置濾波器： h = fir1(31, 0.2, 'low', hamming(32));

?? ??? ?31： 濾波器階數 N (抽頭數 Taps = N+1 = 32)。

?? ??? ?0.2： 歸一化截止頻率 Wn。

?? ??? ?'low'： 低通濾波器。

?? ??? ?hamming(32)： 使用 32 點的漢明窗。

% 濾波器參數
Fs = 100000;   % 采樣頻率 (Hz)
Fc = 10000;    % 截止頻率 (Hz)
N = 31;        % 濾波器階數 (抽頭數 = N + 1 = 32)
% 計算歸一化截止頻率 (范圍 0-1, 1對應 Fs/2)
Wn = Fc / (Fs/2); % Wn = 10000 / 50000 = 0.2
% 使用 fir1 函數設計漢明窗低通FIR濾波器
% fir1(階數, 歸一化截止頻率, 濾波器類型, 窗函數)
h = fir1(N, Wn, 'low', hamming(N+1)); % hamming(N+1) 生成 N+1 點的漢明窗

????????同時需要檢查圖形，通帶是否在0-10kHz相對平坦？阻帶衰減是否足夠（漢明窗典型約-53dB）？過渡帶是否在預期位置？

% 繪制頻率響應
freqz(h, 1, 1024, Fs); % freqz(系數, 分母(1表示FIR), FFT點數, 采樣頻率)
title('FIR Lowpass Filter Frequency Response (Hamming Window, N=31)');
grid on;

3. 量化系數 (關鍵！FPGA 需要整數、定點數)：

?? ??? ?h 是 MATLAB 算出的浮點數系數 (范圍大約 -1 到 1)。

?? ??? ?確定系數位寬 COEFF_WIDTH (例如 16 bit)。

?? ??? ?確定量化格式： Q 格式 (常用 Q1.15，即 1 位符號位 + 15 位小數位)。

COEFF_WIDTH = 16;
FRAC_BITS = COEFF_WIDTH - 1; % 15 for Q1.15
h_quant = round(h * (2^FRAC_BITS)); % 放大 2^15 倍后四舍五入取整
% 飽和處理 (防止溢出)
max_val = 2^(COEFF_WIDTH-1) - 1; % 32767 for 16-bit
min_val = -2^(COEFF_WIDTH-1);     % -32768 for 16-bit
h_quant(h_quant > max_val) = max_val;
h_quant(h_quant < min_val) = min_val;

4. 生成 .coe 文件 (供 Vivado ROM IP 使用)：

% 打開文件用于寫入
fid = fopen('fir_coefficients.coe', 'w');
% 寫入.coe文件頭 (指定Radix和系數值)
fprintf(fid, 'memory_initialization_radix = 10;\n'); % 或 2, 16
fprintf(fid, 'memory_initialization_vector = \n');
% 寫入系數 (十進制整數形式，最后一個系數后面不加逗號)
for i = 1:length(h_quant)if i < length(h_quant)fprintf(fid, '%d,\n', h_quant(i));elsefprintf(fid, '%d;\n', h_quant(i)); % 最后一個系數以分號結尾end
end
fclose(fid);
disp('COE file "fir_coefficients.coe" generated.');

三、vivado?工程

整體框圖如下:

1. 創建用于存儲系數的ROM (Block Memory Generator IP)

2. 實現串行FIR濾波器結構

核心思想為：

  1. 使用單個乘法器依次計算每個抽頭的乘積

  2. 通過狀態機精確控制計算流程

  3. 移位寄存器存儲歷史樣本

  4. ROM存儲濾波器系數

完整工作流程為：

  1. 復位階段：所有寄存器清零，狀態機歸零

  2. 新樣本到達：進入狀態0

    • 移位寄存器更新

    • 累加器和地址初始化

  3. 乘累加階段：狀態1到TAPS-1

    • 依次計算每個抽頭的乘積

    • 累加前一個抽頭的計算結果

  4. 輸出階段：狀態TAPS

    • 輸出累加結果

    • 返回狀態0等待新樣本

`timescale 1ns / 1psmodule serial_fir#(parameter DATA_WIDTH = 12,parameter OUTPUT_WIDTH = 28,parameter COEFF_WIDTH = 16,parameter TAPS = 32
)(input wire clk,input wire rst,input wire signed [DATA_WIDTH - 1 : 0] data_in,output reg signed [OUTPUT_WIDTH - 1 : 0] data_out 
);
//移位寄存器鏈；存儲當前與過去的輸入樣本reg signed [DATA_WIDTH-1:0] shift_reg [0:TAPS-1];//前面是每個元素的位寬，后面是一個數組及索引范圍integer i;//FIR系數接收wire signed[COEFF_WIDTH-1:0] coeff_out;reg [$clog2(TAPS)-1:0] addr ;fir_coeff_rom your_instance_name (.clka(clk),    // input wire clka.addra(addr),  // input wire [4 : 0] addra.douta(coeff_out)  // output wire [15 : 0] douta
);//乘法器(為了高時鐘F加流水線級)，累加器,狀態寄存器reg signed[OUTPUT_WIDTH-1:0] accumulator;reg signed[$clog2(TAPS):0] state;reg signed[OUTPUT_WIDTH-1:0]product_reg;reg signed[OUTPUT_WIDTH-1:0]mult_result;always@(posedge clk or posedge rst)if(rst)beginfor(i=0; i<TAPS; i=i+1) shift_reg[i] <= 0;addr <= 0;accumulator <= 0;state <= 0;product_reg <= 0;data_out <=0;end else begincase(state)0: beginfor(i=TAPS-1; i>0; i=i-1)beginshift_reg[i] <= shift_reg[i-1];endshift_reg[0] <= data_in;state <= 1;enddefault beginif(state <= TAPS) beginmult_result <= shift_reg[addr] * coeff_out;product_reg <= mult_result;accumulator <= accumulator + product_reg;addr <= addr + 1;state <= state + 1;end else begindata_out <= accumulator;state <= 0;endendendcaseendendmodule

四、使用乘法器IP核進行硬件加速

????????雖然Verilog的 * 操作符在小位寬時綜合工具可能能推斷出乘法器，但對于16位或更大位寬，使用Xilinx專用的DSP Slice IP核 (Multiplier) 通常性能更好、資源利用更優、時序更容易滿足。

修改 serial_fir.v 代碼：

? ? ? ? 1. 找到原來的乘法操作 shift_reg[addr] * coeff_out;

? ? ? ? 2. 同時將原來的代碼進行時序狀態機優化，

? ? ? ? 2. 替換為乘法器IP核實例化：

`timescale 1ns / 1psmodule serial_fir#(parameter DATA_WIDTH = 12,parameter OUTPUT_WIDTH = 28,parameter COEFF_WIDTH = 16,parameter TAPS = 32
)(input wire clk,input wire rst,input wire signed [DATA_WIDTH - 1 : 0] data_in,output reg signed [OUTPUT_WIDTH - 1 : 0] data_out 
);// 移位寄存器鏈reg signed [DATA_WIDTH-1:0] shift_reg [0:TAPS-1];integer i;// FIR系數接收wire signed [COEFF_WIDTH-1:0] coeff_out;reg [$clog2(TAPS)-1:0] addr;// 狀態寄存器 - 需要覆蓋0到TAPS+1狀態reg [$clog2(TAPS+2):0] state; // 修正位寬// 乘法器、累加器相關reg signed [OUTPUT_WIDTH-1:0] accumulator;reg signed [OUTPUT_WIDTH-1:0] product_reg;wire signed [OUTPUT_WIDTH-1:0] mult_result; // 改為wire類型// 系數ROMfir_coeff_rom coeff_rom_inst (.clka(clk),.addra(addr),.douta(coeff_out));// 乘法器IP核實例化signed_multiplier mult_inst (.CLK(clk),.A(shift_reg[addr]),.B(coeff_out),.P(mult_result));// 狀態定義localparam S_LOAD  = 0;   // 加載新樣本localparam S_MULT  = 1;   // 啟動乘法localparam S_ACC   = 2;   // 累加結果localparam S_OUTPUT = 3;  // 輸出結果always @(posedge clk or posedge rst) beginif (rst) begin// 復位所有寄存器for (i = 0; i < TAPS; i = i + 1) shift_reg[i] <= 0;addr <= 0;accumulator <= 0;state <= S_LOAD;product_reg <= 0;data_out <= 0;end else begincase (state)S_LOAD: begin// 移位寄存器更新for (i = TAPS-1; i > 0; i = i - 1) beginshift_reg[i] <= shift_reg[i-1];endshift_reg[0] <= data_in;// 初始化累加器和地址accumulator <= 0;addr <= 0;// 進入乘法狀態state <= S_MULT;endS_MULT: begin// 啟動乘法（結果將在下一周期出現在mult_result）// 不需要直接賦值，乘法器IP會自動計算// 存儲上一個乘法結果（如果有）// 對于第一個抽頭，product_reg為0// 進入累加狀態state <= S_ACC;endS_ACC: begin// 累加前一個乘法結果accumulator <= accumulator + product_reg;// 存儲當前乘法結果（用于下一個抽頭的累加）product_reg <= mult_result;// 更新地址addr <= addr + 1;// 判斷是否完成所有抽頭if (addr < TAPS - 1) beginstate <= S_MULT; // 繼續下一個抽頭end else beginstate <= S_OUTPUT; // 所有抽頭處理完成endendS_OUTPUT: begin// 累加最后一個抽頭的結果accumulator <= accumulator + product_reg;// 輸出最終結果data_out <= accumulator;// 返回加載狀態state <= S_LOAD;endendcaseendend
endmodule

五、編寫仿真文件查看波形

`timescale 1ns/1psmodule serial_fir_tb();localparam DATA_WIDTH = 12;
localparam OUTPUT_WIDTH = 28;
localparam COEFF_WIDTH = 16;
localparam TAPS = 32;
localparam CLK_PERIOD = 10;reg clk;
reg rst;
reg signed [DATA_WIDTH - 1 : 0] data_in;
wire signed [OUTPUT_WIDTH - 1 : 0] data_out ;parameter FS_REAL = 100000;
parameter REAL_PERIOD = 1.0e9/FS_REAL;
integer t;
real time_val;
parameter freq1 = 5000;
parameter freq2 = 30000;
parameter pi = 3.1415926;
parameter amplitude = (1 << (DATA_WIDTH-1))-1;//時鐘生成
always #(CLK_PERIOD/2) clk = ~clk;//實例化模塊
serial_fir#(.DATA_WIDTH(DATA_WIDTH),.OUTPUT_WIDTH(OUTPUT_WIDTH),.COEFF_WIDTH(COEFF_WIDTH),.TAPS(TAPS)
) uut(.clk(clk),.rst(rst),.data_in(data_in),.data_out(data_out) 
);//初始化
initial beginclk = 0;rst = 1;data_in = 0;#(CLK_PERIOD*2) rst = 0;//測試1：單位沖擊響應（驗證濾波系數）
data_in = (1 << (DATA_WIDTH-2));
#(CLK_PERIOD);
data_in = 0;
#(CLK_PERIOD*(TAPS*10));//測試2：混合頻率信號（驗證濾波效果）
//localparam FS_REAL = 100000.0;
//localparam REAL_PERIOD = 1.0e9 / FS_REAL;
//integer t;
//real time_val;
//real freq1 = 5000;
//real freq2 = 30000;
//real pi = 3.1415926;
//real amplitude = (1 << (DATA_WIDTH-1))-1;for(t=0; t<500; t=t+1) begintime_val = t*(REAL_PERIOD/1.0e9);//第t個樣本對應的實際時間sdata_in = $rtoi(amplitude * (0.6 * $sin(2 * pi * freq1 * time_val) + 0.4 * $sin(2 * pi * freq2 * time_val)));$display("t = %d, time_val = %f, data_in = %d， data_out = %d", t, time_val, data_in, data_out);#(REAL_PERIOD);
end//結束仿真
#(CLK_PERIOD*100);
$finish;end//波形記錄
initial begin$dumpfile("waveform.vcd");$dumpvars(0,uut);
endendmodule

仿真結果如下圖所示：

六、MATLAB進行FFT分析

將生成的dumpfile文件復制到txt文檔然后導入MATLAB進行FFT分析（一部分如下）

MATLAB代碼如下：

% FIR濾波器頻譜分析完整代碼
% 功能：讀取數據文件，計算并繪制data_in和data_out的頻譜，驗證濾波效果% --------------------------
% 1. 讀取數據文件
% --------------------------
% 確保數據文件與當前MATLAB腳本在同一目錄，或使用絕對路徑
data_filename = 'fir_data_clean.txt';  % 數據文件名
data = load(data_filename);            % 讀取空格分隔的純數值文件% 提取各列數據
t = data(:, 1);           % 時間索引
data_in = data(:, 2);     % 輸入信號
data_out = data(:, 3);    % 輸出信號% 驗證數據讀取結果
fprintf('成功讀取數據，共 %d 個樣本\n', length(t));
fprintf('時間范圍: t = %d 至 %d\n', t(1), t(end));% --------------------------
% 2. 配置信號參數
% --------------------------
FS = 100000;              % 采樣率 (Hz)，與仿真中的FS_REAL一致
N = length(data_in);      % 數據點數
Nyquist = FS / 2;         % 奈奎斯特頻率 (Hz)% --------------------------
% 3. 計算FFT并處理頻譜
% --------------------------
% 對輸入信號計算FFT
dc_in = mean(data_in);                   % 計算直流分量
fft_in = fft(data_in - dc_in);           % 去除直流分量后計算FFT
fft_mag_in = abs(fft_in) / N * 2;        % 幅度歸一化（雙邊譜轉單邊譜）
fft_mag_in(1) = fft_mag_in(1) / 2;       % 修正直流分量幅度% 對輸出信號計算FFT
dc_out = mean(data_out);
fft_out = fft(data_out - dc_out);
fft_mag_out = abs(fft_out) / N * 2;
fft_mag_out(1) = fft_mag_out(1) / 2;% 生成頻率軸（單位：Hz）
freq = (0:N-1) * FS / N;% --------------------------
% 4. 繪制時域波形
% --------------------------
figure('Name', '時域波形', 'Position', [100, 100, 1000, 600]);
subplot(2, 1, 1);
plot(t, data_in, 'b-', 'LineWidth', 1);
xlabel('時間索引 t');
ylabel('幅度');
title('輸入信號 data_in 時域波形');
grid on;subplot(2, 1, 2);
plot(t, data_out, 'r-', 'LineWidth', 1);
xlabel('時間索引 t');
ylabel('幅度');
title('輸出信號 data_out 時域波形');
grid on;
sgtitle('時域波形對比');% --------------------------
% 5. 繪制頻譜圖（0至奈奎斯特頻率）
% --------------------------
figure('Name', '頻譜對比', 'Position', [200, 200, 1000, 600]);% 輸入信號頻譜
subplot(2, 1, 1);
plot(freq(1:N/2), fft_mag_in(1:N/2), 'b-', 'LineWidth', 1.2);
xlabel('頻率 (Hz)');
ylabel('幅度');
title('data_in 頻譜（5kHz + 30kHz 混合信號）');
grid on;
xlim([0, Nyquist]);  % 顯示0至50kHz
hold on;
% 標記關鍵頻率
plot([5000, 5000], ylim, 'r--', 'LineWidth', 1);    % 5kHz（目標保留頻率）
plot([30000, 30000], ylim, 'g--', 'LineWidth', 1);  % 30kHz（目標衰減頻率）
legend('信號幅度', '5kHz（通帶）', '30kHz（阻帶）', 'Location', 'best');% 輸出信號頻譜
subplot(2, 1, 2);
plot(freq(1:N/2), fft_mag_out(1:N/2), 'r-', 'LineWidth', 1.2);
xlabel('頻率 (Hz)');
ylabel('幅度');
title('data_out 頻譜（濾波后）');
grid on;
xlim([0, Nyquist]);
hold on;
plot([5000, 5000], ylim, 'r--', 'LineWidth', 1);
plot([30000, 30000], ylim, 'g--', 'LineWidth', 1);
legend('信號幅度', '5kHz（通帶）', '30kHz（阻帶）', 'Location', 'best');sgtitle('輸入輸出信號頻譜對比');% --------------------------
% 6. 定量分析關鍵頻率成分
% --------------------------
% 查找5kHz附近的頻率索引
[idx_5k, ~] = min(abs(freq - 5000));
mag_in_5k = fft_mag_in(idx_5k);    % 輸入信號5kHz幅度
mag_out_5k = fft_mag_out(idx_5k);  % 輸出信號5kHz幅度% 查找30kHz附近的頻率索引
[idx_30k, ~] = min(abs(freq - 30000));
mag_in_30k = fft_mag_in(idx_30k);  % 輸入信號30kHz幅度
mag_out_30k = fft_mag_out(idx_30k);% 輸出信號30kHz幅度% 計算衰減比和增益
attenuation_ratio = mag_in_30k / mag_out_30k;  % 30kHz衰減倍數（越大越好）
gain_5k = mag_out_5k / mag_in_5k;              % 5kHz增益（應接近1）% 打印分析結果
fprintf('\n===== 頻譜定量分析結果 =====\n');
fprintf('5kHz信號幅度: 輸入=%.2f, 輸出=%.2f\n', mag_in_5k, mag_out_5k);
fprintf('30kHz信號幅度: 輸入=%.2f, 輸出=%.2f\n', mag_in_30k, mag_out_30k);
fprintf('30kHz衰減比: %.2f 倍（理想低通濾波器應遠大于1）\n', attenuation_ratio);
fprintf('5kHz增益: %.2f（理想應接近1）\n', gain_5k);% 判斷濾波效果
if attenuation_ratio > 5 && gain_5k > 0.5fprintf('\n結論: 濾波效果符合預期，30kHz高頻被有效衰減，5kHz低頻保留良好。\n');
elsefprintf('\n結論: 濾波效果不理想，需檢查FIR濾波器系數或內部邏輯。\n');
end

從結果來看，濾波效果符合預期，原因如下：

1. 頻譜分析

  • 輸入頻譜：data_in?在 5kHz 和 30kHz 處均有明顯峰值，符合 “5kHz + 30kHz 混合信號” 的設計預期。
  • 輸出頻譜：data_out?僅保留了 5kHz 處的峰值，30kHz 處的峰值幾乎完全被衰減，說明 FIR 濾波器成功實現了 “保留 5kHz 低頻、衰減 30kHz 高頻” 的低通濾波功能。

2. 結論

當前頻譜結果表明，FIR 濾波器的濾波效果符合設計目標，30kHz 高頻被有效抑制，5kHz 低頻被完整保留。

后續改進方向：可向并行設計靠攏

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/web/93074.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/93074.shtml
英文地址，請注明出處：http://en.pswp.cn/web/93074.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

JPrint免費的Web靜默打印控件：PDF打印中文亂碼異常解決方案

JPrint免費的Web靜默打印控件：PDF打印中文亂碼異常解決方案

文章目錄JPrint是什么&#xff1f;中文亂碼&#xff08;Using fallback font xxx for xxxx&#xff09;1.字體嵌入2.客戶機字體安裝開源地址相關目錄導航使用文檔端口號修改代理使用場景打印服務切換中文亂碼解決方案 JPrint是什么&#xff1f; JPrint是一個免費開源的可視化靜…
閱讀更多...
MFT 在零售行業的實踐案例與場景：加速文件集成與業務協作的高效方案

MFT 在零售行業的實踐案例與場景：加速文件集成與業務協作的高效方案

零售行業競爭激烈、數字化轉型迭代迅速&#xff0c;業務對數據與檔案的傳輸、處理和整合要求極高。無論是新品上市市場數據&#xff0c;還是供應鏈物流單據&#xff0c;集成方式不論是通過API或是檔案傳輸, 對于傳輸的穩定性,安全性與性能, 都會直接影響決策效率與顧客體驗。MF…
閱讀更多...
OSG+Qt —— 筆記1 - Qt窗口加載模型（附源碼）

OSG+Qt —— 筆記1 - Qt窗口加載模型（附源碼）

?? OSG/OsgEarth 相關技術、疑難雜癥文章合集（掌握后可自封大俠 ?_?）（記得收藏，持續更新中…） OSG+Qt所用版本皆為： Vs2017+Qt5.12.4+Osg3.6.5+OsgQt(master) 效果 代碼（需將cow.osg、reflect.rgb拷貝至工程目錄下） OsgForQt.ui main.cpp
閱讀更多...
開源安全云盤存儲：Hoodik 實現端到端數據加密，Docker快速搭建

開源安全云盤存儲：Hoodik 實現端到端數據加密，Docker快速搭建

以下是對 Hoodik 的簡單介紹&#xff1a; Hoodik 是一個使用 Rust 和 Vue 開發的輕量級自托管安全云存儲解決方案采用了非對稱RSA密鑰對和AES混合加密策略&#xff0c;從文件存儲加密到數據鏈路加密&#xff0c;全程保證數據安全支持Docker一鍵私有部署&#xff0c;數據和服務…
閱讀更多...
[C++] Git 使用教程（從入門到常用操作）

[C++] Git 使用教程（從入門到常用操作）

1. Git 簡介 Git 是一款分布式版本控制系統&#xff0c;用來跟蹤文件變化、協作開發、管理項目版本。 它是開源的&#xff0c;由 Linus Torvalds 在 2005 年開發&#xff0c;廣泛用于開源與企業項目中。 2. 安裝 Git Windows 前往 Git 官網 下載并安裝。 安裝時建議勾選 Git…
閱讀更多...
實盤回測一體的期貨策略開發：tqsdk獲取歷史數據并回測，附python代碼

實盤回測一體的期貨策略開發：tqsdk獲取歷史數據并回測，附python代碼

原創內容第969篇&#xff0c;專注AGI&#xff0c;AI量化投資、個人成長與財富自由。 星球好多同學希望說說實盤&#xff0c;我們就從實盤開始吧。 我們選擇tqsdk給大家講解&#xff0c;tqsdk支持免費注冊&#xff0c;使用模擬賬戶&#xff0c;歷史和實時數據&#xff0c;方便…
閱讀更多...
大模型推理框架vLLM 中的Prompt緩存實現原理

大模型推理框架vLLM 中的Prompt緩存實現原理

背景&#xff1a;為什么需要Prompt緩存模塊&#xff1f;在大模型問答多輪對話應用場景中&#xff0c;不同請求的 Prompt 往往有相同的前綴&#xff0c;比如&#xff1a;第一次問答&#xff1a;你是一名專業的電子產品客服&#xff0c;負責回答客戶關于手機產品的咨詢。請根據以…
閱讀更多...
Python之Django使用技巧（附視頻教程）

Python之Django使用技巧（附視頻教程）

概述 Django 是一個高級的 Python Web 框架&#xff0c;遵循 “batteries-included”&#xff08;內置電池&#xff09;理念&#xff0c;提供了構建 Web 應用所需的大部分組件&#xff0c;讓開發者可以專注于業務邏輯而不是底層細節。視頻教程&#xff1a;https://pan.quark.cn…
閱讀更多...
sqli-labs通關筆記-第44關 POST字符型堆疊注入(單引號閉合 手工注入+腳本注入3種方法)

sqli-labs通關筆記-第44關 POST字符型堆疊注入(單引號閉合 手工注入+腳本注入3種方法)

目錄 一、堆疊注入 二、源碼分析 1、代碼審計 2、SQL注入安全性分析 三、堆疊手注法 1、進入靶場 2、正確用戶名密碼登錄 3、堆疊注入 4、查看數據庫 四、聯合手注法 1、獲取列數 2、確認回顯位 3、獲取數據庫名 4、獲取表名 5、獲取列名 6、獲取字段 7、總結…
閱讀更多...
從深度偽造到深度信任：AI安全的三場攻防戰

從深度偽造到深度信任：AI安全的三場攻防戰

前言當大模型開始“睜眼”看世界&#xff0c;偽造者也開始“閉眼”造世界。2025 WAIC釋放出的信號很明確&#xff1a;沒有AI安全底座&#xff0c;就沒有產業智能化的高樓。WAIC 把“安全”擺在與“創新”同等重要的位置&#xff0c;形成了“1 份共識框架&#xff0b;2 份重磅報…
閱讀更多...
【C++】哈希的應用：位圖和布隆過濾器

【C++】哈希的應用：位圖和布隆過濾器

目錄 一、位圖 1.1 位圖的概念 1.2 位圖的實現 1.3 位圖的應用 二、布隆過濾器 2.1 布隆過濾器的提出 2.2 布隆過濾器的概念 2.3 布隆過濾器的插入和查找 2.4 布隆過濾器的刪除 2.5 布隆過濾器的優點 2.6 布隆過濾器的缺點 一、位圖 1.1 位圖的概念 1. 面試題 給4…
閱讀更多...
C語言：指針（4）

C語言：指針（4）

1. 回調函數回調函數就是指通過函數指針調用的函數。如果將函數指針作為參數傳遞給另一個函數&#xff0c;另一個函數根據指針來調這個函數&#xff0c;那么被調用的函數就是回調函數。回調函數不是由這個函數的實現方直接調用&#xff0c;而是在特定的條件下由另一方調用的。例…
閱讀更多...
vue--video使用動態src時，視頻不更新

vue--video使用動態src時，視頻不更新

問題描述 在 Vue項目中&#xff0c;嘗試動態更新 標簽的 元素 src 屬性來切換視頻時&#xff0c;遇到了一個問題&#xff1a;即使 src 已更改&#xff0c;瀏覽器仍不顯示視頻。 <template><video width"100%" height"100%" controlspause"…
閱讀更多...
計算機視覺--opencv(代碼詳細教程）（一）

計算機視覺--opencv(代碼詳細教程）（一）

在計算機視覺的廣袤領域中&#xff0c;OpenCV 是一座極為關鍵的里程碑。無論是在前沿的學術研究&#xff0c;還是在蓬勃發展的工業界&#xff0c;OpenCV 憑借其強大的功能與高效的性能&#xff0c;為開發者提供了豐富的圖像處理和計算機視覺算法&#xff0c;助力無數項目落地。…
閱讀更多...
物聯網通訊協議-MQTT、Modbus、OPC

物聯網通訊協議-MQTT、Modbus、OPC

引言在物聯網迅速發展的今天&#xff0c;設備間的通信協議扮演著至關重要的角色。它們是不同設備、系統之間實現數據交換的橋梁。本文將詳細介紹三種在物聯網領域廣泛應用的通訊協議——MQTT、Modbus和OPC&#xff0c;包括它們的基礎概念、特點及在C#中的實現方法。一、MQTT協議…
閱讀更多...
牛客周賽R104 小紅的矩陣不動點

牛客周賽R104 小紅的矩陣不動點

D-小紅的矩陣不動點_牛客周賽 Round 104 賽時這道題卡了一段時間&#xff0c;賽時代碼如下&#xff1a; #include<bits/stdc.h> using namespace std; int ans,h; int a[505][505]; signed main(){ios::sync_with_stdio(false),cin.tie(0),cout.tie(0);int n,m;cin>…
閱讀更多...
Rust面試題及詳細答案120道（19-26）-- 所有權與借用

Rust面試題及詳細答案120道（19-26）-- 所有權與借用

《前后端面試題》專欄集合了前后端各個知識模塊的面試題&#xff0c;包括html&#xff0c;javascript&#xff0c;css&#xff0c;vue&#xff0c;react&#xff0c;java&#xff0c;Openlayers&#xff0c;leaflet&#xff0c;cesium&#xff0c;mapboxGL&#xff0c;threejs&…
閱讀更多...
Jenkins + SonarQube 從原理到實戰三：SonarQube 打通 Windows AD（LDAP）認證與踩坑記錄

Jenkins + SonarQube 從原理到實戰三：SonarQube 打通 Windows AD（LDAP）認證與踩坑記錄

前言 在前兩篇文章中&#xff0c;已經介紹了 SonarQube 的部署 以及 通過 sonar-cxx 插件實現 C/C 代碼掃描。 本篇將重點講 如何讓 SonarQube 對接 Windows AD&#xff08;LDAP&#xff09;&#xff0c;實現域賬號登錄和基于 AD 組的權限管理。 一、背景與需求分析 需求分析…
閱讀更多...
[AI React Web] 包與依賴管理 | `axios`庫 | `framer-motion`庫

[AI React Web] 包與依賴管理 | `axios`庫 | `framer-motion`庫

第七章&#xff1a;包與依賴管理 在我們使用open-lovable的旅程中&#xff0c;已經探索了它如何管理對話狀態&#xff08;第一章&#xff1a;對話狀態管理&#xff09;、將創意轉化為可運行代碼&#xff08;第二章&#xff1a;AI代碼生成管道&#xff09;、如何在安全的虛擬環…
閱讀更多...
PanSou 一款開源網盤搜索項目，集成前后端，一鍵部署，開箱即用

PanSou 一款開源網盤搜索項目，集成前后端，一鍵部署，開箱即用

PanSou 網盤搜索API PanSou是一個高性能的網盤資源搜索API服務&#xff0c;支持TG搜索和自定義插件搜索。系統設計以性能和可擴展性為核心&#xff0c;支持并發搜索、結果智能排序和網盤類型分類。 項目地址&#xff1a;https://github.com/fish2018/pansou 特性&#xff08…
閱讀更多...
最新文章

Copyright @ 2022~2023