<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[smartvxworks的博客]]></title><description><![CDATA[VxWorks，Linux，QNX，PowerPC，ARM，FPGA，DSP，嵌入式系统架构师，QT UI架构师，项目经理，军工领域耕耘数十载，一起成长，不断进步。 一个优雅的程序员、一个沉稳的架构师。]]></description><link>https://blog.csdn.net/smartvxworks</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; smartvxworks]]></copyright><item><title><![CDATA[Linux 实时内核（Linux Real-Time Kernel）详解：原理、实践与优化]]></title><link>https://blog.csdn.net/smartvxworks/article/details/163039141</link><guid>https://blog.csdn.net/smartvxworks/article/details/163039141</guid><author>smartvxworks</author><pubDate>Mon, 20 Jul 2026 10:49:56 +0800</pubDate><description><![CDATA[实时系统（Real-Time System）的核心是任务响应的确定性，而非单纯的“速度快”。硬实时（Hard Real-Time）：任务必须在截止时间内完成，超时会导致系统故障（如自动驾驶的刹车控制）。软实时（Soft Real-Time）：允许偶尔超时，但需尽可能减少超时频率（如视频流传输）。Linux 实时内核的目标是支持硬实时场景，通过优化调度、中断处理和同步机制，将任务响应延迟（Latency）控制在微秒级。]]></description><category></category></item><item><title><![CDATA[LTSSM(二)]]></title><link>https://blog.csdn.net/smartvxworks/article/details/157549954</link><guid>https://blog.csdn.net/smartvxworks/article/details/157549954</guid><author>smartvxworks</author><pubDate>Fri, 30 Jan 2026 15:54:12 +0800</pubDate><description><![CDATA[PCIe链路训练与状态机（LTSSM）是PCIe设备初始化和链路管理的关键机制。LTSSM包含11个顶层状态，分为链路训练、重复训练、电源管理等五类。设备复位后首先进入Detect状态检测链路对端，随后依次通过Polling、Configuration状态完成速率协商、通道配置等初始化工作，最终进入L0正常工作状态。Recovery状态负责处理速率变更、低功耗恢复等链路重训练场景。Configuration状态通过TS1/TS2序列交互完成链路宽度、通道编号等关键参数协商。电源管理状态（L0s/L1/L2）]]></description><category></category></item><item><title><![CDATA[LTSSM(一)]]></title><link>https://blog.csdn.net/smartvxworks/article/details/157549889</link><guid>https://blog.csdn.net/smartvxworks/article/details/157549889</guid><author>smartvxworks</author><pubDate>Fri, 30 Jan 2026 15:51:45 +0800</pubDate><description><![CDATA[PCIe链路训练是物理层自动完成的硬件初始化过程，主要实现以下功能：1）通过BitLock、SymbolLock和BlockLock实现时钟同步；2）协商链路宽度和速率；3）支持通道错序(LaneReversal)和极性反转(PolarityInversion)以简化PCB设计；4）进行多通道偏移补偿(Lane-to-LaneDe-skew)；5）使用TS1/TS2等特殊序列完成训练。整个过程由LTSSM状态机管理，在复位后自动执行，为PCIe设备建立可靠的数据通信链路。]]></description><category></category></item><item><title><![CDATA[一文看懂芯片的设计流程]]></title><link>https://blog.csdn.net/smartvxworks/article/details/149574138</link><guid>https://blog.csdn.net/smartvxworks/article/details/149574138</guid><author>smartvxworks</author><pubDate>Wed, 23 Jul 2025 16:11:28 +0800</pubDate><description><![CDATA[数字芯片设计流程解析 本文详细介绍了数字芯片设计的主要流程，分为规格定义、系统设计、前端设计和后端设计四个阶段。规格定义阶段需明确芯片功能需求；系统设计阶段由架构工程师确定实现方案；前端设计包括HDL编码、仿真验证和逻辑综合；后端设计则完成物理布局、验证和签核检查。整个设计过程采用&quot;自顶向下&quot;思路，贯穿大量验证环节，最终输出GDSⅡ版图文件交晶圆厂流片。文章特别强调芯片设计过程中验证的重要性，以及需要考虑制造工艺约束等实际问题，确保设计准确性和可实现性。]]></description><category></category></item><item><title><![CDATA[小白看得懂的 Transformer (图解)]]></title><link>https://blog.csdn.net/smartvxworks/article/details/149132116</link><guid>https://blog.csdn.net/smartvxworks/article/details/149132116</guid><author>smartvxworks</author><pubDate>Sat, 05 Jul 2025 11:28:58 +0800</pubDate><description><![CDATA[它们都是有助于计算和理解注意力机制的抽象概念。请继续阅读下文的内容，你就会知道每个向量在计算注意力机制中到底扮演什么样的角色。计算自注意力的第二步是计算得分。假设我们在为这个例子中的第一个词“Thinking”计算自注意力向量，我们需要拿输入句子中的每个单词对“Thinking”打分。这些分数决定了在编码单词“Thinking”的过程中有多重视句子的其它部分。这些分数是通过打分单词（所有输入句子的单词）的键向量与“Thinking”的查询向量相点积来计算的。]]></description><category></category></item><item><title><![CDATA[大白话！解析大模型原理！]]></title><link>https://blog.csdn.net/smartvxworks/article/details/149051754</link><guid>https://blog.csdn.net/smartvxworks/article/details/149051754</guid><author>smartvxworks</author><pubDate>Tue, 01 Jul 2025 17:48:47 +0800</pubDate><description><![CDATA[LLM的工作原理对大多数人来说是个谜。虽然它们本质上在于“预测下一个词”，并需要大量文本进行训练，但具体细节往往令人困惑。原因在于这些系统独特的开发方式：基于数十亿词汇训练的神经网络，不同于传统的人类编写的软件。尽管没人完全理解其内部机制，但研究人员正努力探索。

本文旨在以非技术、非数学的方式解释LLM的工作原理，包括词向量、Transformer模型及其训练方式，以及为何需要海量数据来取得良好性能。]]></description><category></category></item><item><title><![CDATA[Mellanox网卡FW刷新方法]]></title><link>https://blog.csdn.net/smartvxworks/article/details/148286070</link><guid>https://blog.csdn.net/smartvxworks/article/details/148286070</guid><author>smartvxworks</author><pubDate>Wed, 28 May 2025 16:06:22 +0800</pubDate><description><![CDATA[本文介绍了在CentOS7.4系统上使用NVIDIA MFT工具刷新Mellanox网卡固件的详细步骤。包括MFT工具下载安装、固件获取、设备名称查看、固件烧录以及重置网卡等操作流程。重点说明了常见PSID不匹配报错的解决方法（使用-allow_psid_change参数），并提醒定制卡（带_C0*后缀）需谨慎操作。文章提供了完整的命令行操作示例，涵盖从工具安装到固件验证的全过程。]]></description><category></category></item><item><title><![CDATA[最强开源单目深度估计算法来了，精度可以直接用于3D重建]]></title><link>https://blog.csdn.net/smartvxworks/article/details/148007135</link><guid>https://blog.csdn.net/smartvxworks/article/details/148007135</guid><author>smartvxworks</author><pubDate>Fri, 16 May 2025 15:02:56 +0800</pubDate><description><![CDATA[Metric3Dv2是CVPR单目深度估计挑战赛冠军方案Metric3D的升级版，由＊＊＊科技大学、阿德莱德大学、西湖大学、英特尔、＊＊＊大学、浙江大学的研究团队共同开发。该模型通过一套参数解决了未知环境中的带尺度深度估计和法向估计问题，无需微调即可直接应用于无人机感知和自动驾驶场景的单目SLAM。Metric3Dv2在16个单目深度和法向估计基准榜单上取得SOTA成绩，尤其在KITTI数据集上的单目深度估计相对误差低至5%。该模型通过公共相机空间的设计，有效缓解了尺度二义性问题，并引入联合深度-法线优化框]]></description><category></category></item><item><title><![CDATA[CVPR满分论文 | 英伟达开源双目深度估计大模型FoundationStereo]]></title><link>https://blog.csdn.net/smartvxworks/article/details/147991726</link><guid>https://blog.csdn.net/smartvxworks/article/details/147991726</guid><author>smartvxworks</author><pubDate>Thu, 15 May 2025 20:42:47 +0800</pubDate><description><![CDATA[FoundationStereo是英伟达开源的一种用于立体深度估计的基础模型，旨在实现强大的零样本泛化能力。该模型通过构建包含100万立体图像对的大规模合成训练数据集，结合自动自筛选流程去除模糊样本，并设计了网络架构组件（如侧调谐特征主干和远程上下文推理）来增强可扩展性和准确性。这些创新显著提升了模型在不同领域的鲁棒性和精度，为零样本立体深度估计设立了新标准。相关论文FoundationStereo: Zero-Shot Stereo Matching获得CVPR 2025满分评审，代码已开源。Founda]]></description><category></category></item><item><title><![CDATA[最强战队 | 三维视觉、SLAM方向全球顶尖实验室汇总]]></title><link>https://blog.csdn.net/smartvxworks/article/details/147991598</link><guid>https://blog.csdn.net/smartvxworks/article/details/147991598</guid><author>smartvxworks</author><pubDate>Thu, 15 May 2025 20:37:29 +0800</pubDate><description><![CDATA[本文汇总了全球顶级的三维视觉和SLAM（同步定位与地图构建）方向的研究机构及其主要研究成果。这些机构包括英国的伦敦大学帝国理工学院、牛津大学，瑞士的苏黎世联邦理工学院，德国的慕尼黑工业大学，美国的卡内基梅隆大学、斯坦福大学，以及中国的＊＊＊科技大学、浙江大学等。这些实验室在计算机视觉、机器人导航、3D重建等领域取得了显著成就，如ElasticFusion、PTAM、VINS-Mono等技术的开发。文章旨在帮助读者了解这些机构的研究动态，为选择研究方向或导师提供参考。]]></description><category></category></item><item><title><![CDATA[集合通信性能评估——源自 NCCL 测试报告]]></title><link>https://blog.csdn.net/smartvxworks/article/details/145907954</link><guid>https://blog.csdn.net/smartvxworks/article/details/145907954</guid><author>smartvxworks</author><pubDate>Thu, 27 Feb 2025 17:03:56 +0800</pubDate><description><![CDATA[nReduce：1总线带宽应该反映硬件瓶颈的速度，如NVLinkPCIQPI或网络。修正因子计算出来的总线带宽是在理想情况下的带宽性能，即在理论上能够达到的最大带宽。如果实际测量的总线带宽未能达到这一理想值，则可能表明系统中存在硬件瓶颈或其他限制因素。]]></description><category></category></item><item><title><![CDATA[NVLink、NVSwitch、InfiniBand不同]]></title><link>https://blog.csdn.net/smartvxworks/article/details/145877570</link><guid>https://blog.csdn.net/smartvxworks/article/details/145877570</guid><author>smartvxworks</author><pubDate>Wed, 26 Feb 2025 14:23:55 +0800</pubDate><description><![CDATA[NVLink是一种解决服务器内GPU之间通信限制的协议。与传统的PCIe交换机不同，NVLink带宽有限，可以在服务器内的GPU之间实现高速直接互连。第四代NVLink提供更高的带宽，每条通道达到112Gbps，比PCIe Gen5通道速率快三倍。NVLink旨在为GPU直接互连提供简化、高速、点对点的网络，相比传统网络减少了开销。通过在不同层次提供CUDA加速，NVLink减少了与通信相关的网络开销。]]></description><category></category></item><item><title><![CDATA[一、LTSSM介绍]]></title><link>https://blog.csdn.net/smartvxworks/article/details/145690294</link><guid>https://blog.csdn.net/smartvxworks/article/details/145690294</guid><author>smartvxworks</author><pubDate>Mon, 17 Feb 2025 19:53:21 +0800</pubDate><description><![CDATA[PCIE中的链路初始化与训练过程是一种完全由硬件来实现的功能，整个过程都是由链路训练状态机(Link Trainning and status State Machine, LTSSM)自动完成；不涉及数据链路层和事务层；主要流程为上电后两侧根据PCIe总线协议进入LTSSM流程;该过程是一套硬件自动化的流程，链路双方自动协商速率和宽度，调节发送和接收参数，从而达到最佳信号质量。链路训练过程包括多个状态，每个状态有其特定的任务和目标；]]></description><category></category></item><item><title><![CDATA[二、LTSSM-Detect]]></title><link>https://blog.csdn.net/smartvxworks/article/details/145690206</link><guid>https://blog.csdn.net/smartvxworks/article/details/145690206</guid><author>smartvxworks</author><pubDate>Mon, 17 Feb 2025 19:46:02 +0800</pubDate><description><![CDATA[Detect通过集成在发送器（Transmitter）中的接收器检测（Receiver Detection）电路实现，电路的功能在于检测接收器内的等效对地阻抗ZRX是否在40 Ω-60 Ω之间。PCIe总线支持热插拔，因此当对端设备没有插入时其ZRX为开路，则检测电路可以据此判断出对端无设备；而板内PCIe链路的芯片在复位状态或未上电等异常状态下其阻抗也会呈开路状态，。检测到对端没有设备的后续操作请见后文对Detect子状态状态机的介绍。图1 Detect原理示意图。]]></description><category></category></item><item><title><![CDATA[centos8使用grubby修改内核启动参数]]></title><link>https://blog.csdn.net/smartvxworks/article/details/145356547</link><guid>https://blog.csdn.net/smartvxworks/article/details/145356547</guid><author>smartvxworks</author><pubDate>Sat, 25 Jan 2025 17:12:48 +0800</pubDate><description><![CDATA[grubby是一个用于更新和显示有关各种体系结构特定的引导程序的配置文件信息的命令行工具。它主要设计用于安装新内核并需要查找有关当前引导环境的信息的脚本，同时也可以对启动内核的各项信息参数进行修改。本文主要介绍如何在centos8中使用grubby工具来对系统的内核启动参数和启动顺序进行调整。使用yum或者dnf可以直接安装grubby工具。]]></description><category></category></item><item><title><![CDATA[使用 InfiniBand 写入带宽对 NVIDIA GPUDirect RDMA 进行基准测试]]></title><link>https://blog.csdn.net/smartvxworks/article/details/143168766</link><guid>https://blog.csdn.net/smartvxworks/article/details/143168766</guid><author>smartvxworks</author><pubDate>Tue, 22 Oct 2024 21:23:39 +0800</pubDate><description><![CDATA[本教程介绍了一种使用定制脚本ib_write_bw.sh对NVIDIA GPUDirect RDMA进行基准测试的自动化方法。该脚本基于InfiniBand写入带宽测试工具，简化了在HPC集群中执行GPUDirect RDMA测试的过程，无需手动处理软件安装和配置。脚本会自动检查节点配置、CUDA安装、GPU数量及RDMA接口状态，并生成详细测试报告。测试重点考察RDMA写入事务的带宽性能，支持多种GPU配置型号。该方法相比传统手动编译测试更高效，测试结果包含各接口的带宽平均值等关键指标，存储在/tmp目录]]></description><category></category></item><item><title><![CDATA[PCIe中SR-IOV技术]]></title><link>https://blog.csdn.net/smartvxworks/article/details/141086039</link><guid>https://blog.csdn.net/smartvxworks/article/details/141086039</guid><author>smartvxworks</author><pubDate>Sat, 10 Aug 2024 09:27:24 +0800</pubDate><description><![CDATA[PCI设备直通时，GuestOS中的设备驱动操作虚拟PCI设备的DMA时，QEMU会将上述操作通过VFIO接口下发给物理PCI设备的DMA，物理设备DMA收到GuestOS中的物理地址GPA，通过IOMMU的映射，找到Host主机物理内存的物理地址HPA，达到物理PCI设备直接访问GuestOS中的GPA，从而达到数据数据面加速。SR-IOV的出现，支持了单个物理PCIe设备虚拟出多个虚拟PCIe设备，然后将虚拟PCIe设备直通到各虚拟机，以实现单个物理PCIe设备支撑多虚拟机的应用场景，如图1.2。]]></description><category></category></item><item><title><![CDATA[linux命令行登录百度网盘下载文件]]></title><link>https://blog.csdn.net/smartvxworks/article/details/140739208</link><guid>https://blog.csdn.net/smartvxworks/article/details/140739208</guid><author>smartvxworks</author><pubDate>Sat, 27 Jul 2024 18:23:52 +0800</pubDate><description><![CDATA[3、得的如上回显后，回到网盘 "我的应用数据" 会看到多了一个"bypy"的目录，将你要下载的数据复制到该目录，比如这里我需要下载一个名叫DO447的目录，然后回到linux执行如下命令。注：将网盘中的DO447-2.8目录复制到 "我的应用数据"---> "bypy"目录中，然后开始如下操作进行下载。# 开始下载,将网盘上的DO447-2.8下载到本地的do447目录中。文件会上传到网盘 "我的应用数据" ===> "bypy" 目录中。# 将网盘上的bypy目录中所有下载到本地。]]></description><category></category></item><item><title><![CDATA[jenkins流水线学习（工具）]]></title><link>https://blog.csdn.net/smartvxworks/article/details/138157185</link><guid>https://blog.csdn.net/smartvxworks/article/details/138157185</guid><author>smartvxworks</author><pubDate>Wed, 24 Apr 2024 13:59:59 +0800</pubDate><description><![CDATA[Jenkins特意为了更好使用pipeline，开发了一些工具类，方便我们更好地在step中处理各种需求。这是个插件，需要在jenkins插件管理安装。1、findFiles 　　　（需要在项目下要有log文件）2、readJSON 　　（方法有两种参数，分别是文件路径和字符串；示例是文件路径；3、writeJSON 　　（file入参是文件路径，json可以是readJSON的结果，也可以是转换为json的字符串；示例是writeJSON的方式）]]></description><category></category></item><item><title><![CDATA[【Jenkins PipeLine】Jenkins PipeLine 联动参数示例]]></title><link>https://blog.csdn.net/smartvxworks/article/details/137716743</link><guid>https://blog.csdn.net/smartvxworks/article/details/137716743</guid><author>smartvxworks</author><pubDate>Sat, 13 Apr 2024 15:52:07 +0800</pubDate><description><![CDATA[Server参数只能选择："devaaa001","devaaa002","devbbb001","devbbb002","devccc001","devccc002"Server参数只能选择："qaaaa001","qabbb002","qaccc003"Server参数只能选择："staaa001","stbbb002","stccc003"Server参数只能选择："praaa001","prbbb002","prccc003"Env参数选择："Stage"Env参数选择："Dev"]]></description><category></category></item></channel></rss>