目录一、LM2596介绍总结特点应用领域二、测试电路及其布线方案固定输出可调输出三、LM2596相关参数极限参数电气特性电气特性（所有输出）四、芯片物理结构芯片内部电路图芯片引脚介绍封装尺寸一、LM2596介绍 图一：常用的LM2596模块 上图中是我们最常见也最常用的DC-DC降压稳压芯片——LM2596，虽然这款芯片已经问世很多年了，但其销量一直是久盛不衰。最最关键的原因就是——好用啊！！ LM2596这款芯片分为几种，分别是LM2596、LM2596S、LM2596T、LM2596R，这些芯片只是封装上有些不同，功能和使用上是没有区别的。图二：LM2596T和
基于树莓派pico和LM358运放的音频采样系统简介项目优势采样板制作简介闲来无事，利用网上的图片，手动焊接了一个放大电路。采用LM358运放放大咪头信号，树莓派pico采样，ssd1306显示波形及频谱，适合新手练手。选择LM358主要基于两个原因：一是电压范围宽，3V就可以正常工作，这样可以用板载的3.3V（或5V）电源供电，不需要额外的电源。二是可以自动偏置，LM358会把信号中心抬升到基准电压。缺点也是很明显，3.3V供电导致放大后的信号最大幅度不能到达3.3V（3.3-1.5），pico的adc采样深度为12bit，达不到标准音频采样的16bit标准。对比以前用过的一个微雪模块，自制
基于树莓派pico和LM358运放的音频采样系统简介项目优势采样板制作简介闲来无事，利用网上的图片，手动焊接了一个放大电路。采用LM358运放放大咪头信号，树莓派pico采样，ssd1306显示波形及频谱，适合新手练手。选择LM358主要基于两个原因：一是电压范围宽，3V就可以正常工作，这样可以用板载的3.3V（或5V）电源供电，不需要额外的电源。二是可以自动偏置，LM358会把信号中心抬升到基准电压。缺点也是很明显，3.3V供电导致放大后的信号最大幅度不能到达3.3V（3.3-1.5），pico的adc采样深度为12bit，达不到标准音频采样的16bit标准。对比以前用过的一个微雪模块，自制
成品实物展示一、课程设计要求 设计制作一个方波产生器输出方波，将方波产生器输出的方波四分频后再与三角波同相叠加输出一个复合信号，再经滤波器后输出一个正弦波信号。1.方波产生器输出信号参数要求:Vo1pp=3V士5%，f=20kHz士100Hz，输出电阻R=600欧姆，波形无明显失真;2.四分频方波输出信号参数要求:Vo2pp=1V士5%，f=5kHz土100Hz，输出电阻R=600欧姆，波形无明显失真;3.三角波产生器输出信号参数要求:Vo3pp=1V士5%，f=5kHz土100Hz，输出电阻R=600欧姆，波形无明显失真;4.同相加法器输出复合信号参数要求:Vo4pp=2V士5
成品实物展示一、课程设计要求 设计制作一个方波产生器输出方波，将方波产生器输出的方波四分频后再与三角波同相叠加输出一个复合信号，再经滤波器后输出一个正弦波信号。1.方波产生器输出信号参数要求:Vo1pp=3V士5%，f=20kHz士100Hz，输出电阻R=600欧姆，波形无明显失真;2.四分频方波输出信号参数要求:Vo2pp=1V士5%，f=5kHz土100Hz，输出电阻R=600欧姆，波形无明显失真;3.三角波产生器输出信号参数要求:Vo3pp=1V士5%，f=5kHz土100Hz，输出电阻R=600欧姆，波形无明显失真;4.同相加法器输出复合信号参数要求:Vo4pp=2V士5
【数据挖掘实战】——电力窃漏电用户自动识别一、背景和挖掘目标二、分析方法与过程1、初步分析2、数据抽取3、探索分析4、数据预处理5、构建专家样本三、构建模型1、构建窃漏电用户识别模型2、模型评价3、进行窃漏电诊断拓展思考项目代码地址：https://gitee.com/lingxw123/datamining_project.git项目来源于《数据分析与挖掘实战》一、背景和挖掘目标传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量
【数据挖掘实战】——电力窃漏电用户自动识别一、背景和挖掘目标二、分析方法与过程1、初步分析2、数据抽取3、探索分析4、数据预处理5、构建专家样本三、构建模型1、构建窃漏电用户识别模型2、模型评价3、进行窃漏电诊断拓展思考项目代码地址：https://gitee.com/lingxw123/datamining_project.git项目来源于《数据分析与挖掘实战》一、背景和挖掘目标传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量
这一章我们介绍固定prompt微调LM的相关模型，他们的特点都是针对不同的下游任务设计不同的prompt模板，在微调过程中固定模板对预训练模型进行微调。以下按时间顺序介绍，支持任意NLP任务的T5，针对文本分类的两篇PET和LM-BFF。在小样本场景，固定prompt微调LM对比常规微调的优点，在分类任务上比较直观我能想到的有三点(在下面PET中会细说）无需额外的分类层的参数引入，微调成本低标签词本身前置语义信息的引入，无需重头学习可类比MRC微调和预训练的Gap更小，任务转化成LM任务后一致性高T5paper:2019.10ExploringtheLimitsofTransferLearni
这一章我们介绍固定prompt微调LM的相关模型，他们的特点都是针对不同的下游任务设计不同的prompt模板，在微调过程中固定模板对预训练模型进行微调。以下按时间顺序介绍，支持任意NLP任务的T5，针对文本分类的两篇PET和LM-BFF。在小样本场景，固定prompt微调LM对比常规微调的优点，在分类任务上比较直观我能想到的有三点(在下面PET中会细说）无需额外的分类层的参数引入，微调成本低标签词本身前置语义信息的引入，无需重头学习可类比MRC微调和预训练的Gap更小，任务转化成LM任务后一致性高T5paper:2019.10ExploringtheLimitsofTransferLearni
这一章我们介绍在下游任务微调中固定LM参数，只微调Prompt的相关模型。这类模型的优势很直观就是微调的参数量小，能大幅降低LLM的微调参数量，是轻量级的微调替代品。和前两章微调LM和全部冻结的prompt模板相比，微调Prompt范式最大的区别就是prompt模板都是连续型（Embedding），而非和Token对应的离散型模板。核心在于我们并不关心prompt本身是否是自然语言，只关心prompt作为探针能否引导出预训练模型在下游任务上的特定能力。固定LM微调Prompt的范式有以下几个优点性价比高！微调参数少，冻结LM只微调prompt部分的参数无人工参与！无需人工设计prompt模板，
