ST7789-TFT屏幕驱动&整理有stm32/51单片机/arduino等驱动代码前言关于ST7789stm32驱动引脚接线代码移植 文件复制 端口修改 显示函数 中文汉字数组 图片其他单片机驱动51单片机arduino/ESP32总结前言 不久前我们收到用户反馈问题中，多次反馈各种不同型号的屏幕驱动不起来，从0开始编写代码花费大量时间，也有不少初次学习驱动屏幕代码编写经验过少等问题，为此我们决定以文章的形式发布到CSDN来分享相应的一些经验以及收集整理好的资料，希望可以帮助用户更加简单的学习或快速移植代码进行项目开发。
目录一、前言二、ST-Link驱动下载三、ST-Link驱动安装四、在Keil中配置ST-Link五、ST-Link固件升级一、前言 ST-LINK是专门针对意法半导体STM8和STM32系列芯片的仿真器。 ST-LINK/V2指定的SWIM标准接口和JTAG/SWD标准接口，其主要功能有： 编程功能：可烧写FLASHROM、EEPROM、AFR等； 编程性能：采用USB2.0接口，进行SWIM/JTAG/SWD下载，下载速度快； 仿真功能：支持全速运行、单步调试、断点调试等各种调试方法，可查看IO状态，变量数据等； 仿真性能：采用USB2.0接口进行仿真调试，单步
目录一、前言二、ST-Link驱动下载三、ST-Link驱动安装四、在Keil中配置ST-Link五、ST-Link固件升级一、前言 ST-LINK是专门针对意法半导体STM8和STM32系列芯片的仿真器。 ST-LINK/V2指定的SWIM标准接口和JTAG/SWD标准接口，其主要功能有： 编程功能：可烧写FLASHROM、EEPROM、AFR等； 编程性能：采用USB2.0接口，进行SWIM/JTAG/SWD下载，下载速度快； 仿真功能：支持全速运行、单步调试、断点调试等各种调试方法，可查看IO状态，变量数据等； 仿真性能：采用USB2.0接口进行仿真调试，单步
[蓝桥杯2022省A]选数异或题目描述给定一个长度为nnn的数列A1,A2,⋯ ,AnA_{1},A_{2},\cdots,A_{n}A1,A2,⋯,An和一个非负整数xxx,给定mmm次查询,每次询问能否从某个区间[l,r][l,r][l,r]中选择两个数使得他们的异或等于xxx。输入格式输入的第一行包含三个整数n,m,xn,m,xn,m,x。第二行包含nnn个整数A1,A2,⋯ ,AnA_{1},A_{2},\cdots,A_{n}A1,A2,⋯,An。接下来mmm行，每行包含两个整数li,ril_{i},r_{i}li,ri表示询问区间[li,ri]\left[l_{i}
[蓝桥杯2022省A]选数异或题目描述给定一个长度为nnn的数列A1,A2,⋯ ,AnA_{1},A_{2},\cdots,A_{n}A1,A2,⋯,An和一个非负整数xxx,给定mmm次查询,每次询问能否从某个区间[l,r][l,r][l,r]中选择两个数使得他们的异或等于xxx。输入格式输入的第一行包含三个整数n,m,xn,m,xn,m,x。第二行包含nnn个整数A1,A2,⋯ ,AnA_{1},A_{2},\cdots,A_{n}A1,A2,⋯,An。接下来mmm行，每行包含两个整数li,ril_{i},r_{i}li,ri表示询问区间[li,ri]\left[l_{i}
Project2最后一篇，讲解B+树并发控制的实现。说实话一开始博主以为这块内容不会很难（毕竟有Project1一把大锁摆烂秒过的历史x），但实现起来才发现不用一把大锁真的极其痛苦，折腾了一周多才弄完。本文分基础版算法和改进版算法两部分，基础版算法部分我就只讲实现的一些要素，改进版算法再放重要代码，避免两个版本的代码引起混乱。由于加了并发控制后代码改变的位置比较多，我这里贴的截图不能覆盖到所有，如果需要源码可以评论区或私信联系。开始之前先推荐知乎上的两篇文章，写得都非常好，而且有带图的例子方便理解。CMU15445-2022P2B+TreeConcurrentControl做个数据库：2022
Project2最后一篇，讲解B+树并发控制的实现。说实话一开始博主以为这块内容不会很难（毕竟有Project1一把大锁摆烂秒过的历史x），但实现起来才发现不用一把大锁真的极其痛苦，折腾了一周多才弄完。本文分基础版算法和改进版算法两部分，基础版算法部分我就只讲实现的一些要素，改进版算法再放重要代码，避免两个版本的代码引起混乱。由于加了并发控制后代码改变的位置比较多，我这里贴的截图不能覆盖到所有，如果需要源码可以评论区或私信联系。开始之前先推荐知乎上的两篇文章，写得都非常好，而且有带图的例子方便理解。CMU15445-2022P2B+TreeConcurrentControl做个数据库：2022
向量b在多维子空间上的投影回顾：任意向量b在另一个向量上（直线上）的投影在研究向量在子空间上的投影前，先回顾一下前面学习的一个任意向量b在另一个向量a上的投影，共三个部分。1，求权重系数（Aconstant）基于投影即分量的理论，一个向量b在另一个向量a上的投影p，是b在a方向上的分量。投影p与向量a的方向相同，但大小不同，而这个大小就是b在p（a）上分量的多少。因为，我们最先研究的是如何计算出向量a所乘的常数项权重系数。（这里我觉得叫英文中的scale也很贴切）2,p(Avector)有了前面的常数项系数/权重系数，我们就可以求出向量b在向量a上的投影p，其中a已知。3,P(Amatrix)
向量b在多维子空间上的投影回顾：任意向量b在另一个向量上（直线上）的投影在研究向量在子空间上的投影前，先回顾一下前面学习的一个任意向量b在另一个向量a上的投影，共三个部分。1，求权重系数（Aconstant）基于投影即分量的理论，一个向量b在另一个向量a上的投影p，是b在a方向上的分量。投影p与向量a的方向相同，但大小不同，而这个大小就是b在p（a）上分量的多少。因为，我们最先研究的是如何计算出向量a所乘的常数项权重系数。（这里我觉得叫英文中的scale也很贴切）2,p(Avector)有了前面的常数项系数/权重系数，我们就可以求出向量b在向量a上的投影p，其中a已知。3,P(Amatrix)
Introduction传统的骨架建模方法通常依赖手工制作的零件或遍历规则，因此表达能力有限，难以推广。新的动态骨架模型。通过自动从数据中学习时空模式，超越了以往方法的局限性。该公式不仅有更强的表达能力，而且有更强的泛化能力。早期使用骨架进行动作识别的方法简单地利用各个时间步的关节坐标形成特征向量，并对其进行时间分析。这些方法的能力是有限的，因为它们没有明确利用关节之间的空间关系，这对理解人类行为至关重要。骨架是以图形的形式出现，而不是2D或3D网格。这使得使用已被证明过的模型（如卷积网络）变得困难。最近，将卷积神经网络（CNN）推广到任意结构图的图神经网络（GCN）受到了越来越多的关注，并成
