VCC、VDD、VSS以及VBAT的区别

article/2025/8/27 6:13:16

在STM32 的学习中，发现有几种看起来相关的名称，分别是VCC、VDD、VSS、VBAT，在经过搜索查找之后，总结如下：

1.VCC的C是Circuit的意思，是指整个供电回路的电压, 也有人说VCC是双极器件的正极

2.VDD的D是Device的意思，指设备上的电压，我理解的就是设备运行的电压值，比如说STM32芯片的电压值一般为3.3V，说的应该就是VDD，VDD一般也指单极器件的正极

3.VSS的S是Series的意思，一般指公共端，通常电路中的公共端接地，即为地端电压

4.VBAT， 这个名词是我在学习STM32的RTC（real time clock）既实时时钟的时候认识的，是指电池电压的意思，BAT是Battery（电池）的缩写，且VBAT连接的是电池正极。

一般来说，VCC>VDD，VCC<VBAT（电源内阻的原因）
你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t &ThinSpace; . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎


http://chatgpt.dhexx.cn/article/YTDdUpKB.shtml

相关文章

Vcc、Vee、Vdd、Vss傻傻分不清楚？

Vcc、Vee、Vdd、Vss傻傻分不清楚？

Vcc、Vee、Vdd、Vss傻傻分不清楚&#xff1f; 以下内容源于网络。 电源 左边两个符号均表示电池类直流电源&#xff0c;左边第一个表示电池组&#xff0c;第二个表示单电池。这些符号不一定总是带有 和 - 号。左边第三个&#xff08;带 和 - 的圆圈符号&#xff09;表示非电…
阅读更多...
semi-supervised classification

semi-supervised classification

半监督学习任务主要分为半监督聚类、半监督分类、半监督回归等问题&#xff0c;我们主要针对半监督分类问题。 半监督学习的假设 基于低密度假设 模型的决策边界不应该将该密度区域划分开&#xff0c;而应该处在低密度区域内。基于平滑化假设 输入空间中&#xf…
阅读更多...
Weakly-Supervised Semantic Segmentation via Sub-category Exploration

Weakly-Supervised Semantic Segmentation via Sub-category Exploration

Weakly-Supervised Semantic Segmentation via Sub-category Exploration Abstract问题 1.Introduction2. Related Work2.1weakly-supervised semantic segmentation(WSSS)弱监督语义分割的初始预测。---Initial Prediction for WSSS.2.2 、Response Refinement for WSSS&#…
阅读更多...
Scribble-Supervised Medical Image Segmentation

Scribble-Supervised Medical Image Segmentation

Scribble-Supervised Medical Image Segmentation via Dual-Branch Network and Dynamically Mixed Pseudo Labels Supervision 摘要 采用草率的分割标注心脏分割双分枝网络&#xff1a;一个编码器&#xff0c;两个解码器动态结合两个解码器的输出伪标签 方法 模型结构 Lpce…
阅读更多...
Learning Affinity from Attention End-to-End Weakly-Supervised Semantic Segmentation withTransformers

Learning Affinity from Attention End-to-End Weakly-Supervised Semantic Segmentation withTransformers

Learning Affinity from Attention: End-to-End Weakly-Supervised Semantic Segmentation with Transformers 来源&#xff1a;CVPR 2022&#xff0c;武汉大学、京东、悉尼大学 导言 本文是一篇做自然图像弱监督语义分割的论文&#xff0c;利用图像级的类别标签来实现像素级…
阅读更多...
Token Contrast for Weakly-Supervised Semantic Segmentation

Token Contrast for Weakly-Supervised Semantic Segmentation

文章来源&#xff1a;[CVPR2023] Keywords&#xff1a;Weakly-Supervised Semantic Segmentation&#xff08;WSSS&#xff09;&#xff1b;over-smoothing; ViT 一、本文提出的问题以及解决方案: 本文解决了over-smoothing问题&#xff0c;该问题其实是在之前的GCN网络中提出…
阅读更多...
Self-supervised Learning整理

Self-supervised Learning整理

Self-supervised Learning Pre-train Fine-tune Pre-train Fine-tune算是一种Transfer Learning。 首先&#xff0c;假设按照SimCLR中的设定&#xff0c;将一般的模型分为两部分&#xff0c;分别为Encoder和Projection Head。Encoder结构类似于AutoEncoder中的Encoder部分&a…
阅读更多...
Supervised Discrete Hashing

Supervised Discrete Hashing

Supervised Discrete Hashing 2015 CVPR 问题&#xff1a; 处理施加在追踪的哈希码上的离散约束&#xff0c;使哈希优化具有挑战性(通常是NP- hard)。 解决&#xff1a; 提出了一个新的监督哈希框架&#xff0c;其中的学习目标是生成最优的二进制哈希码用于线性分类。 通过引…
阅读更多...
NetVLAD: CNN architecture for weakly supervised place recognition

NetVLAD: CNN architecture for weakly supervised place recognition

背景知识&#xff1a; Vector of Locally Aggregated Descriptors&#xff08;VLAD&#xff09;image retrieval. 【CC】是广泛使用的图像提取方式&#xff0c;本文是在在这个提取器上做改进&#xff1b;具体是啥下面有介绍 weakly supervised ranking loss 【CC】本文的另外…
阅读更多...
Self-Supervised Difference Detection for Weakly-Supervised Semantic Segmentation

Self-Supervised Difference Detection for Weakly-Supervised Semantic Segmentation

Self-Supervised Difference Detection for Weakly-Supervised Semantic Segmentation 摘要1. Introduction2. Related Works3. Method3.1. Difference detection network3.2. Self-supervised difference detection module 论文地址 这篇论文原文的定义实在是太混乱了&#xf…
阅读更多...
Unified Deep Supervised Domain Adaptation and Generalization

Unified Deep Supervised Domain Adaptation and Generalization

论文概述 问题研究背景&#xff1a;supervised domain adaptation(SDA)&#xff0c;源域有大量带标签的数据&#xff0c;目标域仅有少量可使用的数据 问题的难点&#xff1a;目标域数据不足导致概率分布在语义上很难对齐和区分。对齐指的是源域图片类别之间的关系与目标域图片…
阅读更多...
Self-supervised Video Transformer 阅读

Self-supervised Video Transformer 阅读

目录 1.介绍2.SVT2.1 SVT结构2.2 自监督训练Motion CorrespondencesCross-View Correspondences 2.3 SVT loss 1.介绍 本文是针对video transformer进行自监督训练&#xff0c;从一个给定的视频中&#xff0c;创建具有不同空间大小和帧率的局部和全局时空视图&#xff0c;自监…
阅读更多...
最简单的self-supervised方法

最简单的self-supervised方法

从Kaiming的MoCo和Hinton组Chen Ting的SimCLR开始&#xff0c;自监督学习&#xff08;SSL&#xff09;成了计算机视觉的热潮显学。凡是大佬大组&#xff08;Kaiming, VGG&#xff0c;MMLAB等&#xff09;&#xff0c;近两年都是搞了几个自监督方法的。从一开始的新奇兴奋地看着…
阅读更多...
弱监督学习 weakly supervised learning 笔记

弱监督学习 weakly supervised learning 笔记

周志华 A Brief Introduction to Weakly Supervised Learning 2018 引言 在机器学习领域&#xff0c;学习任务可以划分为监督学习、非监督学习。通常&#xff0c;两者都需要从包含大量训练样本的训练数据集中学习预测模型。 监督学习的训练数据包括&#xff0c;数据对象向量…
阅读更多...
Supervised Contrastive Learning浅读

Supervised Contrastive Learning浅读

目录 前言 1.方法介绍以及结构 2.思路的实现 2.1自监督对比学习 2.2有监督对比学习 3.结果 前言 本文是根据观看了知名油管up主&#xff0c;对Supervised Contrastive Learning这篇文论文的解读写了一点自己的理解&#xff0c;初次接触&#xff0c;理解甚浅。 在文章中…
阅读更多...
supervised——＞self-supervised

supervised——＞self-supervised

在CV中&#xff0c;以数据与神经网络为基础&#xff0c;我们通常以supervised的方式与unsupervised的方式来进行网络的训练&#xff0c;这些行为的目的都是为了想要使学到的网络能够具有较好的特征表示能力&#xff0c;以进行如分类、目标检测、语义分割等。这两种方式的主要异…
阅读更多...
自监督模型 Self-supervised learning（李宏毅2022

自监督模型 Self-supervised learning（李宏毅2022

这个红色的怪物叫做ELMo 、最早的self-supervised learning model 作业四的模型也是个transformer&#xff0c;只有0.1个million 最早的是ELMo Cookie Monster等你来凑&#x1f63c; T5是Google做的&#xff0c;跟车子也没什么关系&#xff0c; 在没有label情况下&#xff…
阅读更多...
《论文笔记》—— Self-supervised Image-specific Prototype Exploration for Weakly Supervised Semantic Segment

《论文笔记》—— Self-supervised Image-specific Prototype Exploration for Weakly Supervised Semantic Segment

摘要&#xff1a;基于图像级标签的弱监督语义分割(WSSS)由于标注成本低而备受关注。现有的方法通常依赖于类激活映射(CAM)来度量图像像素和分类器权重之间的相关性。然而&#xff0c;分类器只关注识别区域&#xff0c;而忽略每张图像中的其他有用信息&#xff0c;导致定位图不完…
阅读更多...
Semi-supervised Learning(半监督学习)

Semi-supervised Learning(半监督学习)

目录 Introduction Why semi-supervised learning help&#xff1f; Semi-supervised Learning for Generative Model Supervised Generative Model Semi-supervised Generative Model Low-density Separation Assumption Self Training Entropy-based Regularization(基…
阅读更多...
supervised contrastive learning 解读

supervised contrastive learning 解读

SupCon 定义&#xff1a; Clusters of points belonging to the same class are pulled together in embedding space, while simultaneously pushing apart clusters of samples from different classes. novelties&#xff1a; 属于同一类的归一化后的特征表示靠得越近越好…
阅读更多...
推荐文章

Copyright @ 2022~2023