标签: sample

从 Kinetis 的 sample code 中的一个例程说起   在前文"关于 FREESCALE 的 DEMO 中 PSOR与PCOR 操作的常见错误 "中, 我们讨论了 kinetis L series 的 Sample 中容易出现的, 关于 PSOR 的常见错误, 我们分析, 这种错误, 大致可能与未曾熟读 RM 有关. 在之后对 kinetis L series 的 samples 继续短暂的了解过程中, 我们发现参考例程其他的较明显的错误, 或者说不足疏漏之处. 因其常常表现为 uController 的新生容易发生的错误, 故我想称其为"初学者错误", 或者说是"初学者不足".   让我们引 Blinky sample 中的, 开启 Interrupt 的例程作为例子, 如下图例1: 这个例程, 让我们觉得不能沉默以对. 因为, 作为 Freescale 官方例程, 可能类似的代码会被我们国内的初学者诸君, 作为效仿的对象. 从而产生错误的引导效果, 不利于我们工程师的自我完善和提升. 这里我们想主要指出, 这段短短的例程中可能出现的 4 个不足: (1) 首先, 这个 (irq%32) 浪费代码空间并影响效率.     -- 其本质原因, 可能存在着逻辑上混淆不清. (2) 其次, IRQ的值域为: . 而该 code sample 却允许对 32 的计算.     -- 其本质原因, 应该是未作越界(边界)检查. 并未仔细阅读 Register bit field定义. (3) 第三, 对 irq=31 时的可能情况, 也就是 (131) 的情况, 毫无敏感.     -- 这里毫无敏感的意思, 大致反应为: (a) 对有符号数与无符号数区别不敏感, (b) 对左移操作不敏感.   (4) 第四, 正如同我们在 PSOR 中分析到的 |= 错误, 在这段简单的例程中, 仍然存在 ICPR 在 bit 被 write 0时无任何影响,  ISER 在 bit 被 write 0 时无任何影响. 都应该改为 =.   让我们用例子来讨论这个 (131): (1) 首先, IAR 中定义的常量, 都是有符号的 int 类型. 这个前提为大家公认, 但是我没有找到出处``` 麻烦读到此处的同行, 能给我一个出处链接, 或者是 IAR help documentation 中的说明. 蟹蟹. (2) 有符号数 1, 在左移 31 bit 后, 将导致符号位被置1, 也就是计算得到一个负整数. 如果我们只看这里 NVIC_ICPR |= 1 31; 似乎没有影响到最终逻辑结果. 但是, 其真实原因是, 该负整数被强制转化为 unsigned int 的结果, 也即是最终正确的 0x80000000. 但这并不表示, coder 清楚这个结果是由强制转换产生, 从这段代码本身, 我们合理判断该 coder 将分不清下面代码的执行结果, 也就是容易犯一些"初学者错误". 比方说: 我怀疑该 coder 会毫无自觉写出下面的代码: if( (131) 1 ) { do what he wants; } 显然我们知道, 这片代码永远不能为真, 去执行 what he want to do.   (3) 根据图例2, 我们对 (131) 进行详论: 我们把3个例子的结果, 都有注释, 可以见到: (a) (131) 的值, 不是正数 0x80000000, 而是负数 -2147483648. (b) (1u31) 的值, 才是 0x80000000. (c) 条件比较语句, 首先是两边转化为同类型才能比较. 由于无符号数优先级高于 int, 故 (131) 被强制转化为 unsigned int, 也就是 0x80000000, 用于比较, 导致和 sample1 的结果截然不同. 上面3个例子, 清楚表明了 (131) 的值为何(如果我有任何错误请告诉我). 因此, Allen 尝试修改这个例程如下, 见图例3:   我们通过对一个 enable interrupt 例程的修改, 讨论了 firmware programmer 可能容易犯的问题, 主要有: (1) 不能熟读 datasheet, 了解 register 的具体用法. (2) 代码逻辑混乱. (3) 忽视边界检查. (4) 对有符号和无符号数区别不够重视. (5) 不了解左移时牵涉符号位的特例. (6) 不清楚在条件比较时强制转换现象. 上述问题, 一般多见于 uController 的初级选手. 作为公司新晋员工, 或者任何致力于 MCU code 实现 application 的新进同行们, 可以将上述错误作为范例保存而自省. 另外, 我们说不定应谨慎检阅各种 Freescale 给出的 kinetis L series 的参考 samples, 反复测试, 可能避免出货后造成不可预料之损失. Allen zhan 2013.8.14 Release On EETC

关于 FREESCALE 的 DEMO 中 PSOR与PCOR 操作的常见错误   在 freescale kinetis 提供的 sample code 中, 以及遍及各种论坛中, 常见对 GPIO register 中的 PSOR 与 PCOR 操作, 存在着 |= 的操作错误. 考虑到 toggle 一个 led 灯, 几乎是每一位入门选手的第一课. 遇到这种甚至是 Freescale 官方发布的代码错误(它并非致命, 逻辑上也有效), 想必对相关寄存器的理解, 会产生相当的困扰. 在 Allen 的 Coding 过程中, 这个 bug 也被 Allen 注意到, 并随手校正, 但是我们发现, 在 Freescale 的官方论坛中, 这个错误被工程师仔细提出, 并认为无法容忍. 参考: https://community.freescale.com/thread/309384 我们惊讶于国外 Engineer 是如此较真的同时, 也陷入一种思索中``` 工程世界, 要求明确清晰, 不容含糊过关.  这就是一个工程师对人对己的一份专业执着吗?   1. 在 Freescale 提供的 sample 中, 我们常常见到这样的例子(来自于最基础的 blinky sample),     /*      * Initialize the Red LED (PTB18)      */     {         /* Turn on clock to PortB module */         SIM_SCGC5 |= SIM_SCGC5_PORTB_MASK;         /* Set the PTB18 pin multiplexer to GPIO mode */         PORTB_PCR18 = PORT_PCR_MUX(1);         /* Set the initial output state to high */          GPIOB_PSOR |= RED_SHIFT;         /* Set the pins direction to output */         GPIOB_PDDR |= RED_SHIFT;     }     /*      * Initialize the Green LED (PTB19)      */     {         /* Turn on clock to PortB module */         SIM_SCGC5 |= SIM_SCGC5_PORTB_MASK;         /* Set the PTB19 pin multiplexer to GPIO mode */         PORTB_PCR19 = PORT_PCR_MUX(1);         /* Set the initial output state to high */          GPIOB_PSOR |= GREEN_SHIFT;         /* Set the pins direction to output */         GPIOB_PDDR |= GREEN_SHIFT;     } 请注意被我们用粗体标记的代码, 这里是设置相应 RED LED, 以及 GREEN LED 输出高电平, 也就是熄灭 LED 的动作. 我们假设(如果有错误请告诉我), 这里的 |= 的用法是错误的, 尽管它逻辑上不影响熄灭 LED 的效果, 我们这里应该改为 = 表达方式:   GPIOB_PSOR = RED_SHIFT; 其理由来自于"开发者圣经"( Reference Manual), 请看 PSOR与PCOR 的解释: 明确的, 对于 PSOR 与 PCOR register, 只有相关bit 为逻辑1时, 相关bit 有效, 分别执行为 1, 0(对于上述两个 register). 而任何为 0 的 bit, 都不会产生任何改变.   这意味着, 无关原始 PSOR 与 PCOR 的初始值为何, 使用 =, 当无关bit 为0时, 将不会造成在 out 状态上的任何变化, 或者最终影响到 PDOR 相关 IO 输出值的任何变化.   也就是说, 尽管 |= 执行了我们需求的逻辑操作, 但是 |= 浪费了 "codeword" 与 "machine cycle", 并可能带来不可预知的 "side effects".   故我们编程时, 对待 PSOR, PCOR register, 应使用 = 操作.   我们相信, 这种 |= 的误用, 是否深层次反应 Coder 并未曾仔细阅读 RM, 甚至尽管代码片段来自于 Freescale sample code 发布的官方团队.   对我们可能出现的理解错误, 如经发现请立即纠正我.     事实上, 对于 ARM7 如 NXP LPC serial, 我们可以观察到同样功能的 register , IOSET 与 IOCLR, 我们的印象中, 未曾在 nxp 的代码中, 读到这种 |= 的错误用法.   Allen Zhan 于深圳福田 发表于 EETC  

你唯有试过几个后，才能对女人这物种有全局判断。所以分手别忧桑，正确态度是：ok我已经有一个data point，现在我来找更多的data points来组成一个sample从而在这个认知基础上选择 。 === 大学时的一道数学题 === 我大学的专业是数学。有一次，教授给出了《波斯公主选驸马》题「 1 」，如下： 波斯公主到了适婚年龄，要选驸马。候选男子 100 名，都是公主没有见过的。百人以随机顺序，从公主面前逐一经过。每当一位男子在公主面前经过时，公主要么选他为驸马，要么不选。如果选他，其余那些还没有登场的男子就都遣散回家，选驸马的活动也 over 了。如果不选，当下这名男子就离开，也就是 pass 掉此人，下一人登场。被 pass 掉的，公主不可以反悔再从选。规则是，公主必须在这百人中选出一人做驸马，也就是说，如果前 99 人公主都看不中的话，她必须选择第 100 名男子为驸马，不管他有多么丑陋。 任务是，给公主设计选择方法，让她有最高概率选到百人中最英俊的男子为驸马。 说明一点是，没有任何选择方法能够保证公主一定选择到最帅的帅哥。对于任何选择方法，总存在某些出场的顺序，让公主与帅哥错过。所以，题目所问的，不是必胜的选法（因为不存在），而是概率最高的选法。 因为并不是要讨论数学，我这里就直接给出答案了：最佳选法是 pass 掉最开始的 100/e 名男子（ e = 2.718… 是自然对数，即 100/e 约等于 37 ）。但是记录下这 37 名男子中最英俊者。之后鱼贯而来的男子中，出现的第一位英俊程度超越所有前 37 人者，即为驸马。如果人都走光了，也没出现这么一位 Mr. Right ，那么就只好选择第 100 位男子。 这个最佳选法，后面有很有意思的数学推导。感兴趣的话，可见注「 2 」。 === 正解后面的思考方法 === 数学的推论且不论，这个答案背后是一个可为广泛应用的思考方法。公主选择的难处在于她不知道这百人的英俊程度是怎样分布的，是在怎样一个范围内。所以她最佳的策略是， pass 掉最初 37 位男子，但是把他们看成一个有代表性的 sample ，从而了解这百人相貌的大致分布。然后在这个认知的基础上进行选择。 真实的谈情说爱当然不是一个简单的选美。普通人也不能像波斯贵族那样要谁有谁。但是思维方法共通。假如你是一位女生，第一次恋爱的时候，也许你觉得男朋友不够细腻，不解风情。但你无法判断的是，是否天下男生大多如此，还是你特别倒霉碰到这样的极品「 3 」。你唯有试过三个五个后，才能够对男性这个物种有个全局的判断。所以，当你和第一任男朋友分手后，大可不必悲天悯人，亦或对天下男人失望。正确的态度是： okay ，我现在有一个 data point, 现在我来找些更多的 data points 「 4 」。 === 花多长时间学习？ === 找到多少 data points 才够呢？换句话说我们学习到什么时候才能够信任自己对世界的判断？以下这个小故事中，我们可以看出大自然是怎么解决这个问题的。 1944 年冬天，二战进入尾声。德国人封锁了荷兰德占区的补给。 1944-1945 年的冬天，被称为 ”hunger winter” （饥饿的冬天）。有四百五十万荷兰人遭受饥饿，一万八千人饿死。 1945 年，德国战败，封锁也随之解除。 但这个饥饿冬天所带来的影响却一直留存到几十年后。那些封锁期间怀着孩子的妇女，她们肚子里发育中的胚胎，虽无知觉，也经历了这场灾难。几十年后，当这些孩子成为 50 岁的中年人，科学家们发现他们会比之前，或者之后出生的荷兰孩子都更肥胖，更容易有心血管疾病「 5 」。 对此的一种解释是，还在妈妈肚子里的时候，我们的身体就在学习这是怎样一个世界：是个食物充足，衣食无忧的世界？还是一个有上顿没下顿的世界？这些荷兰饥荒那年出生的婴儿，他们的身体学习到： “ 这是一个食物匮乏的世界 ” 。哪怕他们成年之后，荷兰已经是一个富余的发达国家，他们的身体还是不忘早年饥饿的经历，会尽力存储脂肪，准备着下一个饥饿冬天的到来。结果就是这个人群更容易肥胖，并且更容易患有与肥胖相关的心血管疾病。 有意思的是，对食物丰富与否的学习，在 10 月怀胎中完成，居然之后几十年也无法扭转。这个学习的窗口，是我们的身体，我们的基因所决定的。孩子学东西快，是因为他们的身体和大脑就是 specialized 学习机器。有研究说，人脑中负责抽象思维的前额叶在 25 岁才定型「 6 」。换句话说， 25 岁以前，我们的思维，特别是那些高级的认知能力，还在不断变化着。而这其中很多的变化，就来自我们的环境。这种变化，就是我们在学习我们所在的，到底是怎样一个世界；怎样的思维和行为，是在这个世界上行得通的。 从人脑的发育看来，过了 25 岁，至少从生理上来说，这种学习就停止了。这个 deadline 取决于基因，而基因来源于千百万年的进化。千百万年中，人类的平均寿命是徘徊在 20-30 岁。这可能就是为什么我们的学习，从我们身体的设计上看来，是在 25 岁就截止了。 我们无法影响自己生理、身体上的学习，但是有些事情的学习，却是我们可以影响的，而且应该去影响的。选择怎样的工作？居住在哪个城市？找什么样的伴侣？这些似乎不是应该匆匆忙忙，赶着一个 deadline （特别是 25 岁的 deadline ）去决定的事情。你会进行很多比较，才决定购买一辆汽车或者房子。而工作、伴侣，这些更重要的决定，你当然要更多比较比较，了解一下你是在怎样的一个世界里，才做决定。 也许你 30 岁了，没有婚配的对象，不喜欢正在做的工作，但有种种压力期待你 “ 别折腾，安顿下来 ” 。这压力可能来自于一个一直不给个人选择的社会传统，或者来自于一个预期寿命只有 30 岁的进化压力。但是这一切都变了：社会已经有越来越多的选择余地，我们也可以预料之中的活到 80 ， 90 岁。 也许你要认真考虑一下波斯公主的问题：我是否应该继续收集 data points ？还是已经到了要做终生决定的时候？ === 回到波斯公主的题目 === 波斯公主的题目至少还教了我们另一点，就是哪怕你的方法是最优，你也永远不可能是每次都得到最英俊的驸马。在最优化的选择方法下，公主也只有 40% 左右的可能性选择到最帅的男人「 7 」。就是说，如果这样选择十次，每次这百名男子以随机顺序出现，其中有 6 次，公主都会选到不是最帅的驸马。 生活就是有风险的，不可测的。这似乎是个打击，但也是一种释怀。尽人事，安天命。如果你按照一个正确的方法去做了，哪怕结果差强人意，这也并不是你的错。 我学会的另一点是，如果我是作为被选的一方（就像那 100 名男子）， timing 是至关重要的。以下是一个简单的多的题目： 如果你是这百名男子中的一名，并且你能够决定自己出场的名次，你会选择在什么时候出场，以最大提高自己被选的概率？ 答案是第 38 名。你不会选择在 38 名之前，因为你被选的概率是零（假设我们的公主学过高等数学，知道最佳选法）。你也不会选择后于 38 ，因为你前面每多一个人，就意味着多了一分公主选上他的机会「 8 」。 如果你有一位意中人，你当然要努力去追求幸福，但你可能也要想一下，这是否是最好的 timing ？ 注： ================== 「 1 」原题是波斯王子选妃。我不喜欢题目中性别歧视的色彩，把女子描述成为被动的、被选择对象。所以在此置换的性别，变为波斯公主选驸马。 「 2 」这个题目在科学的松鼠会上，有人给出了推导： http://songshuhui.net/archives/57722 「 3 」我现在就可以做个解答：天下男生的确大多如此，但是经过训练，可以有所改进。 「 4 」这种方法，也就是 Bayesien 统计学的核心：根据信息的不断丰富而修正对世界的认知。 「 5 」 “Effects of prenatal exposure to the Dutch famine on adult disease in later life: an overview”, T.J. Roseboom et al., Molecular and Celular Endocrinology, vol 185 20 Dec 2001, Pages 93-98 「 6 」 “Why do they act that way?: a survival guide to the adolescent brain for you and your teen”, David Walsh. New York: Free Press, 2004. 「 7 」这个 40% 左右的数字，是可以推导出来的。但也可以通过模拟估算。详见科学松鼠会文： http://songshuhui.net/archives/ 57722 本文源自：张闻雨的日志

你唯有试过几个后，才能对女人这物种有全局判断。所以分手别忧伤，正确态度是：ok我已经有一个data point，现在我来找更多的data points来组成一个sample从而在这个认知基础上选择   。 === 大学时的一道数学题 === 我大学的专业是数学。有一次，教授给出了《波斯公主选驸马》题「1」，如下： 波斯公主到了适婚年龄，要选驸马。候选男子100名，都是公主没有见过的。百人以随机顺序，从公主面前逐一经过。每当一位男子在公主面前经过时，公主要么选他为驸马，要么不选。如果选他，其余那些还没有登场的男子就都遣散回家，选驸马的活动也 over 了。如果不选，当下这名男子就离开，也就是 pass 掉此人，下一人登场。被pass 掉的，公主不可以反悔再从选。规则是，公主必须在这百人中选出一人做驸马，也就是说，如果前99人公主都看不中的话，她必须选择第100名男子为驸马，不管他有多么丑陋。 任务是，给公主设计选择方法，让她有最高概率选到百人中最英俊的男子为驸马。 说明一点是，没有任何选择方法能够保证公主一定选择到最帅的帅哥。对于任何选择方法，总存在某些出场的顺序，让公主与帅哥错过。所以，题目所问的，不是必胜的选法（因为不存在），而是概率最高的选法。 因为并不是要讨论数学，我这里就直接给出答案了：最佳选法是 pass 掉最开始的 100/e 名男子（e = 2.718… 是自然对数，即 100/e 约等于 37）。但是记录下这 37 名男子中最英俊者。之后鱼贯而来的男子中，出现的第一位英俊程度超越所有前 37 人者，即为驸马。如果人都走光了，也没出现这么一位 Mr. Right，那么就只好选择第 100 位男子。 这个最佳选法，后面有很有意思的数学推导。感兴趣的话，可见注「2」。 === 正解后面的思考方法 === 数学的推论且不论，这个答案背后是一个可为广泛应用的思考方法。公主选择的难处在于她不知道这百人的英俊程度是怎样分布的，是在怎样一个范围内。所以她最佳的策略是，pass 掉最初 37 位男子，但是把他们看成一个有代表性的 sample，从而了解这百人相貌的大致分布。然后在这个认知的基础上进行选择。 真实的谈情说爱当然不是一个简单的选美。普通人也不能像波斯贵族那样要谁有谁。但是思维方法共通。假如你是一位女生，第一次恋爱的时候，也许你觉得男朋友不够细腻，不解风情。但你无法判断的是，是否天下男生大多如此，还是你特别倒霉碰到这样的极品「3」。你唯有试过三个五个后，才能够对男性这个物种有个全局的判断。所以，当你和第一任男朋友分手后，大可不必悲天悯人，亦或对天下男人失望。正确的态度是：okay，我现在有一个 data point, 现在我来找些更多的 data points「4」。 === 花多长时间学习？ === 找到多少 data points 才够呢？换句话说我们学习到什么时候才能够信任自己对世界的判断？以下这个小故事中，我们可以看出大自然是怎么解决这个问题的。 1944年冬天，二战进入尾声。德国人封锁了荷兰德占区的补给。1944-1945年的冬天，被称为”hunger winter”（饥饿的冬天）。有四百五十万荷兰人遭受饥饿，一万八千人饿死。1945年，德国战败，封锁也随之解除。 但这个饥饿冬天所带来的影响却一直留存到几十年后。那些封锁期间怀着孩子的妇女，她们肚子里发育中的胚胎，虽无知觉，也经历了这场灾难。几十年后，当这些孩子成为50岁的中年人，科学家们发现他们会比之前，或者之后出生的荷兰孩子都更肥胖，更容易有心血管疾病「5」。 对此的一种解释是，还在妈妈肚子里的时候，我们的身体就在学习这是怎样一个世界：是个食物充足，衣食无忧的世界？还是一个有上顿没下顿的世界？这些荷兰饥荒那年出生的婴儿，他们的身体学习到：“这是一个食物匮乏的世界”。哪怕他们成年之后，荷兰已经是一个富余的发达国家，他们的身体还是不忘早年饥饿的经历，会尽力存储脂肪，准备着下一个饥饿冬天的到来。结果就是这个人群更容易肥胖，并且更容易患有与肥胖相关的心血管疾病。 有意思的是，对食物丰富与否的学习，在10月怀胎中完成，居然之后几十年也无法扭转。这个学习的窗口，是我们的身体，我们的基因所决定的。孩子学东西快，是因为他们的身体和大脑就是 specialized 学习机器。有研究说，人脑中负责抽象思维的前额叶在25岁才定型「6」。换句话说，25岁以前，我们的思维，特别是那些高级的认知能力，还在不断变化着。而这其中很多的变化，就来自我们的环境。这种变化，就是我们在学习我们所在的，到底是怎样一个世界；怎样的思维和行为，是在这个世界上行得通的。 从人脑的发育看来，过了25岁，至少从生理上来说，这种学习就停止了。这个 deadline 取决于基因，而基因来源于千百万年的进化。千百万年中，人类的平均寿命是徘徊在20-30岁。这可能就是为什么我们的学习，从我们身体的设计上看来，是在25岁就截止了。 我们无法影响自己生理、身体上的学习，但是有些事情的学习，却是我们可以影响的，而且应该去影响的。选择怎样的工作？居住在哪个城市？找什么样的伴侣？这些似乎不是应该匆匆忙忙，赶着一个deadline （特别是25岁的 deadline）去决定的事情。你会进行很多比较，才决定购买一辆汽车或者房子。而工作、伴侣，这些更重要的决定，你当然要更多比较比较，了解一下你是在怎样的一个世界里，才做决定。 也许你30岁了，没有婚配的对象，不喜欢正在做的工作，但有种种压力期待你“别折腾，安顿下来”。这压力可能来自于一个一直不给个人选择的社会传统，或者来自于一个预期寿命只有30岁的进化压力。但是这一切都变了：社会已经有越来越多的选择余地，我们也可以预料之中的活到80，90岁。 也许你要认真考虑一下波斯公主的问题：我是否应该继续收集 data points？还是已经到了要做终生决定的时候？ === 回到波斯公主的题目 === 波斯公主的题目至少还教了我们另一点，就是哪怕你的方法是最优，你也永远不可能是每次都得到最英俊的驸马。在最优化的选择方法下，公主也只有 40% 左右的可能性选择到最帅的男人「7」。就是说，如果这样选择十次，每次这百名男子以随机顺序出现，其中有6次，公主都会选到不是最帅的驸马。 生活就是有风险的，不可测的。这似乎是个打击，但也是一种释怀。尽人事，安天命。如果你按照一个正确的方法去做了，哪怕结果差强人意，这也并不是你的错。 我学会的另一点是，如果我是作为被选的一方（就像那100名男子），timing 是至关重要的。以下是一个简单的多的题目： 如果你是这百名男子中的一名，并且你能够决定自己出场的名次，你会选择在什么时候出场，以最大提高自己被选的概率？ 答案是第 38 名。你不会选择在 38 名之前，因为你被选的概率是零（假设我们的公主学过高等数学，知道最佳选法）。你也不会选择后于38，因为你前面每多一个人，就意味着多了一分公主选上他的机会「8」。 如果你有一位意中人，你当然要努力去追求幸福，但你可能也要想一下，这是否是最好的 timing？ 注： ================== 「1」原题是波斯王子选妃。我不喜欢题目中性别歧视的色彩，把女子描述成为被动的、被选择对象。所以在此置换的性别，变为波斯公主选驸马。 「2」这个题目在科学的松鼠会上，有人给出了推导： http://songshuhui.net/archives/57722 「3」我现在就可以做个解答：天下男生的确大多如此，但是经过训练，可以有所改进。 「4」这种方法，也就是 Bayesien 统计学的核心：根据信息的不断丰富而修正对世界的认知。 「5」“Effects of prenatal exposure to the Dutch famine on adult disease in later life: an overview”, T.J. Roseboom et al., Molecular and Celular Endocrinology, vol 185 20 Dec 2001, Pages 93-98 「6」“Why do they act that way?: a survival guide to the adolescent brain for you and your teen”, David Walsh. New York: Free Press, 2004. 「7」这个40% 左右的数字，是可以推导出来的。但也可以通过模拟估算。详见科学松鼠会文： http://songshuhui.net/archives/57722   源自：张闻雨的日志