emmc 调试

最新推荐文章于 2025-06-19 10:34:53 发布
最新推荐文章于 2025-06-19 10:34:53 发布
阅读量1.3k 收藏 4
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tuyerv/article/details/96426186
本文深入探讨eMMC存储设备的工作原理，包括分区信息的传递过程、兼容性方案、工作负载计算方式及其日志解读等内容，旨在帮助读者理解eMMC在移动设备中的作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、/dev/block

root@:/dev/block #ls

bootdevice

mmcblk0

mmcblk0p1

mmcblk0p10

…….

mmcblk0p18

mmcblk0p19

mmcblk0p2

mmcblk0p20

……

mmcblk0p29

mmcblk0p3

mmcblk0p30

……

mmcblk0rpmb

platform


LK获取分区信息 
smem_ptable_init()从SMEM的entry SMEM_AARM_PARTITION_TABLE中读取分区信息，保存在smem_ptable结构中(hard coded)。调用smem_add_modem_partitions()将smem_ptable中的内容解析出来保存在flash_ptable中. 

将分区信息传递给kernel 
Lk将分区信息打包成atag形式传递给kernel，让kernel知道分区信息。 
target_atag_mem()->flash_get_ptable() 

Kernelget the partition info and add partition: 
blkdev_get_by_path()->blkdev_get()->__blkdev_get()-> 
rescan_partitions()->add_partition()


/dev/block/bootdevice/by-name/xxx，目录及后面的链接是在userspace的init进程中创建出来的，init收到增加新分区的uevent事件后，构造出以上by-name下的文件。

Code:system/core/init/devices.c

Function:parse_platform_block_device(structuevent*uevent) 

二、/sys/class/mmc_host/mmc0/mmc0:0001

root@:/sys/class/mmc_host/mmc0/mmc0:0001#ls

block

cid

csd

date

driver

enhanced_area_offset

enhanced_area_size

erase_size

fwrev

hwrev

manfid

name

oemid

power

preferred_erase_size

prv

raw_rpmb_size_mult

rel_sectors

runtime_pm_timeout

serial

subsystem

type

uevent

三、/sys/block/mmcblk0

root@:/sys/block/mmcblk0 #ls

alignment_offset

bdi

bkops_check_threshold

capability

dev

device

discard_alignment

ext_range

force_ro

holders

inflight

mmcblk0p1

mmcblk0p10

……

mmcblk0p9

mmcblk0rpmb

no_pack_for_random

num_wr_reqs_to_start_packing

power

queue

range

removable

ro

Size   // emmc size = Size * 512Btye

slaves

stat

subsystem

uevent

四、/proc/partitions

root@:/proc # cat partitions                                           

major minor  #blocks  name

 253        0    486188 zram0

 179        0  15267840 mmcblk0    //emmc size,单位KB

 179        1     65536 mmcblk0p1

 179        2       512 mmcblk0p2

 179        3       512 mmcblk0p3

179       15         16 mmcblk0p15

 179       16     20480 mmcblk0p16

 ……

179       26    2097152 mmcblk0p26

 179       27       512 mmcblk0p27

 179       28         32 mmcblk0p28

 179       29     65536 mmcblk0p29

 179       30    268288 mmcblk0p30

 179       31  12312559 mmcblk0p31

 179       32      4096 mmcblk0rpmb

五、多种size规格eMMC兼容方案一：利用文件系统自身resize功能

mountdata之前，比较super block的size与block deviceszie，不一样就去resize。



六、多种size规格eMMC兼容方案之二：第一次开机format data分区

如果使用的filesystem没有resize功能，比如f2fs, fat32等。

那只能采用此种办法啦：

不下载userdata.img

mountdata之前，fs_mgrservice判断是否会第一次开机，如果是，则启动format

system/core/fs_mgr


七、存储空间保护，防止空间满导致系统启动异常

内置sd卡保护：

fuse增加保护，内置sd卡最大可写容量data total size-reserved(50MB)

Code:system/core/sdcard/sdcard.c

#define LIMIT_SDCARD_SIZE

MTP保护：

Mtpservice增加保护，PC可写的最大可写容量internalsdcardfs total size-reserved

code:frameworks/base/services/Java/com/android/server/MountService.java

FileSystem保护：

Ext4文件系统增加保护，保留16MB给uid<= 10010的使用

Code：kernel/fs/ext4/balloc.c

init.{platform}.rc：exec /system/bin/tune2fs -Ohas_journal -u 10010 -r 4096 /dev/block/platform/mtk-msdc.0/by-name/userdata 

resv_clusters: -r 4096=4096blocks=4096*4096=16MB

dirty_clusters: default 16M当flags有EXT4_MB_USE_RESERVED才可写

sbi->s_resuid：-u10010

sbi->s_resgid：tune2fs没有传递default0





八、eMMCworkload & performance log

1.Workload是根据什么计算出来的呢？ 
500ms内花在io上的时间比例 
/kernel/drivers/mmc/card/block.c 
static intmmc_blk_issue_rw_rq(structmmc_queue *mq,struct request *rqc) 
xlog_printk(ANDROID_LOG_DEBUG,"BLOCK_TAG", "mmcqd:%d Workload=%d%%, duty %lld,period %lld00, req_cnt=%d \n",mmcqd[idx],t_percent,t_usage,t_period,mmcqd_rq_count[idx]); 

2.能否知道主要哪个app占得workload？ 
/kernel/drivers/mmc/card/block.c 
static intmmc_blk_issue_rw_rq(structmmc_queue *mq,struct request *rqc) 
sprintf (g_pid_logger[index].pid_buffer+i*37,"{%05d:%05d:%08d:%05d:%08d}",g_pid_logger[index].pid_logger[i],g_pid_logger[index].pid_logger_counter[i],g_pid_logger[index].pid_logger_length[i],g_pid_logger[index].pid_logger_r_counter[i],g_pid_logger[index].pid_logger_r_length[i]); 

如 {26626:00000:00000000:00878:03596288}含义：pid为26626的进程500ms内read3512KB（03596288）的数据，write0KB的数据。 
可以查看某段时间内，各个进程读写的情况，进而判断是哪个进程占用的worload比较高； 


3. 当workload比较高的时候，log打印read、write也比较高，能否说明emmc是没有问题的？ 
<6>[16656.919474] (5)[142:mmcqd/0][BLOCK_TAG]mmcqd:142 Workload=63%, duty 317163907, period 500889000, req_cnt=1426

<6>[16656.919483] (5)[142:mmcqd/0][BLOCK_TAG] mmcqd:142 WriteDiversity=5553653 sectors offset, req_cnt=12, break_cnt=0, tract_cnt=0,bit_cnt=0

<6>[16656.919534] (0)[142:mmcqd/0][BLOCK_TAG] mmcqd:142 ReadDiversity=607567 sectors offset, req_cnt=1414, break_cnt=0, tract_cnt=0,bit_cnt=0 

<6>[16656.919565] (0)[142:mmcqd/0][BLOCK_TAG] mmcqd:142 WriteThroughput=69222 kB/s, size: 692224 bytes, time:10 ms 

<6>[16656.919617](0)[142:mmcqd/0][BLOCK_TAG] mmcqd:142 Read Throughput=93819 kB/s, size:28708864 bytes, time:306 ms


是的。从log看，eMMC的performance还可以。


九、eMMC ext_csd

root@:/sys/kernel/debug/mmc0/mmc0:0001# cat ext_csd                   


十、eMMC HS200 & HS400


十一、eMMC cache

cache对emmc write performance影响很大，使能它。

tuyerv
关注
51-6 Vision Transformer ，ViT 论文精读
AIgraphX
01-09 1825
ViT取代了CNN，打通了CV和NLP之间的鸿沟，而且挖了一个更大的多模态的坑。ViT未来有可能真就是一个简洁、高效、通用的视觉骨干网络，而且可以完全不用任何标注信息。当拥有足够多的数据进行预训练的时候，ViT的表现就会超过CNN，突破transformer缺少归纳偏置的限制，可以在下游任务中获得较好的迁移效果。
论文阅读6——VIT：Vision Transformer（包括ViT代码复现）
2403_87584552的博客
10-16 3487
虽然Transformer架构已成为自然语言处理任务的事实标准，但其在计算机视觉中的应用仍然有限。在视觉中，注意力要么与卷积网络结合应用，要么用于替换卷积网络的某些组件，同时保持其整体结构。我们表明，这种对CNN的依赖是没有必要的，并且直接应用于图像补丁序列的纯Transformer可以在图像分类任务中表现得非常好。
ViT（Vision Transformer）全文精读
SeptemberH的博客
04-01 1万+
** 1. 相关链接 ：** 原文链接：[2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (arxiv.org) 原文开源代码：GitHub - google-research/vision_transformer Pytorch版本代码：GitHub - lucidrains/vit-pytorch: Implementation of Vision Transformer, a
用最通俗易懂的方式讲解Transformer在视觉中的应用
kikidedatou的博客
06-19 1087
想象一下，我们要教一个非常聪明的、但之前只看过文字的机器人学会识别图片里的东西。传统的方式（比如卷积神经网络 CNN）是怎么做的呢？
Vision Transformer(ViT)论文解读与代码实践(Pytorch)
qq_51957239的博客
09-21 1万+
RGB为彩色图片，L为灰度图片= 'RGB':这里解释一下collate_fn这个静态方法：collate_fn方法的作用是定义数据加载时的批处理操作。在PyTorch中，数据加载器（DataLoader）将数据集按照指定的批次大小（batch size）加载到模型中进行训练或推断。当数据集中的样本具有不同的大小或形状时，需要对每个批次进行适当的处理，以便能够对其进行批处理计算。
Vision Transformer 论文
热门推荐
qq_16236875的博客
10-08 3万+
https://openreview.net/pdf?id=YicbFdNTTy AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE Abstract: Transformer 架构早已在自然语言处理任务中得到广泛应用，但在计算机视觉领域中仍然受到限制。在计算机视觉领域，注意力要么与卷积网络结合使用，要么用来代替卷积网络的某些组件，同时保持其整体架构不变。 该研究表明，对 CNN 的依赖不是必需的，当直
Vision Transformer（VIT）论文解读及实现
weixin_42529756的博客
07-08 3780
VIT,图片分类
VIT论文解读
weixin_46881031的博客
08-21 965
ViT论文
【论文精读】 Vision Transformer（ViT）
weixin_44934783的博客
02-08 1379
Vision Transformer（ViT）
Vision Transformer论文精读
weixin_43605214的博客
11-08 1087
Vision Transformer的整体结构详解，以及该论文提供的一些很有意思的思路记录。Embedding层的设计，Position Embedding添加位置编码，以及分类头[class]token，Encoder中的layer norm,多头注意力和dropout详解，MLP设计。
李沐精读论文：Swin transformer: Hierarchical vision transformer using shifted windows
iwill323的博客
12-22 3947
李沐精读论文：Swin transformer: Hierarchical vision transformer using shifted windows patch partition Linear Embedding swin transformer block
ViT论文解读
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
02-12 3210
文章目录创新点算法class token位置编码实验与SOTA比较结论 论文:《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》 代码:https://github.com/google-research/vision_transformer 创新点 作者表明在视觉任务上，CNN并不是必须的，Transformer也可以很好的执行分类任务；与CNN SOTA方法相比，ViT使用更少训练资源，取得不错结果；
多模态大模型（二）2025：最详细Vision Transformer论文详解
aminghhhh的博客
03-21 2597
2.1 摘要部分及其翻译虽然 Transformer 架构已成为自然语言处理任务的事实标准，但它在计算机视觉领域的应用仍然相对有限。在视觉任务中，注意力机制通常是与卷积网络结合使用，或者用于替换卷积网络的部分组件，同时保持整体网络结构不变。我们展示了其实并不需要依赖 CNN，而是可以将纯 Transformer 直接应用于图像块（patch）序列，并在图像分类任务上取得非常好的表现。
论文精读--ViT
m0_73202283的博客
02-07 3568
虽然Transformer架构已经成为自然语言处理任务的事实上的标准，但它在计算机视觉上的应用仍然有限。在视觉方面，注意力要么与卷积网络结合使用，要么用于替换卷积网络的某些组件，同时保持其整体结构不变。我们证明这种对cnn的依赖是不必要的，直接应用于图像pactch序列的纯变压器可以很好地完成图像分类任务。
ViT论文详解
m0_64148253的博客
08-06 2736
ViT是谷歌团队在2021年3月发表的一篇论文，论文全称是《AN IMAGE IS WORTH 16X16 WORDS:TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》一张图片分成16x16大小的区域：使用Transformer进行按比例的图像识别。ViT是VisonTransformer的缩写，通过将一张照片分割为不同的Patch输入到Transformer中进行有监督的训练，从而实现Transformer在CV领域的应用。接下来我们进行这篇论文的详细介绍。
Vision Transformer 论文 + 详解（ ViT ）
like_jmo的博客
08-01 1万+
Vision Transformer 论文 + 详解
Vision Transformer论文精读（1/2）
teletubbies的博客
10-16 3307
第一段先说，因为Transformer在NLP领域扩展的很好，越大的数据或者越大的模型最后的performance就会一直上升，没有饱和的现象，那自然而然会有一个问题就是如果我们把Transformer用到视觉里来，那是不是视觉的问题也能获得大幅度的提升？
【论文阅读】Vision Transformer
想当咸鱼的猫
09-05 6171
在计算机视觉领域中，多数算法都是保持CNN整体结构不变，在CNN中增加attention模块或者使用attention模块替换CNN中的某些部分。有研究者提出，没有必要总是依赖于CNN。因此，作者提出ViT算法，仅仅使用Transformer结构也能够在图像分类任务中表现很好。受到NLP领域中Transformer成功应用的启发，ViT算法中尝试将标准的Transformer结构直接应用于图像，并对整个图像分类流程进行最少的修改。
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows论文精读
最新发布
07-09
### Swin Transformer 论文精读：Hierarchical Vision Transformer Using Shifted Windows Swin Transformer 是一种基于视觉的分层 Transformer 模型，其核心创新在于通过 **Shifted Window-based Self-Attention** 实现了线性计算复杂度，同时能够生成多尺度特征表示。这种方法在图像分类、目标检测和语义分割等任务中取得了显著的性能提升 [^2]。 #### 核心架构概述 Swin Transformer 的整体结构分为多个阶段（Stage），每个阶段包含多个 Swin Transformer Block。这些块使用 **窗口化自注意力机制** 和 **移位窗口策略** 来实现高效计算并捕捉长距离依赖关系。 - **分层特征提取** 类似于传统卷积神经网络（如 ResNet），Swin Transformer 采用分层设计来逐步降低空间分辨率并增加通道维度。这种设计允许模型从局部到全局地构建特征表示。 - **窗口划分与移位窗口机制** 在每个 Swin Transformer Block 中，输入特征图被划分为不重叠的窗口，并在这些窗口内执行自注意力计算。为了增强跨窗口的信息交互，在下一个 Block 中对窗口进行移位操作（Shifted Windows）。这种方式既减少了计算量，又保持了模型对全局信息的感知能力 [^1]。 ```python # 窗口划分伪代码示例 def window_partition(x, window_size): B, H, W, C = x.shape # 将图像划分为多个窗口 x = tf.reshape(x, shape=[B, H // window_size, window_size, W // window_size, window_size, C]) windows = tf.transpose(x, perm=[0, 1, 3, 2, 4, 5]) return tf.reshape(windows, shape=[-1, window_size, window_size, C]) # 移位窗口伪代码 def shifted_window_attention(x, window_size, shift_size): B, H, W, C = x.shape # 对特征图进行滚动操作以实现窗口移位 x = tf.roll(x, shift=(-shift_size, -shift_size), axis=(1, 2)) return window_partition(x, window_size) ``` #### 自注意力机制优化 传统的 Vision Transformer（ViT）在整个图像上应用自注意力机制，导致计算复杂度为 $O(n^2)$，其中 $n$ 是图像块的数量。而 Swin Transformer 通过将注意力限制在局部窗口内，将复杂度降低到 $O(n)$，使其适用于高分辨率图像处理 [^4]。 此外，移位窗口机制确保了相邻窗口之间的信息流动，从而避免了局部注意力带来的信息隔离问题。这种设计使得 Swin Transformer 能够在保持计算效率的同时实现全局建模能力。 #### 实验结果与性能优势 Swin Transformer 在多个视觉任务中表现出色： - **ImageNet 分类任务**：Swin-Tiny、Swin-Small、Swin-Base 和 Swin-Large 四种变体均在 ImageNet-1K 上实现了优于其他 Transformer 主干网络的 Top-1 准确率。 - **COCO 目标检测**：在 COCO 数据集上，Swin Transformer 在 Faster R-CNN 框架下达到了 SOTA 性能，mAP 超过之前的最佳方法。 - **ADE20K 语义分割**：在 ADE20K 数据集上，Swin Transformer 作为编码器也取得了领先的 mIoU 指标 [^2]。 #### 消融实验分析 论文还进行了详细的消融研究，验证了以下几个关键组件的有效性： - **窗口大小的影响**：较大的窗口有助于捕捉更广泛的上下文，但会增加计算开销。 - **移位窗口的重要性**：实验证明，移位机制可以显著提升模型性能，尤其是在长距离依赖任务中。 - **不同层级的设计**：通过对比不同层级深度和通道配置，论文展示了如何平衡精度与效率 [^3]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值