免费GPU哪家强？谷歌Kaggle vs和Colab
谷歌有两个平台提供免费的云端gpu：colab和kaggle， 如果你想深入学习人工智能和深度学习技术，那么这两款gpu将带给你很棒学习的体验。那么问题来了，我们该选择哪个平台进行学习和工作呢？接下来，本文将介绍如何比较硬件规格和探索优缺点的差异；本文还将基于一个计算机视觉任务，比较在不同平台下，使用迁移学习、混合精度训练、学习率模拟退火以及测试时间增广等操作时，所需的训练时间。基于上述内容，你将对这两个平台的gpu性能，有一个更加全面和清楚的了解。
kaggle 和 colab 是两个非常相似的产品，它们都具有如下特性：
提供免费的gpu
在浏览器中使用jupyter进行交互——但是它们都有自己独特的风格
旨在促进机器学习的协作
都是谷歌的产品
不是十全十美，但是在多数场景下都适用，尤其是在入门深度学习的时候
官方文档对硬件规格的描述较为简略
最后一项是本文研究的重点，但不幸的是，kaggle和colab都不提供对使用环境的详细描述，而且官方文档（https://www.kaggle.com/docs/kernels#technical-specifications）往往很过时，跟不上平台硬件更新的速度。除此之外，平台ide的小控件虽然提供了一些信息，但是这往往不是我们真正想要的。接下来，本文展示常用的profiler命令，该命令可以查看平台环境的信息。
在正式开始之前，我们得先了解一些gpu的背景知识。
什么是gpu？
gpu是图形处理单元的简称，最初gpu是为加速视频游戏的图形所开发的专用芯片，它们能够快速的完成大量的矩阵运算。该特性也使得gpu在深度学习领域崭露头角，有趣的是，出于相同的原因，gpu也是挖掘加密货币的首选工具。
nvidia p100 gpu
为什么要使用gpu?
使用大显存的gpu来训练深度学习网络，比单纯用cpu来训练要快得多。想象一下，使用gpu能够在十几分钟或者几个小时内，获得所训练网络的反馈信息，而使用cpu则要花费数天或者数周的时间，gpu简直是棒呆了。
硬件规格
2019年三月初，kaggle将它的gpu芯片从nvidia tesla k80升级到了nvida tesla p100，然而colab还在用k80。有关nvidia 芯片类型的讨论，可以参见这篇文章（https://towardsdatascience.com/maximize-your-gpu-dollars-a9133f4e546a）。
有很多不同方法可以查看硬件的信息，两个比较常用的命令是!nvidia-smi和 !cat/proc/cpuinfo，分别用于查看gpu和cpu的信息。即使你想用gpu来训练模型，cpu也是不必可少的，因此了解cpu的信息是必不可少的。
下图所示为kaggle和colab的硬件配置信息，更多内容可以参考谷歌官方文档（https://docs.google.com/spreadsheets/d/1ybnli9qxqtipbohssyng6eoo9lh2m3zf7ar88sefqrk/edit?usp=sharing）。
两个平台上的内存大小和磁盘空间，可能会存在一些令人疑惑的地方。一旦在kaggle或者colab上安装软件并开始进程，它的内存和磁盘可用量就会发生变化了。我们可以用!cat/proc/meminfo 命令来测试这种容量变化，如下图所示。
total表示总内存容量，available表示启动后，没有任何其他进程运行的情况下，实际观察到的内存容量。从上图可以看到，我们自己测量的值和colab或kaggle的ide控件面板中显示的很相似，但是并不完全匹配，如下图所示。
mouseover in colab
kaggle sidebar
上图显示的是kaggle的内核和colab notebook中的硬件规格信息，请注意，在开始前一定要确保开启了gpu的功能。
还有一点值得注意，使用命令行查看gpu的硬件规格时，系统返回值的单位是mebibytes，该单位和megabytes（兆字节）相似但并不等同。通过谷歌搜索相应信息，可以将mebibytes转化为megabytes。
kaggle 的widget（小部件）显示，实际使用的磁盘空间比前文调研的要小得多，这是因为，无论理论上的磁盘总量是多少，kaggle都会限制实际能够使用的磁盘空间。
在官方文档中kaggle声明，用户拥有9个小时的使用时间，然而，对于每个会话，内核环境最多只会在窗口上显示6个小时。值得注意的是，重新启动内核会重新启动时钟。此外，如果用户在60分钟内没有任何操作，kaggle会将会话重启。
colab为用户提供12小时的执行时间，但是如果闲置时间超过90分钟，colab就会将你踢掉。
接下来就要进入本文的重点了：训练一个深度学习网络，到底会花费多少时间。
计算机视觉任务下的速度比较
本文用一个图像分类的任务来比较kaggle和colab的计算性能。该任务的目标是构建一个深度学习模型，对猫狗的图像进行分类。数据集包含25000张图像，猫和狗的样本数是均衡的。将数据集分为两部分，其中23000张图像用于训练，另外2000张用于验证。
cat and dog images from the dataset
本文用fastai库构建了一个卷积神经网络，并以resnet30为基础运用迁移学习训练该模型。模型的训练使用了以下几个技巧，分别是数据增广和学习率退火。在模型的测试阶段，本文使用测试时间增广技术来构建测试集。本节的代码改编自fastai的示例（https://github.com/fastai/fastai/blob/master/examples/dogs_cats.ipynb）。
代码分别在kaggle和colab上的实施。batch size 设为16，fastai的版本是1.0.48。使用fastai的内置分析器，统计训练和测试的总时间，两平台所用的时间如下。
在两个平台中，模型的验证精度都超过了99%，三次迭代的时间在kaggle中是11:17分钟，而colab中为19:54分钟。kaggle的运行环境性能，从速度上看，比colab要快40%。
batch size
在kaggle中，我们需要将batch size从64降低到16，才能使模型成功进行训练。如果batch size过大，会导致运行错误，该错误似乎是由于docker容器中的共享内存设置得太低才引起的。有趣的是，作者在2018年底向colab提出了这个问题（https://github.com/googlecolab/colabtools/issues/329），colab在一周内便修复了这个问题。然而，截止2019年3月中旬，kaggle依然存在该问题。
接下来，我们将colab中的batch size改为256，对模型进行两次迭代训练。上述的改变导致平均运行时间变成了18:38分钟。将batch size改为64，同样进行两次迭代训练，此时得到的平均运行时间为18:14分钟。这表示，当batch size大于16的时候，colab能够缩减运行的时间。
尽管如此，对于本节中的任务而言，较小的batch size并不是一个值得深究的大问题，有关参数设置的讨论，可以参见这篇文章（https://arxiv.org/abs/1804.07612）。
当我将colab上的batch size设为256，然后开始训练模型时，colab抛出了一个警告，其中写道：我正在使用的gpu具有11.17gb的显存。具体如下图所示。
这个警告非常棒，但是基于前文的分析，我们已经了解了gibibytes和gigabytes（https://www.gbmb.org/gib-to-gb）之间的区别。前文中讲到，colab有11.17 gibibytes（12 gb）的显存，这显然和警告中说的11.17gb矛盾。尽管如此，如果colab提示你超出内存了，那就是超出内存了。因此batch size设为256，可能就是该任务下colab的极限了。
混合精度训练
接下来，我们使用了混合精度训练，该训练方式能够有效地降低训练时间。混合精度训练在某些可能的情况下，会使用16位精度的数值代替32位的数值，来进行计算。nvidia声称使用16位精度，可以使p100的吞吐量翻倍。
有关混合精度fastai模型的介绍可以参见这篇文章（https://docs.fast.ai/callbacks.fp16.html）。请注意，在使用测试时间增广进行预测之前，我们需要将fastai学习器对象设置为32位模式，这是因为torch.stack暂时不支持半精度。
通过在colab上使用混合精度进行训练，在batch size 为16的情况下，平均运行时间为16:37分钟。显然，我们成功的缩减了运行时间。
然而，在kaggle上实施混合精度训练，总的运行时间却增加了一分半，达到了12:47分钟。我们并没有改变硬件规格，而且得到的验证精度都达到了99%以上，这就很有趣了。
通过调查发现，kaggle的默认包中的torch和torchvision的版本都很老，将它们的版本更新到和colab上的一样后，kaggle的运行时间并没有改变。但是这一个发现表明，colab上默认包的版本比kaggle更新的要快。
前文提到的硬件差异，似乎并不是导致kaggle混合精度性能不佳的原因。那么软件差异似乎是答案，我们观察到，两平台唯一的软件差异就是，kaggle使用cuda 9.2.148 和 cudnn 7.4.1，而colab 使用cuda 10.0.130 和 cudnn 7.5.0。
cuda是nvidia的api，可以直接访问gpu的虚拟指令集。cudnn是nvidia基于cuda的深度学习原型库。根据nvidia的这篇文章，kaggle的软件应该可以提高p100的速度。但是，正如cudnn更改说明（https://docs.nvidia.com/deeplearning/sdk/cudnn-release-notes/rel_750.html#rel_750）中所示，阻止加速的bug是定期排查和修复的，那么kaggle在混合精度训练上表现不佳，可能是因为bug修复不及时所导致的吧。
既然如此，我们只好等待kaggle升级cuda和cudnn，看看混合精度训练是否会变得更快。如果使用kaggle，还是推荐你采用混合精度训练（虽然速度并不会得到提升）。如果使用colab，当然采用混合精度训练更佳，但是要注意batch size不要设置得太大。
优缺点对比
谷歌是一家希望您支付gpu费用的公司，天下没有免费的午餐。
colab和kaggle当然会有一些令人沮丧的问题。例如，两个平台运行时断开连接的频率太高，这令我们非常沮丧，因为我们不得不重启会话。
在过去，这些平台并不能总保证你有gpu可以用，但是现在却可以了。接下来让我们一起看看，colab和kaggle的各自的优缺点吧。
colab
优点
能够在google drive上保存notebook
可以在notebook中添加注释
和github的集成较好——可以直接把notebook保存到github仓库中
具有免费的tpu。tpu和gpu类似，但是比gpu更快。tpu是谷歌自行开发的一款芯片，但不幸的是，尽管colab意在整合pytotch和tpu，但tpu对pytorch的支持仍不太友好。如果使用tensorflow进行编程，而不是使用fastai/pytorch编程，那么在colab上使用tpu可要比在kaggle上使用gpu快多了。
缺点
部分用户在colab中的共享内存较小。
谷歌云盘的使用较为麻烦。每个会话都需要进行身份验证，而且在谷歌云盘中解压文件较为麻烦。
键盘快捷键和jupyter notebook中不太一样。具体对比可以参见这里。
kaggle
优点
kaggle社区有利于学习和展示你的技能
在kaggle上发布你的工作，能够记录一段美好的历史
kaggle和jupyter notebook的键盘快捷键基本相同
kaggle有很多免费数据集
缺点
kaggle一般会自动保存你的工作，但是如果你没有提交工作，然后重新加载你的页面，你的工作很有可能丢失。
就像前面提到的，在kaggle中，docker容器中的pytorch共享内存较低。在本次图像分类任务中，如果设置batch size的大小超过16，那么系统就会报错： runtimeerror: dataloader worker (pid 41) is killed by signal: bus error。
kaggle内核通常看起来有些迟钝。
结论
colab和kaggle都是开展云端深度学习的重要资源。我们可以同时使用两者，例如在kaggle和colab之间相互下载和上传notebook。
colab和kaggle会不断更新硬件资源，我们可以通过比较硬件资源的性能，以及对编程语言的支持，选择最优的平台部署代码。例如，如果我们要运行一个密集的pytorch项目，并且期望提高精度，那么在kaggle上开发可能更加适合。
如果我们希望更加灵活的调整batch size 的大小，colab可能更加适用。使用colab，我们可以将模型和数据都保存在谷歌云盘里。如果你用tensorflow编程，那么colab的tpu将会是一个很好的资源。
如果需要更多的时间来编写代码，或者代码需要更长的运行时间，那么谷歌的云平台的性价比可能更高。
十铨科技推出PCIe 4.0 SSD，采用石墨烯铜箔组合导热材质
Pandas中使用Merge、Join、Concat合并数据的效率对比
三星：全球半导体需求有望增长 存储芯片产业或趋于稳定
断开PCB表面走线的方法
河北移动已经在雄安新区完成重点区域的5G全面覆盖
免费GPU哪家强？谷歌Kaggle vs和Colab
PLC的实时测量技术在远程污水监控系统中的应用
受行业不景气影响,三星电机Q2业绩低于预期
从天翼展看中国电信5G布局
变压器绕组泄漏电流试验的目的及注意事项
【新品发布】Moku:Go 仪器套件新增数字滤波器、FIR滤波器生成器、锁相放大器功能
为您的物联网系统开发制定正确的路线
国内模拟IC企业该如何实现更大技术突破
联想Z6 Pro 5G开始预售 是迄今为止性价比最高的骁龙855 5G手机
智能手表的充电方法
中/美/阿火星探测器将在2月齐聚火星
浅谈齐纳二极管和并联拓扑 如何选择合适的分流电阻器
嵌入式系统平台是工业物联网发展的基石
包装行业中常见的静电问题及解决方案
庆科信息技术EMW3090规格
kaggle 和 colab 是两个非常相似的产品，它们都具有如下特性：
提供免费的gpu
在浏览器中使用jupyter进行交互——但是它们都有自己独特的风格
旨在促进机器学习的协作
都是谷歌的产品
不是十全十美，但是在多数场景下都适用，尤其是在入门深度学习的时候
官方文档对硬件规格的描述较为简略
最后一项是本文研究的重点，但不幸的是，kaggle和colab都不提供对使用环境的详细描述，而且官方文档（https://www.kaggle.com/docs/kernels#technical-specifications）往往很过时，跟不上平台硬件更新的速度。除此之外，平台ide的小控件虽然提供了一些信息，但是这往往不是我们真正想要的。接下来，本文展示常用的profiler命令，该命令可以查看平台环境的信息。
在正式开始之前，我们得先了解一些gpu的背景知识。
什么是gpu？
gpu是图形处理单元的简称，最初gpu是为加速视频游戏的图形所开发的专用芯片，它们能够快速的完成大量的矩阵运算。该特性也使得gpu在深度学习领域崭露头角，有趣的是，出于相同的原因，gpu也是挖掘加密货币的首选工具。
nvidia p100 gpu
为什么要使用gpu?
使用大显存的gpu来训练深度学习网络，比单纯用cpu来训练要快得多。想象一下，使用gpu能够在十几分钟或者几个小时内，获得所训练网络的反馈信息，而使用cpu则要花费数天或者数周的时间，gpu简直是棒呆了。
硬件规格
2019年三月初，kaggle将它的gpu芯片从nvidia tesla k80升级到了nvida tesla p100，然而colab还在用k80。有关nvidia 芯片类型的讨论，可以参见这篇文章（https://towardsdatascience.com/maximize-your-gpu-dollars-a9133f4e546a）。
有很多不同方法可以查看硬件的信息，两个比较常用的命令是!nvidia-smi和 !cat/proc/cpuinfo，分别用于查看gpu和cpu的信息。即使你想用gpu来训练模型，cpu也是不必可少的，因此了解cpu的信息是必不可少的。
下图所示为kaggle和colab的硬件配置信息，更多内容可以参考谷歌官方文档（https://docs.google.com/spreadsheets/d/1ybnli9qxqtipbohssyng6eoo9lh2m3zf7ar88sefqrk/edit?usp=sharing）。
两个平台上的内存大小和磁盘空间，可能会存在一些令人疑惑的地方。一旦在kaggle或者colab上安装软件并开始进程，它的内存和磁盘可用量就会发生变化了。我们可以用!cat/proc/meminfo 命令来测试这种容量变化，如下图所示。
total表示总内存容量，available表示启动后，没有任何其他进程运行的情况下，实际观察到的内存容量。从上图可以看到，我们自己测量的值和colab或kaggle的ide控件面板中显示的很相似，但是并不完全匹配，如下图所示。
mouseover in colab
kaggle sidebar
上图显示的是kaggle的内核和colab notebook中的硬件规格信息，请注意，在开始前一定要确保开启了gpu的功能。
还有一点值得注意，使用命令行查看gpu的硬件规格时，系统返回值的单位是mebibytes，该单位和megabytes（兆字节）相似但并不等同。通过谷歌搜索相应信息，可以将mebibytes转化为megabytes。
kaggle 的widget（小部件）显示，实际使用的磁盘空间比前文调研的要小得多，这是因为，无论理论上的磁盘总量是多少，kaggle都会限制实际能够使用的磁盘空间。
在官方文档中kaggle声明，用户拥有9个小时的使用时间，然而，对于每个会话，内核环境最多只会在窗口上显示6个小时。值得注意的是，重新启动内核会重新启动时钟。此外，如果用户在60分钟内没有任何操作，kaggle会将会话重启。
colab为用户提供12小时的执行时间，但是如果闲置时间超过90分钟，colab就会将你踢掉。
接下来就要进入本文的重点了：训练一个深度学习网络，到底会花费多少时间。
计算机视觉任务下的速度比较
本文用一个图像分类的任务来比较kaggle和colab的计算性能。该任务的目标是构建一个深度学习模型，对猫狗的图像进行分类。数据集包含25000张图像，猫和狗的样本数是均衡的。将数据集分为两部分，其中23000张图像用于训练，另外2000张用于验证。
cat and dog images from the dataset
本文用fastai库构建了一个卷积神经网络，并以resnet30为基础运用迁移学习训练该模型。模型的训练使用了以下几个技巧，分别是数据增广和学习率退火。在模型的测试阶段，本文使用测试时间增广技术来构建测试集。本节的代码改编自fastai的示例（https://github.com/fastai/fastai/blob/master/examples/dogs_cats.ipynb）。
代码分别在kaggle和colab上的实施。batch size 设为16，fastai的版本是1.0.48。使用fastai的内置分析器，统计训练和测试的总时间，两平台所用的时间如下。
在两个平台中，模型的验证精度都超过了99%，三次迭代的时间在kaggle中是11:17分钟，而colab中为19:54分钟。kaggle的运行环境性能，从速度上看，比colab要快40%。
batch size
在kaggle中，我们需要将batch size从64降低到16，才能使模型成功进行训练。如果batch size过大，会导致运行错误，该错误似乎是由于docker容器中的共享内存设置得太低才引起的。有趣的是，作者在2018年底向colab提出了这个问题（https://github.com/googlecolab/colabtools/issues/329），colab在一周内便修复了这个问题。然而，截止2019年3月中旬，kaggle依然存在该问题。
接下来，我们将colab中的batch size改为256，对模型进行两次迭代训练。上述的改变导致平均运行时间变成了18:38分钟。将batch size改为64，同样进行两次迭代训练，此时得到的平均运行时间为18:14分钟。这表示，当batch size大于16的时候，colab能够缩减运行的时间。
尽管如此，对于本节中的任务而言，较小的batch size并不是一个值得深究的大问题，有关参数设置的讨论，可以参见这篇文章（https://arxiv.org/abs/1804.07612）。
当我将colab上的batch size设为256，然后开始训练模型时，colab抛出了一个警告，其中写道：我正在使用的gpu具有11.17gb的显存。具体如下图所示。
这个警告非常棒，但是基于前文的分析，我们已经了解了gibibytes和gigabytes（https://www.gbmb.org/gib-to-gb）之间的区别。前文中讲到，colab有11.17 gibibytes（12 gb）的显存，这显然和警告中说的11.17gb矛盾。尽管如此，如果colab提示你超出内存了，那就是超出内存了。因此batch size设为256，可能就是该任务下colab的极限了。
混合精度训练
接下来，我们使用了混合精度训练，该训练方式能够有效地降低训练时间。混合精度训练在某些可能的情况下，会使用16位精度的数值代替32位的数值，来进行计算。nvidia声称使用16位精度，可以使p100的吞吐量翻倍。
有关混合精度fastai模型的介绍可以参见这篇文章（https://docs.fast.ai/callbacks.fp16.html）。请注意，在使用测试时间增广进行预测之前，我们需要将fastai学习器对象设置为32位模式，这是因为torch.stack暂时不支持半精度。
通过在colab上使用混合精度进行训练，在batch size 为16的情况下，平均运行时间为16:37分钟。显然，我们成功的缩减了运行时间。
然而，在kaggle上实施混合精度训练，总的运行时间却增加了一分半，达到了12:47分钟。我们并没有改变硬件规格，而且得到的验证精度都达到了99%以上，这就很有趣了。
通过调查发现，kaggle的默认包中的torch和torchvision的版本都很老，将它们的版本更新到和colab上的一样后，kaggle的运行时间并没有改变。但是这一个发现表明，colab上默认包的版本比kaggle更新的要快。
前文提到的硬件差异，似乎并不是导致kaggle混合精度性能不佳的原因。那么软件差异似乎是答案，我们观察到，两平台唯一的软件差异就是，kaggle使用cuda 9.2.148 和 cudnn 7.4.1，而colab 使用cuda 10.0.130 和 cudnn 7.5.0。
cuda是nvidia的api，可以直接访问gpu的虚拟指令集。cudnn是nvidia基于cuda的深度学习原型库。根据nvidia的这篇文章，kaggle的软件应该可以提高p100的速度。但是，正如cudnn更改说明（https://docs.nvidia.com/deeplearning/sdk/cudnn-release-notes/rel_750.html#rel_750）中所示，阻止加速的bug是定期排查和修复的，那么kaggle在混合精度训练上表现不佳，可能是因为bug修复不及时所导致的吧。
既然如此，我们只好等待kaggle升级cuda和cudnn，看看混合精度训练是否会变得更快。如果使用kaggle，还是推荐你采用混合精度训练（虽然速度并不会得到提升）。如果使用colab，当然采用混合精度训练更佳，但是要注意batch size不要设置得太大。
优缺点对比
谷歌是一家希望您支付gpu费用的公司，天下没有免费的午餐。
colab和kaggle当然会有一些令人沮丧的问题。例如，两个平台运行时断开连接的频率太高，这令我们非常沮丧，因为我们不得不重启会话。
在过去，这些平台并不能总保证你有gpu可以用，但是现在却可以了。接下来让我们一起看看，colab和kaggle的各自的优缺点吧。
colab
优点
能够在google drive上保存notebook
可以在notebook中添加注释
和github的集成较好——可以直接把notebook保存到github仓库中
具有免费的tpu。tpu和gpu类似，但是比gpu更快。tpu是谷歌自行开发的一款芯片，但不幸的是，尽管colab意在整合pytotch和tpu，但tpu对pytorch的支持仍不太友好。如果使用tensorflow进行编程，而不是使用fastai/pytorch编程，那么在colab上使用tpu可要比在kaggle上使用gpu快多了。
缺点
部分用户在colab中的共享内存较小。
谷歌云盘的使用较为麻烦。每个会话都需要进行身份验证，而且在谷歌云盘中解压文件较为麻烦。
键盘快捷键和jupyter notebook中不太一样。具体对比可以参见这里。
kaggle
优点
kaggle社区有利于学习和展示你的技能
在kaggle上发布你的工作，能够记录一段美好的历史
kaggle和jupyter notebook的键盘快捷键基本相同
kaggle有很多免费数据集
缺点
kaggle一般会自动保存你的工作，但是如果你没有提交工作，然后重新加载你的页面，你的工作很有可能丢失。
就像前面提到的，在kaggle中，docker容器中的pytorch共享内存较低。在本次图像分类任务中，如果设置batch size的大小超过16，那么系统就会报错： runtimeerror: dataloader worker (pid 41) is killed by signal: bus error。
kaggle内核通常看起来有些迟钝。
结论
colab和kaggle都是开展云端深度学习的重要资源。我们可以同时使用两者，例如在kaggle和colab之间相互下载和上传notebook。
colab和kaggle会不断更新硬件资源，我们可以通过比较硬件资源的性能，以及对编程语言的支持，选择最优的平台部署代码。例如，如果我们要运行一个密集的pytorch项目，并且期望提高精度，那么在kaggle上开发可能更加适合。
如果我们希望更加灵活的调整batch size 的大小，colab可能更加适用。使用colab，我们可以将模型和数据都保存在谷歌云盘里。如果你用tensorflow编程，那么colab的tpu将会是一个很好的资源。
如果需要更多的时间来编写代码，或者代码需要更长的运行时间，那么谷歌的云平台的性价比可能更高。
十铨科技推出PCIe 4.0 SSD，采用石墨烯铜箔组合导热材质
Pandas中使用Merge、Join、Concat合并数据的效率对比
三星：全球半导体需求有望增长 存储芯片产业或趋于稳定
断开PCB表面走线的方法
河北移动已经在雄安新区完成重点区域的5G全面覆盖
免费GPU哪家强？谷歌Kaggle vs和Colab
PLC的实时测量技术在远程污水监控系统中的应用
受行业不景气影响,三星电机Q2业绩低于预期
从天翼展看中国电信5G布局
变压器绕组泄漏电流试验的目的及注意事项
【新品发布】Moku:Go 仪器套件新增数字滤波器、FIR滤波器生成器、锁相放大器功能
为您的物联网系统开发制定正确的路线
国内模拟IC企业该如何实现更大技术突破
联想Z6 Pro 5G开始预售 是迄今为止性价比最高的骁龙855 5G手机
智能手表的充电方法
中/美/阿火星探测器将在2月齐聚火星
浅谈齐纳二极管和并联拓扑 如何选择合适的分流电阻器
嵌入式系统平台是工业物联网发展的基石
包装行业中常见的静电问题及解决方案
庆科信息技术EMW3090规格