20140101实验室工作小结——vs2010下dll的生成与调用

http://www.cnblogs.com/gulvzhe/archive/2012/03/14/2396230.html

这篇博客是我找到最合适的一篇了,不得不说,给日本人打工的仔做的总结就是详细而精美。

不过因为我想先做个简单的加法的dll,所以没用这篇博文里的例子。


vc环境下调用

我想完成的功能是 int MyAdd(int a,int b);

总结来说生成dll的过程是这样的:

1:建一个dll的工程,名字就叫   testdll   吧,选空项目。建的时候有三个选择,①win32 ②控制台 ③mfc

      因为mfc的dll只能在mfc的工程下使用,所以不选择。win32的应该都可以用,所以我选win32的。

2:添加头文件MYDLL.h。

#pragma once
#define DLL_EXPORT __declspec(dllexport)
extern "C" DLL_EXPORT int MyAdd(int a,int b);

3:添加源文件MYDLL.cpp

#include <iostream>

#include "MYDLL.h" //不可少

int MyAdd(int a,int b)
{
return a+b;
}

4:添加def(模块定义)文件

LIBRARY  testdll
EXPORTS
MyAdd 

    LIBRARY是模块定义文件必须的一部分,它告诉链接器(linker)如何命名你的DLL,名字必须和工程名相同。EXPORTS也是模块定义文件必须的一部分,这部分使得该   函数可以被其它应用程序访问到并且它创建一个导入库。当你生成这个项目时,不仅是一个.dll文件被创建,而且一个文件扩展名为.lib的导出库也会被创建。EXPORTS后面列出要导出函数的名称。可以在.def文件中的导出函数名后加@n,表示要导出函数的序号为n(在进行函数调用时,这个序号将发挥其作用)。


经过了上面4步就可以生成了。生成成功后在debug里多出来两个问件,一个是 testdll.dll,一个是testdll.lib,生成的库文件的名字和工程名字相同。

注意:我做了几次失败了,就是没弄白第4步的含义,所以忽略了第4步。



在另一个工程MyTest里调用testdll.dll的步骤是这样滴:

5:将testdll目录下的testdll.dll文件放在MyTest的debug目录下

6:将testdll目录下的testdll.lib文件和头文件testdll.h放在MyTest的文件目录下

7:修改 ① MyTest属性->链接器->输出->常规->附加库目录  添加 testdll.lib的路径

               ②MyTest属性->链接器->输出->常规->附加库目录  添加 testdll.lib

8:在工程MyTest的头文件里添加testdll.h

9:在源文件中调用格式为:

int x=1; int y=2; int z=MyAdd(x,y);


这样z的值即为3.


vb环境下调用

vc下dll编译:

将第2步改为

#pragma once
#define DLL_EXPORT __declspec(dllexport)
extern "C"  int DLL_EXPORT _stdcall  MyAdd(int a,int b);

将第3步改为

#include <iostream>

int _stdcall MyAdd(int a,int b)
{
return a+b;
}

必须加上这个标示符,具体是为甚,留着以后查。

vb下调用:

不执行第5步及以下步骤,换成下面:

10: 在public下添加

Declare Function MyAdd Lib "%放置目录%testdll.dll"  (ByVal a As Integer, ByVal b As Integer) As Integer

11:调用方式:

 Dim x As Integer, y As Integer, z As Integer
        x = 5
        y = 2
        z = MyAdd(x, y)
   完成!

注意:尝试了一下,以适合vb调用的方式编译的dll文件,无法在vc里调用,应该是我调用的方式不对。

前面是返回的值型,如何返回指针呢?我抓瞎了一段时间,不过好在看了资料找到了解决方法。

如果第3步为

#include <iostream>

int _stdcall MyAdd(int a,char* b)
{

b="hello world!";
return a;
}

那么就要修改调用方式:

12:

在public下添加

Declare Function MyAdd Lib "%放置目录%testdll.dll"  (ByVal a As Integer, ByVal b()As Byte) As Integer

11:调用方式:

 Dim x As Integer, y(50) AsByte, z As Integer
        x = 5

        z = MyAdd(x, y)

//y即返回一串hello world!的asc码.如果把byte改为char,则y的50个值都为".所以这是为什么? 

   完成!

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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