AutoTools工具的使用

最近一直在看Linux下Autotools工具的使用方法,查阅了一些资料,感觉入门级别的文章网上写的很多,但写的清楚明白的应该是下面这篇。
A brief introduction to Autoconf
【评论】有一些小例子特别好,这篇文章让我从直观上了解并初步认识到了configure.ac中AC_OUTPUT的作用。这点儿一解开,就感到有几个小问题能够想明白了。

视频教程推荐下面这个
杨士清 autoconf
上面的链接是slidershare.net的,在youtube.com上有相关的视频讲解,前后大约有3个小时。
【评论】讲解清晰,要耐着性子看完。因为是台湾人讲的,所以有些名词不太一样。在杨老师的讲解中,第一次搞明白了autoscan、autoconf和各个文件之间的关系,他们是如何生成的,文件的作用是什么。如果能看完此视频,并动手将练习做一遍,基本上应该会有比较好的理解了。

而完整详细,写的特别棒的是这本书:
Autoconf, Automake and Libtool
【评论】作者参与了autotools的项目,因此对autotools工具有深刻的理解。此书不适合初学者阅读,应该先看完【杨士清】的视频讲解之后,动手做几个练习,再回头看此书。这本书需要仔细的阅读,有些例子需要自己跑一下。特别需要指出的是该网站上给出的autotools中各个工具的关系图简直是太棒了,是我迄今为止见到的最完整、描述最为准确的关系图,其他blog上给出的关系图都是不完整的,有的关系图甚至是错误的。
【书摘】
第二章详细讲解了autotools工具的历史。
最早出现的一个小工具是autoconf。1970年开始,Unix系统被多个科研单位和大学院所使用,他们对其进行改造,因此出现了各自的库系统。那么,一款软件编译之前,首先要判断当前的是哪款Unix系统,这就是autoconf出现的原因。这就明白了,autoconf基本功能就是对当前系统运行环境进行全面检查,这也就是为啥与autoconf密切相关的confiugre.ac文件中到处都是XXX_CHECK这样的东西。

各位Unix的前辈们意识到了一个称之为“protable”可移植性的问题,于是各自纷纷开始在这方面做工作。大伙的思路都是相似的,就是把移植工作变换为了两步走。

Created with Raphaël 2.1.2 configure build

直白来说,configure文件里明确指出了当前软件需要的系统环境,一旦OS满足了这些环境要求,就可以运行make文件build目标OS上的可执行文件了。configure文件本身是无法完成测试的,他必须要转化为一条条具体的脚本语句,才能完成目标OS的测试。

由于所有的Unix系统都无条件的支持Bourne shell,这样一来,在所有的Unix操作系统和由此派生的OS系统上就可以用一种语言进行系统测试,这就是sh脚本语言。让程序员自己编写脚本语言测试一下目标系统的运行环境,是一件很有技术含量的工作,不能每个程序员都能做到。于是帮助生成sh脚本语言的configure文件就由此诞生。可以想象configure一定是比较容易编写了(虽然还是挺有难度),但总比编写sh脚本要好多了。

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,生成器生成数据,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