makefile自动化变量

在模式规则中,规则的目标和依赖文件名代表了一类文件名。命令是对所有这一类文件重建过
程的描述,显然,在命令中不能指定特定的文件名,否则模式规则将没有了意义。那么在模式规则
的命令行中该如何表示文件,将成我们这一小节的讨论重点。 make中使用了“自动环变量”来实
现这个目的,自动化变量的取值是根据具体的规则决定的,就是说对不同的规则其所代表的文件名
不同。
前边我们也看到了很多例子中使用到了自动化变量。下面对所有的自动化变量进行说明:
$@
代表规则中的目标文件名。如果目标是一个文档( Linux中,一般称.a文件为文档),那么
它代表这个文档的文件名。在多目标的模式规则中,它代表的是哪个触发规则被执行的目标
文件名。
$%
规则的目标文件是一个静态库文件时,代表静态库的一个成员名。例如,规则的目标是
“foo.a(bar.o)”,那么,“$%”的值就为“bar.o”,“$@”的值为“foo.a”。如果目标不
是函数库文件,其值为空。
$<
规则的第一个依赖文件名。如果是隐含规则,则它代表通过目标指定的第一个依赖文件。
$?
所有比目标文件更新的依赖文件列表,空格分割。如果目标是静态库文件名,代表的是库成
员( .o文件)的更新情况。
$^
规则的所有依赖文件列表,使用空格分隔。如果目标是静态库文件名,它所代表的只能是所
有库成员( .o文件)名。一个文件可重复的出现在目标的依赖中,变量“$^”只记录它的
一次引用情况。就是说变量“$^”会去掉重复的依赖文件。
$+
类似“$^”,但是它保留了依赖文件中重复出现的文件。主要用在程序链接时,库的交叉引
用场合。
$*
在模式规则和静态模式规则中,代表“茎”。“茎”是目标模式中“%”所代表的部分(当
文件名中存在目录时,“茎”也包含目录(斜杠之前)部分,可参考 9.5.4 模式的匹配 一
小节)。例如:文件“dir/a.foo.b”,当目标的模式为“a.%.b”时,“$*”的值为“dir/a.foo”。
“茎”对于构造相关文件名非常有用。
自动化变量“$*”需要两点说明:
	对于一个明确指定的规则来说不存在“茎”,这种情况下“$*”所代表的值发生变
化。此时,如果目标文件名带有一个可识别的后缀(参考 9.7 后缀规则 一节),
那么“$*”表示文件中除后缀以外的部分。例如:“foo.c”则“$*”的值为:“foo”,
因为.c是一个可识别的文件后缀名。GUN make对明确规则的这种奇怪的处理行为
是为了和其它版本的make兼容。通常,在除静态规则和模式规则以外,明确指定
目标文件的规则中避免使用这个变量。
	当明确指定文件名的规则中目标文件名包含不可识别的后缀时,此变量为空。
自动化变量“$?”在显式规则中也是非常有用的,规则中可以使用它来指定只对更新的依赖文
件进行操作。例如,函数库文件“libN.a”,它由一些.o文件组成。如下的规则实现了根据变化的.o
文件更新库文件:
lib: foo.o bar.o lose.o win.o
ar r lib $?
上述列出的自动量变量中。其中有四个在规则中代表一个文件名( $@、 $<、 $%、 $*)。而
其它三个的在规则中代表一个文件名的列表。 GUN make中,还可以通过这七个自动化变量来获取
一个完整文件名中的目录部分或者具体文件名,需要在这些变量中加入“D”或者“F”字符。这样
就形成了一系列变种的自动环变量。这些变量在以前版本的make中使用,在当前版本的make中,
可以使用“dir”或者“notdir”函数来实现同样的功能。
$(@D)
代表目标文件的目录部分(去掉目录部分的最后一个斜杠)。如果“$@”是“dir/foo.o”,
那么“$(@D)”的值为“dir”。如果“$@”不存在斜杠,其值就是“.”(当前目录)。注
意它和函数“dir” 的区别!
$(@F)
目标文件的完整文件名中除目录以外的部分(实际文件名)。如果“$@”为“dir/foo.o”,
那么“$(@F)”只就是“foo.o”。“$(@F)”等价于函数“$(notdir $@)”。
$(*D)
$(*F)
分别代表目标“茎”中的目录部分和文件名部分。
$(%D)
$(%F)
当以如“archive(member)”形式静态库为目标时,分别表示库文件成员“member”名
中的目录部分和文件名部分。它仅对这种形式的规则目标有效。
$(<D)
$(<F)
分别表示规则中第一个依赖文件的目录部分和文件名部分。
$(^D)
$(^F)
分别表示所有依赖文件的目录部分和文件部分(不存在同一文件)。
$(+D)
$(+F)
分别表示所有依赖文件的目录部分和文件部分(可存在重复文件)。
$(?D)
$(?F)
分别表示被更新的依赖文件的目录部分和文件部分。
需要说明的是:在讨论自动化变量时,为了和普通变量(如:“CFLAGS”)的区别,我们直接
使用了“$<”的形式。这只是仅仅为了和普通变量区别,没有别的目的。其实对于自动环变量和
普通变量一样,代表规则第一个依赖文件名的变量名实际上是“<”,我们完全可以使用“$(<)”
来替代“$<”。我们在引用自动化变量时通常的做法是形如“$<”,因为自动化变量是一个字符。
GUN make提供了支持“Sysv”的特性,允许在规则的依赖列表中使用特殊的变量引用(一
般的自动化变量只能在规则的命令行中被引用)“$$@”、“$$(@D)”和“$$(@F)”(注意:要使
用“$$”),它们分别代表了“目标完整的文件名”、“目标文件名中的目录部分”和“目标的实际文
件名部分”。
这三个特殊的变量只能用在明确指定目标文件名的规则中或者是静态模式规则中,不能使用在
于隐含规则中。另外Sysv make和GNU make对规则依赖的处理也不尽相同。 Sysv make会对规
则的依赖进行两次替换展开,而GUN make对依赖列表的处理只有一次,对其中的引用直接进行展
开。
自动化变量存在这个有点古怪的特性完全是为了兼容Sysv 版本的makefile文件。我们在使用
GNU make时可以不考虑这个特性,也可以在Makefile中使用伪目标“.POSIX”来禁止这一特性。



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