快速构建C++项目工具Scons,结合Editplus搭建开发环境

Windows下C++开发工具用的最多的非VS莫属了(当然也有很多比如eclipse,Qt等等),便捷的项目构建向导,再加上强大的VC助手,使得开发和调试得心应手。并不是说vc就没有缺点,相反缺点也不少。

鄙人受不了缺点的有好几个,一是工程多的时候,载入和关闭解决方案的时候特别慢,有时和vmware一起关闭的时候,一直卡死在那里;二是在敲代码时的智能提示,有时候会导致VS假死,就像看电影听歌的时候,偶尔卡一下,这个是比较让人烦躁和蛋疼的。

下面介绍一个简单快捷的编译工具Scons和搭建Editplus编译环境:

步骤如下:

1. 准备SconsPython安装包,最新的Scons2.3.0点击下载不能在Python.3.3.2版本上运行,所以推荐使用Python.2.7.5(点击下载),

2. 先安装好Python,再安装Scons,设置环境变量 pathPython安装目录/Scripts

测试是否安装成功: 打开cmd,输入:

scons.bat 或者 scons

3. editplus 配置 C++ 环境

    

    图 1

    

   图 2

   

   图 3

4. 创建测试工程 test , 假设test工程目录 D:/test

    在此目录下,创建文件 test.cpp, SConstruct(scons编译必须的配置文件)

    test.cpp 文件内容如下:

#include <stdio.h>

int main(int argc, char *argv[])
{
    printf("Hello, world\n");
    
    return 0;
}

    SConstruct 文件内容, 第一个参数是生产应用程序名称必须跟图3中./test.exe 一致

Program('test', ['test.cpp'])

Scons 可以参考官方文档http://scons.org 和 http://www.ibm.com/developerworks/cn/linux/l-cn-scons/

编译运行

图 4

至此结束, 虽然比不上VS强大的功能,但是速度绝对的快,试一试就知道了


<script type="text/javascript"> </script><script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"></script>
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 2
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