windows8.1安装vc++6.0,正常使用的调整方法(查阅大量资料后亲测有效)

 

众所周知,vc++6.0是编译器史上的一个经典,不过包括笔者在内的很多菜鸟并不知道为什么这是经典或者说它经典之处在哪里,不过众所周知中国大陆(台湾香港澳门之类的我不知道什么情况)的教育体系里(计算机方面,尤其是c和c++)这个编译器一直在使用,但很多人发现XP之后的系统难以使用这一编译器,尤其是windows8.1,在此笔者分享下自己的解决办法


先正常安装,这是只要接触过电脑的人都会的技能,在此不在赘述,按照步骤一步步安装即可,我使用的安装包如下

为了方便各位,附上百度网盘下载链接http://pan.baidu.com/s/1kT85hX1密码:e30n

安装位置可以自由选择,不影响


安装完成后直接运行就会弹出这个窗口,请选择“运行程序而不获取帮助”,以后若再见到这个窗口也直接选择这个选项,如果是win7,选择类似的选项之后就可以直接运行使用了(可能因为我使用的安装包是支持win7的)



现在未经过调整,因此是无法直接运行的,运行结果是这个


这即是表示无法运行了,接下来进行调整,首先是兼容性的调整,使软件起码可以正确运行,这一段网上有教程,可能大多数人都见过

先打开文件位置,找到这个可执行文件



选中然后右键之后选择“属性",打开兼容性选项


将它改为下图样式


之后便是确定,再对刚才选中的EXE可执行文件进行重命名


网上说重命名成任意样式都可以,但我习惯这么做,其他的也没试,各位自行决断,重命名之后直接运行EXE,这就可以打开了



但这样还不行,无法编译,(笔者在多台电脑上实验过代码正确也无法编译,这个问题曾经困扰笔者很久,如果您没有遇到这个无法编译的问题,那自然是最好了!)


下面就是我自己查了很多资料,找到的解决办法

我们要知道,这个CL.exe才是这个编译器真正编译的部分,我们找到这个CL.EXE直接运行试试看(文件目录:D:\vc++6.0\Microsoft Visual Studio\VC98\Bin,这是我的安装目录下的CL.exe的位置,请自行寻找自己的cl.exe,前面不一样,后面是一样,在你的安装目录下的这个文件路径里)


会发现无法运行,提示缺少文件(

动态链接库英文为DLL,是Dynamic Link Library 的缩写形式,DLL是一个包含可由多个 程序同时使用的 代码和数据的库,DLL不是 可执行文件

在这里有两个方法解决,一是上网下载这个DLL文件,另一个可以在vc++的安装目录里找到这个文件,这里我使用的是第二种



复制这个文件,然后返回刚才CL.exe所在的文件目录,粘贴进去


这样以后重开软件再编译一次


可以正常使用了


这就是笔者的办法了,也算是笔者一段时间辛苦的结果,不过笔者实在是实力有限,虽然找到了办法,但也是没找到背后的原理,实在惭愧,有知道原理的希望告知在下,

这个方法是确定可以使用的,笔者用这个方法帮助了好几位使用windows8.1的同学,也远程指导了一位使用windows8.1的网友,也算是多方测试了,希望可以帮助到诸位


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 4
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