Visual Studio 版本之间的 C++ 二进制兼容性(ABI)

已于 2025-05-27 09:30:40 修改
阅读量898 收藏 13
点赞数 23
文章标签： visual studio c++ ide
于 2025-05-27 09:16:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43689451/article/details/148246630
版权

官网链接:

https://learn.microsoft.com/en-us/cpp/porting/binary-compat-2015-2017?view=msvc-170

Visual Studio 版本之间的 C++ 二进制兼容性

文章
2025年1月31日
9 位贡献者

在本文中

  • 二进制兼容性的限制
  • 从 Visual Studio 2015 及更高版本升级 Microsoft Visual C++ Redistributable
  • 另请参阅

Visual Studio 2013 及更早版本中的 Microsoft C++ (MSVC) 编译器工具集不保证跨主要版本的二进制兼容性。您不能链接由这些工具集的不同版本构建的对象文件、静态库、动态库和可执行文件。ABI（应用程序二进制接口）、对象格式和运行时库是不兼容的。

我们在 Visual Studio 2015 及更高版本中更改了此行为。由这些编译器版本中的任何一个编译的运行时库和应用程序都是二进制兼容的。这反映在 C++ 工具集的主版本号上，自 Visual Studio 2015 以来，所有版本的主版本号都以 14 开头。（工具集版本：Visual Studio 2015 为 v140，2017 为 v141，2019 为 v142，2022 为 v143）。假设您有由 Visual Studio 2015 构建的第三方库。您仍然可以在由 Visual Studio 2017、2019 或 2022 构建的应用程序中使用它们。无需使用匹配的工具集重新编译。最新版本的 Microsoft Visual C++ Redistributable 包（可再发行组件包）适用于所有这些版本。

二进制兼容性的限制

v140、v141、v142 和 v143 工具集以及次要版本更新之间的二进制兼容性存在三个重要限制：

  1. 使用不同版本的 v140、v141、v142 和 v143 工具集创建的二进制文件可以组合使用。关键规则是链接器应该只处理由与其自身版本相同（或更早）的工具集构建的输入。 这适用于应用程序、导入库、静态库以及 LINK 输入文件中描述的其他文件。在某些情况下，由较新版本的工具集构建的隐式链接 DLL 的导入库可以使用较早版本的工具集进行链接——特别是如果导入库严格使用 extern "C" 进行导入/导出。以下是一些示例说明：

    • 使用 2017 工具集（v141，版本 15.0 到 15.9）编译的应用程序可以链接到使用 Visual Studio 2022 版本 17.8（v143）编译的静态库，但链接必须使用版本 17.8 或更高版本的工具集完成。
    • 使用 VS 2015、2017、2019 或 2022 构建的应用程序和库可以一起链接，但链接必须使用与用于构建传递给链接器的任何二进制文件的最新工具集一样新或更新的工具集版本来完成。例如，给定三个分别使用 VS 2015 版本 14.3、VS 2017 版本 15.9 和 VS 2019 版本 16.11 的工具集构建的二进制文件，您可以使用 16.11 或更高版本的任何工具集来链接它们。
    • 如果 DLL 是使用较新的工具集构建的，则如果所有导出都遵循 C 语言调用约定 (extern "C")，则导入库有时可以与较旧的工具集一起使用。但是，唯一官方支持的情况是使用较旧的工具集来使用较新的 Windows SDK。

  2. 您的应用程序使用的可再发行组件包具有类似的二进制兼容性限制。 当您混合使用不同受支持版本的工具集构建的二进制文件时，可再发行组件包的版本必须至少与任何应用程序组件使用的最新工具集一样新。

  3. 使用 /GL (整个程序优化) 编译器开关编译或使用 /LTCG (链接时代码生成) 链接的静态库或对象文件在版本之间（包括次要版本更新）不具备二进制兼容性。 所有使用 /GL 和 /LTCG 编译的对象文件和库都必须为编译和最终链接使用完全相同的工具集。例如，在 Visual Studio 2019 版本 16.7 工具集中使用 /GL 构建的代码不能链接到在 Visual Studio 2019 版本 16.8 工具集中使用 /GL 构建的代码。编译器会发出致命错误 C1047。

从 Visual Studio 2015 及更高版本升级 Microsoft Visual C++ Redistributable

对于 Visual Studio 2015、2017、2019 和 2022，我们保持了 Microsoft Visual C++ Redistributable 主版本号相同。这意味着一次只能安装一个可再发行组件包的实例。较新版本会覆盖任何已安装的旧版本。例如，一个应用程序可能安装了来自 Visual Studio 2015 的可再发行组件包。然后，另一个应用程序安装了来自 Visual Studio 2022 的可再发行组件包。2022 版本会覆盖旧版本，但由于它们是二进制兼容的，因此较早的应用程序仍然可以正常工作。我们确保最新版本的可再发行组件包具有所有最新的功能、安全更新和错误修复。因此，我们始终建议您升级到最新的可用版本。

同样，当已安装较新版本时，您无法安装较旧的可再发行组件包。如果您尝试这样做，安装程序会报告错误。如果您在已安装 2022 版本可再发行组件包的计算机上安装 2017 或 2019 版本，您会看到类似这样的错误：

输出

0x80070666 - 本产品的另一个版本已安装。无法继续安装此版本。要配置或删除本产品的现有版本，请使用控制面板上的“添加/删除程序”。

此错误是设计使然。我们建议您保持安装最新版本。请确保您的安装程序可以静默地从此错误中恢复。

重要

最新版本的 Visual C++ Redistributable for Visual Studio不再提供对 Windows XP 的运行时库支持。最后一个支持 Windows XP 的可再发行组件包是版本 16.7（文件版本 14.27.29114.0）。如果您的 Windows XP 应用程序部署了或更新到更高版本的可再发行组件包，这些应用程序将无法运行。有关更多信息以及如何获取支持 Windows XP 的可再发行组件包版本，请参阅配置 Windows XP 程序。

另请参阅

  • Visual C++ 更改历史记录
  • 最新支持的 Visual C++ 可再发行组件包下载
  • 如何审查 Visual C++ 运行时版本的使用情况
  • 生命周期常见问题解答 - Visual C++ Redistributable 和运行时库

微软将 Visual Studio 2015、2017、2019 和 2022 的 C++ 运行时库打包到同一个Microsoft Visual C++ Redistributable包中（例如，Microsoft Visual C++ 2015-2022 Redistributable），这本身就强烈地表明了这些版本之间的二进制兼容性意图和实现。

这种做法的含义和印证：

  1. 共享的运行时 DLLs：

    • 这个统一的可再发行组件包安装的运行时 DLL（如 msvcp140.dll, vcruntime140.dll, ucrtbase.dll 等）被设计为能够服务于由 VS2015 到 VS2022 任何一个版本编译的应用程序。
    • 文件名中的 140 (如 msvcp140.dll) 是一个关键。尽管 Visual Studio 的工具集版本从 v140 (VS2015) 演进到 v141 (VS2017)、v142 (VS2019) 和 v143 (VS2022)，但核心的 C++ 运行时 DLL 的主版本号（通常体现在文件名上）保持了 140 这个基线。这表示它们在接口和行为上是向后兼容的。

  2. 一次安装，服务多个版本：

    • 用户只需要安装最新版本的 Microsoft Visual C++ 2015-2022 Redistributable，理论上就可以运行所有使用这些 VS 版本（并动态链接运行时）编译的程序。
    • 如果系统中已经安装了较旧版本的（比如 2015-2019 的），安装最新的 2015-2022 版本会将其覆盖（升级），并且由于二进制兼容性，之前依赖旧版本的程序仍然可以正常工作。

  3. 简化部署：

    • 对于开发者和用户来说，这大大简化了依赖管理和部署。不需要为每个 VS 版本追踪和安装完全独立的运行时包。

  4. ABI 稳定性的体现：

    • 如果这些版本的 ABI 不兼容，那么一个统一的运行时包是无法正常工作的。例如，如果 std::string 在 VS2015 和 VS2022 中的二进制布局完全不同，那么一个共享的 msvcp140.dll 内部处理 std::string 的代码就会对其中一个版本产生错误。
    • 统一的运行时意味着传递像 std::vector、std::string 这样的标准库对象，或者进行异常处理、内存分配等操作，都可以通过这套共享的、兼容的运行时机制来完成。
Coursera-吴恩达-深度学习-第四门课-卷积神经网络 -week3-测验
qq1376725255的专栏
02-24 303
本文章内容： Coursera吴恩达深度学习课程， 第四课： 卷积神经网络（Convolutional Neural Networks） 第三周：目标检测（Object detection） 测验，题目及答案截图。       X和Y一对。 1/（4+6-1）。 还有其他五个固定标签。20+5=25         ...
吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第三周作业 - 车辆识别YOLO.zip
01-30
YOLO,吴恩达课后编程作业,Course 4 - 卷积，训练model_data/yolov2.h5的项目，直接下载，查看我发的另一篇博客关于这个资源的使用
吴恩达深度学习第四课——卷积神经网络（第三周）
weixin_44204324的博客
08-10 1078
3.1目标定位（Object localization） 1、什么是目标定位 图片分类任务我们已经熟悉了，就是算法遍历图片，判断其中的对象是不是汽车，这就是图片分类。这节课我们要学习构建神经网络的另一个问题，即定位分类问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框把汽车圈起来，这就是定位分类问题。其中“定位”的意思是判断汽车在图片中的具体位置。 图片分类问题如上图所示，例如，输入一张图片到多层卷积神经网络。这就是卷积神经网络，它会输出一个特征向量，
吴恩达深度学习 Deeplearning.ai学习笔记 Course4 Week3 目标检测（Object detection）
Raymond编程路
01-20 560
Object detection3.1 对象定位（Object localization）3.2 特征点检测（Landmark detection）3.3 目标检测（Object detection）滑动窗口目标检测3.4 卷积的滑动窗口实现(Convolutional implementation of sliding windows)将全连接层转化为卷积层卷积实现滑动检测3.5 Boundin...
吴恩达-deep learning 01.神经网络与深度学习Week3
Paul_Huang的专栏
08-19 416
Week3：浅层神经网络(Shallow neural networks) 3.1 神经网络概述（Neural Network Overview） 本节先从整体结构上来看一下神经网络模型。 逻辑回归梯度下降算法——正向传播和反向传播两个过程 假设某个样本有两个特征x1,x2x_1,x_2x1​,x2​，如下图所示： 正向传播(黑线)： z=wTx+by^=a=σ(z)L(a,y)=−(ylog(a)+(1−y)log(1−a))\begin{array}{l}z=w^Tx+b\\ \hat y=a=\
NG-DeepLearning-CNN第三周“目标检测”
MissShihong的博客
08-29 391
这一周的内容重点较多，相对不易理解，更是包含了著名的YOLO算法。因此拿出来做个总结。 笔记参照这位大哥 https://github.com/AlbertHG/Coursera-Deep-Learning-deeplearning.ai/tree/master/04-Convolutional%20Neural%20Networks/week3 1. 问题描述： 目标定位（Object loc...
卷积神经网络第三周作业 Autonomous driving application - Car detection - v1
Steve Wang's blog
12-26 1497
来自吴恩达深度学习系列视频，卷积神经网络第三周作业Autonomous driving application - Car detection - v1，如果英文对你来说有困难，请参照【中文】【吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第三周作业，参照对代码的解释并不完全正确，请注意这点。 作业最后一部分包含预训练参数的yoloh5文件是博主自己生成的，方法见：yolo.h...
【DL by Ng】Deeplearning.ai 深度学习工程师课程 -- By Andrew Ng 吴恩达
北境の守望者
10-03 1907
三个版本 deeplearning.ai 付费版本, 带练习. Coursera 版本 网易云课堂翻译版本, 没有练习. 但是网速快, 可以下载观看. 我选择的是 网易云课堂的版本. 先快速粗略地过一下基础知识和整体框架, 在工作中遇到相应的问题再去深入. Ref 吴恩达deeplearning.ai学完总结 : 很用心了. 给我的学习计划和体例安排带来很大的启发. ...
吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用）
03-24
吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用） 1.PyCharm上运行的PyTorch项目 2.基础的卷积神经网络搭建 3.加入了gpu加速所需的代码 4.含数据集+cnn_utils.py【对原版本做了简化】 5.含训练、...
吴恩达机器学习作业-Notes-ML-AndrewNg-master.zip
01-03
吴恩达的课程涵盖了从基础的监督学习（如线性回归和逻辑回归）到复杂的无监督学习（如神经网络和深度学习）的各种主题。 课程中的"Notes-ML-AndrewNg-master"目录可能包含以下内容： 1. **课程笔记**：这些笔记...
【深度学习-吴恩达】L1-3 浅层神经网络 作业
07-29
在这个"【深度学习-吴恩达】L1-3 浅层神经网络 作业"中，我们将关注三个核心概念：神经网络的基础、前向传播以及反向传播算法。 首先，神经网络是一种模仿人脑神经元结构的计算模型，由大量的节点（称为神经元）和...
coursera 吴恩达 -- 第四课 卷积神经网络 ：第一周 Convolution model - Application - v1 数据集（全）
08-23
本资料包“Coursera 吴恩达 -- 第四课 卷积神经网络：第一周 Convolution model - Application - v1 数据集（全）”包含了一个完整的训练数据集和测试数据集，为学习者提供了实践CNN模型的理想环境。数据集通常用于...
翻译：YOLOv5 新版本——改进与评估
AI架构师易筋
08-23 8894
2020年 6 月 25 日，第一个正式版 YOLOv5由 Ultralytics 发布。在这篇文章中，我们将讨论第一个YOLOv5版本中部署的新技术，并分析新模型的初步性能结果。 6/25 - YOLOv5 的初始版本显示了最先进的对象检测的前景（引用 YOLOv5 存储库） 在图表中，目标是生成一个相对于其推理时间（X 轴）非常高效（Y 轴）的对象检测器模型。初步结果表明，相对于其他最先进的技术，YOLOv5 在这方面做得非常好。 总之，YOLOv5 的大部分性能改进来自 PyTorch 训练过程，而
图灵奖得主大全
AI架构师易筋
08-07 3768
图灵奖（英语：ACM A.M. Turing Award），又译杜林奖、A.M.图灵奖[2]，是计算机协会（ACM）于1966年设立的奖项，专门奖励对计算机事业作出重要贡献的个人。其名称取自世界计算机科学的先驱、英国科学家、曼彻斯特大学教授艾伦·图灵（A.M. Turing），这个奖设立目的之一是纪念这位现代计算机科学的奠基者。获奖者必须是在计算机领域具有持久而重大的先进性的技术贡献。大多数获奖者是计算机科学家。图灵奖是计算机界最负盛名的奖项，有“计算机界诺贝尔奖”之称。 图灵奖对获奖者的要求极高，评奖程序
深度学习经典论文翻译合集Deep Learning Papers Translation(CV)
AI架构师易筋
08-15 3583
1. 图像分类Image Classification 1.1 AlexNet ImageNet Classification with Deep Convolutional Neural Networks 中文版 中英文对照 1.2.VGG Very Deep Convolutional Networks for Large-Scale Image Recognition 中文版 中英文对照 1.3 ResNet Deep Residual Learning for Image Recognition 中
Jupyter Notebook从入门到精通
AI架构师易筋
09-05 3302
下载 本课程练习完整代码 Jupyter Notebook： https://gist.github.com/zgpeace/8d3eb8c803a54d1ca797fa26cb68bd4c 财富500强 csv下载 https://github.com/zgpeace/fortune500.git 1. 什么是 Jupyter 笔记本？ Jupyter Notebook 是一个非常强大的工具，用于交互式开发和展示数据科学项目。本文将带您了解如何将 Jupyter Notebooks 用于数据科学项目
AI新生 人类最后一个大问题 破解人机共存密码 Human Compatible Stuart Russell
AI架构师易筋
07-31 1332
英文书名《Human Compatible: AI and the Problem of Control》 作者简介 斯图尔特·乔纳森·罗素 OBE（生于 1962 年）是一位英国计算机科学家，以其对人工智能的贡献而闻名。[5] [3]他是加州大学伯克利分校的计算机科学教授和加州大学旧金山分校的神经外科兼职教授。[2] [6]他是加州大学伯克利分校的 Smith-Zadeh 工程系主任。[7]他在加州大学伯克利分校创立并领导了人类兼容人工智能中心(CHAI)。[8]罗素是人工智能领域最受欢迎的教科书：人
价值连城 图灵奖得主杰弗里·欣顿(Geoffrey·Hinton)的采访 给AI从业者的建议
AI架构师易筋
07-07 1244
作为deeplearning.ai带来的这门课程的一部分 我希望不仅仅是教大家深度学习上的技术思路，还能给大家 介绍一些对深度学习发展做出贡献的的英雄们 他们开创出了 许多你们会在这门课程或在这个系列中学习的想法 在这些视频中,我希望可以请求这些深度学习的领袖们 提供关于如何进入深度学习领域的职业建议 提供关于如何可以从事深度学习的研究或者找到一份深度学习的工作的建议 作为本次采访系列的第一部分 我非常高兴向大家展示我们对杰弗里·欣顿(Geoffrey·Hinton)的采访 欢迎...
翻译：YOLOv3版本3 YOLO：实时物体检测 CNN卷积神经网络
AI架构师易筋
08-19 1239
You only look once (YOLO) 是最先进的实时对象检测系统。在 Pascal Titan X 上，它以 30 FPS 的速度处理图像，并且在 COCO test-dev 上的 mAP 为 57.9%。 视频链接：http://www.youtube.com/watch?v=MPU2HistivI 1. 与其他探测器的比较 YOLOv3 非常快速和准确。在以 0.5 IOU 测量的 mAP 中，YOLOv3 与 Focal Loss 相当，但快了大约 4 倍。此外，只需更改模型的大
吴恩达深度学习课件：卷积神经网络精讲与实例探究
本知识点围绕着“吴恩达卷积神经网络课件与笔记”这一主题，对吴恩达教授的深度学习课程中关于卷积神经网络（Convolutional Neural Networks, CNNs）的内容进行深入探讨。 ### 卷积神经网络的基础概念 卷积神经...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

七贤岭↻双花红棍↺

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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