指哪打哪地进行编译工作

欢迎大家访问我的个人博客

起因

最近在看 APUE,里面有很多小的例子可以用来练手。不过这就有一个问题了:APUE 有一个公用的头文件和自己封装的错误处理例程,每次编译要指定相应的目录和文件确实是很麻烦。make 确实可以解决这个问题,但是如何指定要编译的文件就是一个问题。所以,我们现在的问题是:如何让 makefile 可以指定要编译的文件。经过一方摸索之后,总算是解决了这个问题。

Solution

我的解决方法很简单,就是通过引入 shell 的环境变量。我定义了一个环境变量 CUR ,用来指定当前要编译的文件名。然后通过 makefile 里面的 shell 函数,通过 printenv CUR 在 makefile 获取当前要编译的文件名。

同时,为了方便,我想要复用这个 makefile,所以我先将这个 makefile 放在一个固定的位置,然后在我的 shell 配置文件(我用的是 zsh,所以配置文件是 .zshrc,如果你用的是 bash,那么就是 .bashrc,其他类推)使用一个函数,每次调用都使用这个 makefile 模板来编译(可以使用 make 的 -f 参数来指定 makefile)。

好了,说了这么多,我把我的 makefile 模板和 shell 相应的函数放上来跟大家一起共享,欢迎讨论。

LIB_PATH        = ~/Code/libs
SRC_PATH        = ./
INCLUDE_PATH    = $(LIB_PATH)

LIB             = $(wildcard $(LIB_PATH)/*.c)
INCLUDE         = $(wildcard $(LIB_PATH)/*.h)
CUR             = $(shell printenv CUR)

DEBUG           = -g

all: $(LIB) $(INCLUDE) $(CUR)
        gcc -I $(INCLUDE_PATH) $(LIB) $(CUR) -o $(subst .c,.o,$(CUR))

debug: $(LIB) $(INCLUDE) $(CUR)
        gcc -I $(INCLUDE_PATH) $(LIB) $(CUR) $(DEBUG) -o $(subst .c,.debug,$(CUR))
go() {
        export CUR="$1"
        make -f ~/Templates/Makefile
}

de() {
        export CUR="$1"
        make -f ~/Templates/Makefile debug
}

这样,我们只需要在要编译的时候,使用 go 你要编译的文件名 就可以了直接编译了,使用 de 你要编译的文件名 就可以编译可以用 gdb 调试的文件了。有种指哪打哪的快感!

欢迎大家关注我的微信公众号:

简静慢

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