log4c helloworld

log4c.c

#include <stdio.h>
#include
"log4c.h"

int main(int argc, char** argv){
int rc = 0;
char *test = "test strings";
log4c_category_t
* mycat = NULL;

if (log4c_init()){
printf(
"log4c_init() failed");
rc
= 1;
}
else{
mycat
= log4c_category_get("log4c.examples.helloworld");
log4c_category_log(mycat, LOG4C_PRIORITY_ERROR,
"hellworld");
log4c_category_log(mycat, LOG4C_PRIORITY_ERROR,
"%d", rc);
log4c_category_log(mycat, LOG4C_PRIORITY_ERROR,
"%s", test);
/* Explicitly call the log4c cleanup routine */
if ( log4c_fini()){
printf(
"log4c_fini() failed");
}
}
return 0;
}

  

建立配置文件:log4crc

<? xml version = " 1.0 " encoding = " ISO-8859-1 " ?>
<! DOCTYPE log4c SYSTEM "" >
< log4c version = " 1.2.1 " >

< config >
< bufsize > 0 </ bufsize >
< debug level = " 2 " />
< nocleanup > 0 </ nocleanup >
< reread > 1 </ reread >
</ config >

< category name = " root " priority = " notice " />

< appender name = " stdout " type = " stream " layout = " basic " />

< layout name = " basic " type = " basic " />

< category name = " log4c.examples.helloworld " priority = " debug " appender = " stdout " />

</ log4c >

appender 为指定输出位置 

例如:appender="./log4c.c"

编译:

gcc - g - Wall - O0 log4c.c - o log4c - llog4c

指定路径编译:

gcc -g -Wall -O0 log4c.c -o log4c -L/usr/local/log4c/lib/ -I/usr/local/log4c/include /usr/local/log4c/lib/liblog4c.so

如果用--prefix=/usr/local/log4c 指定了路径 则需要在.profile中添加

LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/log4c/lib 

export LD_LIBRARY_PATH 

输出:

[stdout] ERROR log4c.examples.helloworld - hellworld
[stdout] ERROR log4c.examples.helloworld
- 0
[stdout] ERROR log4c.examples.helloworld
- test strings

原文地址:http://hi.baidu.com/lin_yingx/blog/item/8c4af2f96a1939999f514651.html

log4c下载地址:http://log4c.sourceforge.net/

下载地址:http://prdownloads.sourceforge.net/log4c/log4c-1.2.1.tar.gz

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