第2章 编译和链接

通常的应用程序,程序员很少会去关注编译和链接的过程,应为IDE一般都为我们做了这些工作,只需要一键或者一条指令就可以完成编译和链接的工作。通常把这种将编译和链接合并到一起的工作叫做构建
下面我们按书中章节总结一下编译和链接

2.1 被隐藏的过程

一个简单的c语言程序helloWorld.c如下:
这里写图片描述
在Linux中使用gcc编译上述源程序并运行:
这里写图片描述

事实上上述过程可以分解为四个步骤,分别是预处理(Prepressing)编译(Compolation)汇编(Assembly)链接(Linking),如下图所示:
这里写图片描述


2.2.1 预编译

预编译的一些主要工作如下:
1. 将所有的“#define”删除,并且展开所有的宏定义。
2. 处理所有的条件编译指令,比如“#if”、“#ifdef”、“#elif”、“#else”、“#endif”。
3. 处理“#include”预编译指令,将被包含的文件插入到该预编译指令的位置,这个过程是递归进行的,也就是说被包含的文件可能还包含其它文件。
4. 删除所有的注释“//”、“/**/”。
5. 添加行号和文件名标识,以便于编译时编译器产生调试用的行号信息以及用于编译时产生编译错误或警告时能够显示行号。
6. 保留所有的#pragma编译器指令,因为编译器须要使用他们。
保留经过预编译后的.i文件不包含任何宏定义,因为所有的宏已经被展开,并且包含的文件也已经被插入到.i文件中。所以当我们无法判断宏定义是否正确或头文件包含是否正确时,可以查看预编译后的文件来确定问题。

2.1.2 编译

书中对编译下的定义是这样的:把预处理完的文件进行一系列的词法分析、语法分析、语义分析及优化后生产相应的汇编代码文件。
在Linux里上述的编译过程就相当于下面的命令:
这里写图片描述
不同的语言可能对应不同的编译、汇编、链接命令。但是它们只是预编译程序、汇编器、链接器的包装而已
## 2.1.3汇编 ##
汇编是将汇编代码转换成机器可以执行的指令,每一个汇编语句几乎都对应一条机器指令。
Linux里上面的汇编过程可以调用汇编器as来完成,本人测得书中所说下面两条命令都会报错,可能与我安装的Linux或者gcc版本有关
这里写图片描述
但是下面这条是能够正确执行的,正确输出了目标文件:
这里写图片描述
## 2.1.4链接 ##
链接的命令比较复杂,这里直接贴出书中给的命令:
这里写图片描述


2.2编译

直观来看,编译就是使用编译器将高级语言翻译成机器语言的一个过程。由于本书的重点并不是将编译,所以在此仅将书中的一个描述编译过程的图列出来:
这里写图片描述


2.3链接器年龄比编译器长

这个标题其实不难理解,试想一下,最早出现的是机器语言010101,然后有了汇编,这时候其实是不需要编译的,因为编译是高级语言向汇编转化,最后生成机器语言的过程,当然最初的时候不需要编译器,但是把各个程序模块“组合”成一个可执行的程序,链接是必不可少的,所以如标题所说“链接器年龄比编译器长”。
链接做了什么呢?我总结了一下书中所讲述的内容,链接的工作就是确保“组合”成一个可执行程序的各个程序模块中的变量符号和函数符号在可执行程序中都有唯一的地址。而各个模块的程序并不是一成不变的,比如某几行C++代码的中间又加入了几条语句,那么这时候“组合”到可执行程序中时上下文中的符号地址就可能发生变化,这个过程就叫“重定位”,事实上链接要解决的就是程序地址重定位的问题

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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