【Linux】Linux编译器-gcc g++使用_linux g+

image-20221023082100061

  • 条件编译的生效(宏的命令行定义)

image-20221023083349434

可以向编译器传参来保证宏在命令行中定义

2.编译

在这个阶段中,gcc 首先要检查代码的规范性、是否有语法错误等,以确定代码的实际要做的工作,在检查无误后,gcc 把代码翻译成汇编语言
用户可以使用“-S”选项来进行查看,该选项只进行编译而不进行汇编,生成汇编代码

把C转换成汇编

gcc -S test.i -o test.s

S:从现在开始,进行程序的翻译,做完编译工作,变成汇编之后,就停下来

用vim打开test.s我们就可以看到汇编代码了:

image-20221023100320306

3.汇编

把汇编变成二进制(不是可执行,二进制目标文件)

gcc -c test.s -o test.o

c:从现在开始,进程程序的翻译,做完汇编工作,变成可重定向目标二进制,就停下来

然后我们用vim打开test.o,但是我们根本看不懂:

image-20221023100907129

在输入指令od test.o:

image-20221023101015364

注意:前面三个只在翻译代码

其实这三步也就相当于键盘的左上角ESc😄

而生成的iso(就是镜像),方便记忆。

4.链接

链接的过程就是把写的代码和C标准库中的代码合起来

gcc test.o

链接的过程,形成了可执行程序(可以指定可执行程序的名称)

可执行的二进制程序

image-20221023103306302


二、函数库

我们要清楚我们写的代码和库是两码事

C标准库是别人已经给我们准备好的,直接使用,我们所有使用库中函数的代码(比如printf)其中我们自己只写了该函数的调用,没有对应的实现,只有当链接的时候,对应的实现,才和我们的代码关联起来

链接的本质:无非就是我们调用库函数的时候和标准库是如何关联的问题

我们的C程序中,并没有定义“printf”的函数实现,且在预编译中包含的“stdio.h”中也只有该函数的声明,而没有定义函数的实现,统把这些函数实现都被做到名为 libc.so.6 的库文件中去了,在没有特别指定时,gcc 会到系统默认的搜索路径“/usr/lib”下进行查找,也就是链接到 libc.so.6 库函数中去,这样就能实现函数“printf”了,而这也就是链接的作用

  • 验证是动态链接还是静态链接

先生成可执行程序:

gcc mytest.c -o mytest

image-20221023144129471

image-20221023144310680

此时我们查看可执行程序的动态库

image-20221023144424255

函数库一般分为静态库和动态库两种

1.动态库

动态库在编译链接时并没有把库文件的代码加入到可执行文件中,而是在程序执行时由运行时链接文件加载库,这样可以节省系统的开销。动态库一般后缀名为“.so”,如前面所述的 libc.so.6 就是动态库。gcc 在编译时默认使用动态库。完成了链接之后,gcc 就可以生成可执行文件

形成的可执行程序小(节省资源,内存,磁盘,网络)

2.静态库

静态库是指编译链接时,把库文件的代码全部加入到可执行文件中,因此生成的文件比较大,但在运行时也就不再需要库文件了。其后缀名一般为“.a

不受库升级或者被删除的影响,线程的可执行程序体积太大,网络、磁盘、内存占用过大

去掉前缀lib去掉后缀.so剩下的就是库名称

**对于上面的libc.so/6去掉后就剩下C,所以这个库是C标准库(动态库)!!!**这个库的位置:

image-20221023145458605

Linux下默认形成可执行程序,默认使用的是动态库 /lib64/libc-2.17.so静态库

  • 生成静态链接

生成可执行程序后面要加上-static

image-20221023151207629

image-20221023151247480

但是我们仔细看一下体积的差距太大了(mytest和mytest.s)

image-20221023151650797

但是到这里还有一些需要我们知道:

我们不能删掉系统中的C动态库

image-20221023152034690

这会导致指令用不了,用这个库的程序非常多,但是库只有一份,所有用C语言写的程序,不会出现重复的库代码

所以动态库又称为共享库!!!所以,以后要下载一个C写的程序,我们并不需要下载C标准库,这让我们下载效率成本低很多

静态链接拷贝的不是.so内部的代码,拷贝的是系统里必须存在.a结尾的静态库。/lib64/lib.a静态库

动态链接只能找动态库,静态链接只能找静态库(一般而言,系统会自动携带动态库,因为系统运行需要动态库。静态库如果不存在,需要自己安装!)

  • 手动安装静态库

查看libc.a是否已经安装

sudo find / -name 'libc.a'

安装:

sudo yum install -y glibc-static

三、g++的基本使用

安装g++

sudo yum install -y gcc-c++

安装C++静态库

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 1
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