墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
950平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
找到用户文件夹里面的 .gdbinit 文件 然后修改成你想要启动的插件
#source ~/peda/peda.py
#source /home/hu/文档/over/pwndbg/gdbinit.py
#source /home/hu/.gdbinit-gef.py
source ~/pwndbg/gdbinit.py
#source ~/peda/peda.py
#source ~/peda/peda.py
#source ~/peda/peda.py
但如果想要更方便一点，用一个脚本管理插件
根据下面博客的步骤一步一步执行即可
https://blog.youkuaiyun.com/aptx4869_li/article/details/81566541
VSCode+gdb c/c++本地/远程调试
必要的前提环境 vscode安装C/C++插件 开发机安装gdb 远程调试则远程运行机需要gdbserver 代码编译增加 -g 选项，建议采用-O0的优化等级 注意事项： 对于使用setcap提升权限的app，直接调试是没有权限的。 可以给/usr/bin/gdbserver提升权限后，来进行本地调试。（不建议使用root运行vscode来调试，会导致代码文件变更为root权限） 给gdb提升权限，仅在单独使用gdb调试时才有效，使用vscode调试仍旧没用 调试配置 在根目录下的【.vscode
【1000个GDB技巧之】GDB如何配置启动自动执行脚本以及.gdbinit的3种工程用法？（~/.gdbinit、source、define、end、set）
比如一些配置：以及一些常用的需要加载的。
【GDB】 ——.gdbinit 文件
这个文件，并把它的内容作为gdb命令进行解释，所以如果我把脚本命名为。gdb 在启动的时候通常想加入一下自己的命令，例如。gdb 在启动的时候，会在你的当前工作目录下查找。，这样在启动的时候就会处理一些你常用的命令。1、在/home/tyustli 下添加一个。（即你要Debug的目录）下，同样添加一个。实际使用时，会存在一个问题，比如你需要在。写代码， 因此，你想在当前目录下添加。， 默认GDB初始化时会调用这个文件。新建一个 shell 脚本。， 然后调用 GDB。
GDB使用技巧和相关插件
参考：《100个gdb小技巧》链接中的文档有许多关于GDB的使用小技巧；gdb中使用“x”命令来打印内存的值，格式为“x/nfu addr”。含义为以f格式打印从addr开始的n个长度单元为u的内存值。参数具体含义如下：a）n：输出单元的个数。b）f：是输出格式。比如x是以16进制形式输出，o是以8进制形式输出,等等。c）u：标明一个单元的长度。b是一个byte，h是两个byte（halfword），w是四个byte（word），g是八个byte（giant word）。
gdbinit-gdb 功能扩展插件
Public repo for gdbinit x86/x86_64 and ARM are supported simultaneously since version 8.0. To make ARM the default CPU set the $ARM var to 1 or use the "arm" command to switch. FEEDBACK: http://reverse.put.as - reverser@put.as You should read the header of the script for important information regarding some Mac OS X/iOS gdb bugs. Have fun, fG!
gdbSTL查看（gdbinit）
gdbSTL查看
gdb init配置文件的使用（2）
使用gdb调试大型C++程序的时候，经常遇到的场景是反复调试某个bin/out，简单修改再编译调试，因此每次进入gdb后重复执行某些操作很麻烦（如打多个断点），这时就可以用gdb命令脚本了，它能够很好的完成这些工作。 以设置多个断点为例，我写的命令脚本为 [dev@szvphicprd90255 linux_output]$ cat ~/.gdbinit #filename: .gdbinit #...
金蝶云星空API实战：从零到一，用Postman打通业务数据流
本文详细介绍了如何使用Postman调试金蝶云星空API，从创建第三方应用到实战调试技巧，帮助开发者快速打通业务数据流。文章重点讲解了API配置的关键细节、常见问题排查方法以及自动化测试方案，提升开发效率与准确性。
gdb init配置文件的使用（1）
当 GDB（即 GNU Project Debugger）启动时，它在当前用户的主目录中寻找一个名为 .gdbinit 的文件；如果该文件存在，则 GDB 就执行该文件中的所有命令。通常，该文件用于简单的配置命令，如设置所需的缺省汇编程序格式（Intel® 或 Motorola）或用于显示输入和输出数据的缺省基数（十进制或十六进制）。它还可以读取宏编码语言，从而允许实现更强大的自定义。该语言遵循如...
PEMFC电化学入门：从电流密度到Tafel公式的实战计算指南
本文详细介绍了PEMFC电化学的基础知识，从电流密度计算到Tafel公式的应用，提供了实战计算指南。通过代码示例和常见问题排查，帮助工程师快速掌握燃料电池性能优化的关键参数，如交换电流密度和活化损失计算，适用于汽车动力和分布式发电等领域。
别再让充电器‘罢工’了！聊聊Charger里VIN-DPM这个不起眼但关键的功能
本文深入探讨了充电IC中的VIN-DPM（输入电压动态电源管理）功能，揭示其如何智能调节充电策略以避免电源适配器过载。通过实际案例和实验室数据，展示了VIN-DPM在提升充电稳定性和效率中的关键作用，并提供了选型、设计和故障排查的实用指南。
GDB插件控制
GDB插件管理脚本 我们经常会用到的gdb三个插件：peda，gef，pwndbg，但是这三个插件不能同时使用，如果三个都安装了，那么每次启动只能选择其中的一个。如果要使用另一个插件，就要手动修改一个gdb的初始化文件。为了方便使用不同的插件，这里写一个脚本来控制插件的选择，使得我们能够随心所欲的使用任何一个插件。 0x0001 首先，要安装三个插件 Peda git clone...
GO与KEGG富集分析实战：从差异基因到功能注释
本文详细介绍了GO与KEGG富集分析的完整实战流程，从差异基因列表出发，通过基因ID转换、核心分析到结果可视化，系统阐述了如何将基因数据转化为生物学洞察。文章重点讲解了使用R语言clusterProfiler包进行GO和KEGG富集分析的具体步骤、参数设置及常见问题解决方案，并强调了结果解读与生物学故事构建的方法，帮助研究者深入理解差异基因的集体功能倾向。
gdb插件gef安装爬坑
0x00: gdb是linux下的调试利器，但无奈界面不太友好，所以需要一些辅助插件。 0x01：关于插件选择 之前我一直使用的是pead,之前了解到还有个插件gef,因为gef支持多构架，而且heap的分析功能简直是CTF中的神器，所以决定装一波。 0x02:遇到的问题 在按照官方文档安装之后，一直提示有些模块无法加载，是因为一些依赖库没安装好 0x03:解决 咨询了o_0xJ0k3r师傅后得...
VS2022如何兼容老项目？.NET Framework 4.0/4.5安装避坑指南
本文提供了在Visual Studio 2022中兼容和维护.NET Framework 4.0/4.5等老旧项目的完整解决方案。针对VS2022无法直接识别旧框架的核心问题，文章详细剖析了原因，并重点推荐通过官方NuGet包安全获取引用程序集的方法，给出了从下载、解压到部署至标准目录的详细步骤。同时，文章还深入探讨了项目文件格式过旧、NuGet包还原失败等进阶问题的排查与解决策略，旨在帮助开发者高效、稳定地在现代开发环境中维护历史代码库。
OpenWrt虚拟机磁盘扩容实战：从SquashFS到ext4的完整避坑指南
本文详细介绍了OpenWrt虚拟机磁盘扩容的完整流程，重点对比了SquashFS和ext4文件系统在扩容操作上的关键差异。通过五步安全迁移法和直接分区调整方案，帮助用户有效解决磁盘空间不足问题，同时提供高级技巧和故障排除指南，确保扩容过程顺利无坑。
搭建Eclipse+QEMU+GDB调试Linux Kernel环境
0.前言本文讲述搭建环境的关键环节，相应的工具及版本如下:JDK:1.6.0_45Eclipse:eclipse-cpp-kepler-SR2-linux-gtk-x86_64.tar.gzQemu:QEMU emulator version 1.5.0 (Debian 1.5.0+dfsg-3ubuntu5.3)OS:Ubuntu13.10，64bit其中，JDK 和 Eclipse 工具下载和...
【Proteus仿真】点亮小灯系列仿真——小灯闪烁/流水灯/交通灯
本文介绍了基于AT89C51单片机的LED控制案例，共包含5个实例：1）单个LED闪烁；2）共阳极流水灯；3）共阴极流水灯；4）花样流水灯；5）交通灯模拟。每个案例详细说明了电路原理图、接线方式和控制程序实现，其中重点讲解了PWM调光原理及其在LED控制中的应用。案例由简至繁，从基础I/O控制到复杂花样显示，最后实现交通灯逻辑控制，展示了单片机在LED控制中的典型应用方法。文中提供了完整的源代码，便于读者理解和实践。
eclipse远程gdb调试c++程序
没有gui页面使用gdb调试，大家都知道是很恶心的。之前看到很多远程gdb调试c++都是使用gdbserver实现的，比较麻烦，不好配置，不友好。本文分享的是不需要gdbserver的远程调试。 1、首先安装rse插件remote ssh explorer 以前在market里边直接搜remote就可以找到，现在没了，直接去下载页面了 https://download.eclipse.org/tm/downloads/drops/R-3.4-201205300905/ 下载RSE-runtime-3.4.
记录Rancher集群中coredns问题导致的服务DNS解析超时
coredns问题处理
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
pwn环境搭建_[原创]CTF_Pwn环境搭建
peda/pwngdb/gef这是常见的gdb的三个插件，配合gdb使用可以提升调试效率。安装pwndbg：git clone https://github.com/pwndbg/pwndbgcd pwndbg./setup.sh安装peda：git clone https://github.com/longld/peda.git~/pedaecho "source ~/peda/peda.py"...
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
Cortex-debug 调试器使用介绍
本文主要介绍 Cortex-debug 的使用方法和相关概念 文章目录Cortex-debug 插件配置cortex-debug 的 launch.json 配置和介绍通用的配置属性特定于 GDB Server 的配置属性JLinkOpenOCD效果展示 Cortex-debug 插件配置 Cortex-debug 使用 gdb 来完成调试；下图介绍了 gdb 调试的组成和它们之间的关系，在开始之前有必要理解清楚它们的关系 有了上图的解释，再来弄明白 Cortex-debug 的配置可能会更加容易，C
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
ArcGIS Pro二次开发实战：用C#写个GDB数据库合并工具，解放你的双手
本文详细介绍了如何使用C#和ArcGIS Pro SDK开发一个高效的GDB数据库合并工具，帮助GIS开发者自动化处理多个地理数据库的合并任务。通过核心功能实现、高级功能优化及工具封装部署的完整流程，大幅提升GIS数据处理效率。
VSCode配置LeetCode调试环境
✔️
VS code的使用指南
c/c++使用VS Code进行相关的操作
mac 10.9 java_Mac OS10.9.2下的eclipse C++&JAVA开发环境配置
需要的软件：1.eclipse J2EE和eclipse C++的kepler版本2.Xcode3.gdb1.之所以选择kepler版本是因为发现这个版本下写C++程序没有报错，我一开始用的是juno的C++版本，写一个HelloWorld程序发现using namespace std，cout和endl总是报错，但是并不影响运行和调试，但是kepler版本就没有这种情况，所以我推荐使用keple...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2885
扫一扫
