VSCode调试C++不再难(launch.json配置全解析,新手必看)

Vscode配置gdb调试C++程序全攻略(含launch.json和tasks.json详解) 本文详细介绍了如何在VSCode中配置GDB调试C++程序,包括launch.json和tasks.json文件的深度解析与实战技巧。从环境准备到多目标调试配置,再到性能优化与问题排查,帮助开发者提升调试效率,实现无缝的C++开发体验。 阅读详情

第一章:VSCode调试C++的核心机制解析

Visual Studio Code(简称 VSCode)作为轻量级但功能强大的代码编辑器,其调试 C++ 程序的能力依赖于底层工具链与配置文件的协同工作。调试过程本质上是通过集成 GDB 或 LLDB 调试器,结合 `launch.json` 和 `tasks.json` 配置文件,实现断点设置、变量监视和单步执行等操作。

调试器的工作流程

  • 编译器生成带有调试信息的可执行文件(如使用 -g 参数)
  • VSCode 读取 launch.json 中的启动配置,启动对应的调试会话
  • 调试适配器(如 C/C++ Extension)调用 GDB/LLDB 控制程序执行

关键配置文件示例

{
  "version": "0.2.0",
  "configurations": [
    {
      "name": "g++ - Build and debug active file",
      "type": "cppdbg",
      "request": "launch",
      "program": "${workspaceFolder}/${fileBasenameNoExtension}.out",
      "args": [],
      "stopAtEntry": false,
      "cwd": "${workspaceFolder}",
      "environment": [],
      "externalConsole": false,
      "MIMode": "gdb",
      "miDebuggerPath": "/usr/bin/gdb",
      "setupCommands": [
        {
          "description": "Enable pretty printing",
          "text": "-enable-pretty-printing",
          "ignoreFailures": true
        }
      ],
      "preLaunchTask": "build"
    }
  ]
}

上述配置中,program 指定待调试的可执行文件路径,preLaunchTask 触发编译任务,确保代码最新。

编译与调试的协作关系

步骤工具作用
代码编译g++/clang++生成含调试符号的二进制文件
任务执行tasks.json定义构建命令,如 g++ -g main.cpp -o main.out
调试控制launch.json + GDB加载程序、设置断点、控制执行流
graph TD A[编写C++代码] --> B[通过tasks.json调用g++ -g编译] B --> C[生成带调试信息的可执行文件] C --> D[launch.json启动cppdbg调试会话] D --> E[调用GDB控制程序运行] E --> F[在VSCode界面展示变量、调用栈等]

第二章:launch.json基础结构详解

2.1 launch.json的作用与调试流程原理

调试配置的核心文件
launch.json 是 VS Code 中用于定义调试会话配置的 JSON 文件。它指定了程序启动方式、环境变量、参数传递及调试器行为,是实现精准断点调试的基础。
调试流程执行机制
当启动调试时,VS Code 读取 launch.json 配置并激活对应调试器(如 Node.js、Python 等),通过调试协议(DAP)建立通信通道,控制目标进程的执行流。
{
  "version": "0.2.0",
  "configurations": [
    {
      "name": "Launch App",
      "type": "node",
      "request": "launch",
      "program": "${workspaceFolder}/app.js",
      "console": "integratedTerminal"
    }
  ]
}
上述配置中,program 指定入口文件,console 控制输出终端。VS Code 依据此配置启动 Node.js 进程,并注入调试适配器,实现断点监听与变量查看。

2.2 必备字段解析:name、type、request、program

在构建标准化服务描述时,四个核心字段构成了其基础骨架。这些字段确保了服务可被正确识别、调用与执行。
字段作用详解
  • name:服务的唯一标识符,用于注册与发现;
  • type:定义服务类别,如 HTTP、gRPC,决定通信协议;
  • request:描述输入参数结构,支持 JSON Schema 校验;
  • program:指向实际执行逻辑的入口,通常为脚本路径或类方法。
典型配置示例
{
  "name": "user.create",
  "type": "http",
  "request": { "required": ["username", "email"] },
  "program": "/opt/services/user_create.py"
}
上述配置表示一个名为 user.create 的 HTTP 服务,接收包含 username 和 email 的请求,并由指定 Python 脚本处理逻辑。各字段协同工作,实现服务声明与运行时的解耦。

2.3 实践配置一个最简调试任务

创建基础调试配置
在 VS Code 中配置一个最简调试任务,首先需创建 .vscode/launch.json 文件。以下是最小化配置示例:
{
  "version": "0.2.0",
  "configurations": [
    {
      "name": "Launch Program",
      "type": "node",
      "request": "launch",
      "program": "${workspaceFolder}/index.js"
    }
  ]
}
该配置指定了调试器启动 Node.js 程序的入口文件。其中,program 字段指向主执行脚本,${workspaceFolder} 表示项目根目录。
启动与验证
  • 确保目标文件 index.js 存在且可执行;
  • F5 启动调试,断点将生效于指定代码行;
  • 控制台输出调试进程状态信息。

2.4 常见错误与配置校验技巧

在实际部署过程中,配置文件的细微疏漏常导致服务启动失败或运行异常。最常见的问题包括端口冲突、路径未绝对化以及环境变量缺失。
典型配置错误示例
  • 端口占用:多个服务绑定同一端口,引发“address already in use”错误;
  • 路径错误:日志或数据目录使用相对路径,导致容器内路径解析失败;
  • 类型不匹配:布尔值写成字符串(如 "true" 而非 true),引发解析异常。
推荐的校验方法
使用预检脚本验证配置完整性:
#!/bin/bash
if ! command -v yamllint > /dev/null; then
  echo "yamllint 未安装,建议用于 YAML 格式校验"
fi
yamllint config.yaml
该脚本检测配置文件语法,并提示潜在结构问题。配合 CI 流程可提前拦截90%以上低级错误。

2.5 多平台路径与环境适配策略

在构建跨平台应用时,路径处理和环境差异是关键挑战。不同操作系统使用不同的路径分隔符和目录结构,需通过抽象层统一管理。
路径适配实现
Go语言提供path/filepath包自动识别系统分隔符:
import "path/filepath"

configPath := filepath.Join("configs", "app.conf")
// Linux: configs/app.conf, Windows: configs\app.conf
该方法根据运行时OS自动切换分隔符,提升可移植性。
环境变量策略
使用统一配置加载机制应对多环境差异:
  • 开发环境:加载.env.development
  • 生产环境:读取系统级环境变量
  • 测试环境:注入模拟配置
通过组合路径抽象与动态配置,实现无缝多平台部署。

第三章:核心调试参数深入剖析

3.1 program与args:精准控制程序入口与参数

入口程序的动态绑定
在容器化与 CLI 工具链中,`program` 决定实际执行的二进制路径,而 `args` 控制其运行时行为。二者协同实现“同一镜像、多用途”部署范式。
典型配置示例
{
  "program": "/bin/sh",
  "args": ["-c", "exec \"$1\" \"$@\"", "_", "nginx", "-g", "daemon off;"]
}
该配置绕过默认 shell wrapper,将 `nginx` 作为 PID 1 直接启动,并传递完整参数列表;`"_"` 占位符用于对齐 `$0`(脚本名)与 `$1`(目标程序)。
args 参数安全边界
参数类型是否支持展开典型风险
字面量数组否无注入风险
Shell 字符串是命令注入、参数截断

3.2 cwd与environment:运行时上下文配置实战

在构建可复现的运行环境时,正确配置当前工作目录(cwd)和环境变量是关键步骤。它们共同决定了程序的执行上下文,直接影响文件路径解析和外部依赖行为。
设置 cwd 控制执行路径
通过指定 cwd,可确保脚本在预期目录下运行,避免路径错误:

const { spawn } = require('child_process');
spawn('node', ['app.js'], {
  cwd: '/project/staging',
  stdio: 'inherit'
});
其中 cwd: '/project/staging' 明确设定进程启动目录,使相对路径引用一致可靠。
环境变量注入实践
使用 environment 配置传递运行时参数:
变量名用途
NODE_ENV控制日志级别与调试模式
API_KEY认证第三方服务调用
结合 cwd 与 environment,能精准构造隔离、可测试的执行环境,提升部署稳定性。

3.3 stopAtEntry与console:调试起点与终端行为管理

控制调试起始点:stopAtEntry
在调试配置中,stopAtEntry 是一个布尔值选项,用于决定程序启动后是否立即暂停在入口处。启用该选项可帮助开发者检查初始化逻辑。
{
  "type": "node",
  "request": "launch",
  "name": "Launch with stop",
  "program": "app.js",
  "stopAtEntry": true
}
当 stopAtEntry 设置为 true,调试器将在执行第一行代码前暂停,等同于在入口处自动设置断点。
终端输出行为管理:console
console 配置项控制调试时的控制台行为,支持 internalConsole、integratedTerminal 和 externalTerminal 三种模式。
  • internalConsole:使用VS Code内置调试控制台,适合简单输出
  • integratedTerminal:在集成终端中运行,支持交互式输入
  • externalTerminal:启动外部终端窗口,便于隔离运行环境

第四章:进阶调试场景配置实战

4.1 调试带参数的C++程序:从命令行到GUI模拟

在开发C++程序时,常需通过命令行传递参数进行调试。最直接的方式是在终端中运行可执行文件并附加参数:
// 示例程序:接收命令行参数并输出
#include <iostream>
int main(int argc, char* argv[]) {
    for (int i = 0; i < argc; ++i) {
        std::cout << "argv[" << i << "] = " << argv[i] << std::endl;
    }
    return 0;
}
编译后执行:./program arg1 arg2,即可看到所有参数被逐个打印。
集成开发环境中的参数模拟
现代IDE(如Visual Studio、CLion)支持在调试配置中预设命令行参数,无需每次手动输入。该机制通过模拟argc和argv实现,使开发者可在图形界面中便捷地管理测试用例。
跨平台调试建议
  • 统一参数格式,避免路径分隔符差异
  • 使用环境变量辅助参数解析
  • 在CI流程中加入带参执行测试

4.2 远程调试配置:WSL与Linux服务器连接实践

配置SSH免密登录
为实现高效远程调试,首先需配置WSL与Linux服务器间的SSH免密通信。在WSL中生成密钥对并上传公钥至目标服务器:

ssh-keygen -t ed25519 -C "wsl-debug"
ssh-copy-id user@server_ip
上述命令生成基于Ed25519算法的密钥,安全性高且性能优;ssh-copy-id 自动将公钥追加至服务器的 ~/.ssh/authorized_keys,避免手动复制错误。
VS Code远程开发连接
使用VS Code的Remote-SSH插件可直连服务器进行调试。配置示例如下:
参数说明
Host自定义连接别名
HostName服务器IP地址
User登录用户名
连接后,VS Code在服务器端自动部署运行时环境,实现文件系统同步与断点调试。

4.3 多文件与多目标项目的调试策略

在大型项目中,代码通常分散于多个源文件,并构建为多个可执行目标。这种结构提升了模块化程度,但也增加了调试复杂性。
统一调试符号管理
确保所有编译单元均启用调试信息(如 GCC 的 -g 选项):
gcc -g -c main.c -o main.o
gcc -g -c utils.c -o utils.o
gcc main.o utils.o -o program
该流程分别编译并保留调试符号,最终链接成完整可执行文件,便于 GDB 回溯跨文件调用栈。
分目标断点控制
使用 GDB 调试多目标时,可通过条件断点区分执行路径:
break main.c:15
condition 1 target_name == "app_server"
run app_server
此方式允许在同一代码库下针对不同构建目标设置差异化中断逻辑。
  • 集中式日志标记不同模块输出
  • 使用 Makefile 统一调试标志定义
  • 结合 IDE 实现多进程调试会话隔离

4.4 结合tasks.json实现编译+调试一体化流程

在 VS Code 中,通过配置 `tasks.json` 可将编译任务与调试流程无缝衔接,提升开发效率。
任务配置基础结构
{
  "version": "2.0.0",
  "tasks": [
    {
      "label": "build-and-run",
      "type": "shell",
      "command": "gcc",
      "args": ["-g", "main.c", "-o", "main"],
      "group": "build",
      "presentation": { "echo": true }
    }
  ]
}
上述配置定义了一个名为 `build-and-run` 的构建任务,使用 `gcc` 编译 C 文件并生成带调试信息的可执行文件。`group` 设为 `build` 表示其为默认构建任务,可在快捷键中直接触发。
与 launch.json 协同工作
调试时,`launch.json` 可设置 `"preLaunchTask": "build-and-run"`,确保每次调试前自动执行编译。这种联动机制避免了手动编译的遗漏,真正实现“一键启动调试”。

第五章:常见问题排查与最佳实践总结

典型错误日志分析
在 Kubernetes 部署中,Pod 处于 Pending 状态是常见问题。可通过以下命令快速定位:

kubectl describe pod <pod-name>
若事件显示 Insufficient cpu,说明节点资源不足。解决方案包括扩容节点池或调整 Pod 的资源请求。
资源配置优化建议
避免为容器设置过高的 requests 值,否则会导致调度失败。推荐使用以下基准配置:
  • 开发环境:CPU 请求 100m,内存 128Mi
  • 生产服务:根据压测结果动态调整,通常 CPU 500m~1000m,内存 512Mi~2Gi
  • 关键服务应启用 HPA 自动扩缩容
网络策略调试技巧
当服务间调用失败时,检查 NetworkPolicy 是否误拦截流量。例如,以下策略允许来自特定命名空间的访问:

apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: allow-from-frontend
spec:
  podSelector:
    matchLabels:
      app: backend
  ingress:
  - from:
    - namespaceSelector:
        matchLabels:
          project: my-app
性能监控关键指标
建立 Prometheus 监控体系时,重点关注以下指标组合:
指标名称告警阈值适用场景
container_cpu_usage_seconds_total> 80% 持续5分钟CPU 密集型服务
go_memstats_heap_inuse_bytes> 90% 堆内存Go 应用内存泄漏排查
开发环境 之七 Visual Studio Code 中 C/C++ 调试配置详解 默认情况下,VSCode仅仅内置了对node.js运行时的调试支持,只可以直接调试JavaScript、TypeScript和任何其他翻译为JavaScript的语言。其他语言的调试支持,都是以插件的形式提供支持。为了能够调试C/C++,必须首先安装插件:ms-vscode.cpptools。直接在VSCode的插件库中安装即可。 阅读详情

相关推荐

利用pyGAM实现广义可加模型(GAM)的实战指南

本文提供了利用pyGAM库实现广义可加模型(GAM)的完整实战指南。通过乳腺癌和房价预测案例,详细讲解了从环境配置、模型构建、核心可视化(部分依赖图)到参数调优(n_splines, lam)的每一步。重点展示了GAM如何平衡模型准确性与可解释性,帮助数据科学家在Python中高效应用这一强大工具。

weixin_29053383的博客 329

如何在vscode调试c语言

点击运行和调试,选择c++(GDB/LLDB),选择g++编译器,会出现tasks.json。6 我们可以增加配置,在刚才“没有配置”的调试过程中,增加一个配置,出现了launch.json。需要用右边的三角形先编译运行一下,然后用左边的绿色三角形,点击调试。1 新建文件夹CPP,新建文件main.cpp。3 用tasks.json决定编译问题。7 修改配置launch.json。2 用vscode打开,编写代码。5 点击调试,此时是没有配置的。8进一步修改配置,然后修改代码。4 点击运行c/c++文件。

qq_37398808的博客 8862

ISP——坏点矫正(Defective Pixel Correction,DPC)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录一、出现原因二、坏点分类三、矫正方法动态矫正1.PINTO算法2.梯度法3.DPC和demosaic结合法4.行检测法 一、出现原因 1.感光元件芯片自身工艺技术瑕疵造成以及长期使用造成的瑕疵; 2.光线采集存在缺陷; 二、坏点分类 1.hot pixel: 固定保持较高的像素值,一般呈现为画面高亮的点; 2.dead pixel: 固定保持较低的像素值,一般在画面中呈现为暗点; 3.noise pixel:信号强度随光照呈现的.

qq_41939460的博客 9425

MBD_杂谈_使用VSCode调试c代码

1.环境配置1.1 VSCode安装免费的软件,可以直接在网上下载Visual Studio Code软件进行安装。安装完以后不是立马可以调试代码的。因为C语言代码是需要进行编译的,编译成可执行文件,才能运行。比如像Python脚本或者是m脚本,执行的是代码,是有自己的解释器,然后可以一行一行地执行代码,但是运行效率就会低很多。1.2 安装编译器下载x86_64-win32-seh,下载完解压到相应的路径下。解压完后放在相应的位置。把bin文件夹加到环境变量里。

ALongAuto的博客 8159

【从零开始玩量化7】easyTrader: 自动化(程序化)交易利器

前面的文章,我们介绍了数据获取工具AKShare, 量化回测工具backtrader等,这一篇,介绍程序化交易工具easyTrader。作者网名食灯鬼,目前项目在Github上的star数已经有6.7k。这可能是目前,开源能找到的,最好用的程序化交易库了。本文介绍了easyTrader的简单用法,这个包还有很多功能,后续再继续写文章探究。

量化投资助手的博客 1万+

CentOS7下NFS共享报错RPC问题的3种解决方案(含防火墙配置详解)

本文详细解析了CentOS7下NFS共享报错RPC问题的3种解决方案,包括防火墙配置详解。从基础连通性检查到RPC服务状态验证,再到精准开放必要端口和SELinux集成,提供全面的排查与解决指南,帮助用户快速解决'No route to host'等常见问题。

weixin_29274969的博客 455

在 VsCode 上编写和调试 C 语言程序

萌新向教程

Loyreau的博客 1万+

【STM32 Blue Pill编程】-STM32CubeIDE开发环境搭建与点亮LED

本文为使用 STM32Cube IDE 的 STM32 Blue Pill 入门教程。 在本文中,我们将介绍如何控制 STM32 Blue Pill 的 GPIO 引脚。以及开发环境搭建。 本系列文章将重点介绍采用 ARM Cortex-M 的 BluepellSTM32F103C8 微控制器以及如何使用 STM32CubeIDE 对其进行编程。 STM32CubeIDE是STM32官网提供的IDE

视觉与物联智能 1074

VSCode调试C/C++项目

VSCode调试C/C++项目

鸿神的博客 9628

Ubuntu 22.04+/WSL2 中解决 `error: externally-managed-environment` 并成功安装 PyTorch + vLLM 的完整指南

Ubuntu 22.04+/WSL2 因遵循 PEP 668 规范,系统 Python 被标记为“外部管理”,导致直接使用 pip install 安装包时报错 externally-managed-environment。解决方案是创建虚拟环境: 通过 python3 -m venv ~/vllm-env 创建隔离环境 激活环境后安装 PyTorch(CUDA 12.1)和 vLLM 避免使用 sudo pip 或 --break-system-packages,防止破坏系统依赖 关键点: 虚拟环

刘一说的IT专栏 298

基于BEV(鸟瞰图)的3D检测:PointPillars与CenterPoint

基于BEV(鸟瞰图)的3D检测:PointPillars与CenterPoint​ ,人工智能,计算机视觉,大模型,AI,本文围绕基于BEV的3D检测,解析了PointPillars与CenterPoint两种算法。PointPillars用点柱特征编码网络处理点云,通过2D卷积网络提取特征,检测头为解耦头;CenterPoint将三维物体表为点,分两阶段检测,先找中心点及属性,再细化预测。两者都可借特定骨干网生成BEV特征图且基于BEV检测,但检测头设计和物体表示方式不同。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 27万+

vscode一键配置C/C++多个C及CPP文件编译与tasks.json和launch.json原理

vscode配置环境及配置原理 搜了很多的教程,发现要么教程太老,给的配置信息里面有些参数都不能使用了,要么就是直接扔下自己的配置信息就没了,不知道咋来的,也不能拿过来直接用,让我这种小白无从下手,于是就摸索整理一下,帮助一下像我这样小白刚入手的小伙伴们。 原理 我觉得最重要的就是我们要明白各个配置文件是干嘛的,它是怎么被vscode使用的,明白这一点,那么自己就可以比较清晰参数该怎么改,应该改哪些参数,而不是拿着别人的配置文件,无从下手。配置文件基本的原理(只是原理,不是咋配置的): vscode使用的最

taynpg的博客 4万+

华为ensp、思科eve、华为ensp pro中通过cloud桥接本地网络和联通互联网的方法

华为ensp、思科eve中通过cloud桥接本地网络和联通互联网的方法

suofen9703的博客 427

vscode的c_cpp_properties.json、launch.json、settings.json、tasks.json基本讲解

这些配置文件为 VSCode 提供了强大的灵活性,能够帮助你更好地管理 C/C++ 项目的编译、调试、编辑和构建任务。了解这些文件的作用和配置方法,可以大大提高开发效率。具体来说:c_cpp_properties.json 让你配置编译器和 IntelliSense 环境;launch.json 让你设置调试配置;settings.json 让你调整编辑器行为;tasks.json 让你自动化构建和任务执行。

weixin_52734695的博客 3499

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

VSCode的launch.json配置文件在C++项目调试中的全面应用

<摘要> 本文深入解析VSCode中launch.json配置文件在C++项目调试中的高级应用。重点分析了两个核心配置的设计理念:"Debug C++ Application"提供完整的调试环境,包含符号信息、断点设置和异常捕获;"Run C++ Application"则专注于性能测试和发布验证。文章从调试架构、配置字段、设计哲学到实际案例,系统阐述了专业级调试环境的构建方法,包括分层调试策略、环境无关性设计、安全性考量等核心思想。通过配置继承、条件表达

weixin_42108533的博客 1045

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

launch.json配置总出错?10分钟掌握VSCode调试C++的核心秘诀,新手必看

轻松解决VSCode C++ 调试 launch.json 配置难题,10分钟掌握正确写法。涵盖常见错误、路径设置与调试器配置,适用于Windows/Linux环境,让新手也能顺利断点调试,值得收藏。

CompiLume的博客 769

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【高级开发者私藏】:VSCode下C++多文件项目调试launch.json配置全曝光

掌握VSCode C++ 调试 launch.json 配置技巧,轻松实现多文件项目高效调试。涵盖路径设置、编译器配置与调试参数优化,适用于复杂C++工程开发,提升调试效率,值得收藏。

LiteTrans的博客 735

VSCODE C++调试环境配置

linux下 vscode c++ 调试环境配置

qq99957880的博客 2418

如何正确配置VSCode launch.json?一文解决所有C++调试难题

轻松掌握VSCode C++调试配置,详解launch.json参数设置方法。涵盖Windows与Linux平台下的适用场景,指导你精准配置调试路径、环境变量和启动参数,解决常见调试难题。配置清晰高效,提升开发效率,值得收藏。

ProceNest的博客 1148

【VSCode C++调试终极指南】:launch.json参数详解与高效配置技巧

掌握VSCode C++调试不再难,本文深入解析launch.json参数配置方法,涵盖本地调试、远程开发与多环境适配场景,教你精准设置program、args、cwd等关键字段,提升开发效率,配置清晰可靠,值得收藏。

SimProceed的博客 1158

launch.json参数全解析,彻底掌握VSCode下C++调试核心技术

掌握VSCode C++调试核心技术,详解launch.json参数配置方法。涵盖调试环境搭建、常用字段说明及多场景应用技巧,解决断点失效、路径错误等常见问题,提升开发效率,值得收藏。

LogicNest的博客 1057

【VSCode调试C++终极指南】:从零配置launch.json到高效调试全流程揭秘

掌握VSCode调试C++的完整流程,详解launch.json配置方法,覆盖Windows与Linux环境下的调试场景。本教程系统讲解任务配置、断点调试与编译集成,助你高效定位问题,提升开发效率,vscode调试c++ launch.json配置教程值得收藏。

simcode的专栏 927

揭秘VSCode C++调试失败元凶:launch.json关键参数全解析

解决VSCode C++调试难题,深入解析launch.json关键参数配置。涵盖常见调试场景、路径设置与环境变量配置方法,精准定位程序启动问题,提升开发效率。掌握核心参数用法,告别调试失败,值得收藏。

QuickCode的博客 984

vscode 配置c/c++环境中的launch.json,tasks.json代码

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、launch.json配置二、tasks.json配置三.properties.json配置 前言 新手在vscode上搭建c/c++环境时,经常会出现设置完MinGW64环境变量,安装完一系列插件后仍然出现问题(这些教程有很多,就不一一赘述了),这是因为没有设置好launch.json和tasks.json文件,编者也是初学,在翻阅了许多前辈写的文章后,终于找到了好用的代码,下面直接放出来吧。 一、launch.jso

m0_53257504的博客 1万+

如何一步到位配置VSCode C++调试环境?launch.json深度配置教程来了

轻松掌握VSCode调试C++的正确姿势,本教程详解launch.json配置方法,覆盖Windows与Linux平台常见场景,解决断点失效、路径错误等难题。通过精准参数设置实现一键编译调试,提升开发效率,vscode调试c++ launch.json配置教程一步到位,值得收藏。

AlgoPerch的博客 1012

从零配置到精通:彻底搞懂VSCode C++的launch.json所有参数含义

掌握VSCode C++开发核心技巧,深入解析launch.json参数配置方法。涵盖调试路径、环境变量、程序入口等关键设置,适用于本地编译与远程调试场景,提升开发效率。彻底搞懂VSCode C++的 launch.json 参数,值得收藏。

PixelWander的博客 1311
上一篇: Docker日志膨胀难题破解,3分钟完成自动清理部署,避免生产事故
下一篇: 程序员必看:调整这3个参数,让你的VSCode瞬间清爽
QuickSolve
博客等级 码龄1年 137粉丝 2015原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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