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
2.8k累计阅读
2.9k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
飞腾+银河麒麟（桌面版）源码编译qt
桌面版自带交叉编译工具，所以直接编译即可。
安装步骤引用https://blog.youkuaiyun.com/zhenguo26/article/details/80021127
编译qt-creator-resource-src-4.3.0 这是ide工具界面
1.源码编译的qt-everywhere-5.6.0，所以要安装qt-creator
qt-cretaor 版本最好4.3.0往前。4.4和4.5 最低需要qmake 5.6.2
2.编译过程中报错，找不到cupid.h这个类。
解决方法：https://codereview.qt-project.org/#/c/79728/
将qt-creator/src/libs/3rdparty/botan/botan.h、qt-creator/src/libs/3rdparty/botan/botan.cpp
中按照qt给出的教程进行修改。
银河麒麟(V10SP1)-arm版交叉编译-qt-5.12.12源码
确实是编译出来了qtbase库和qtwebengine库，如果按照文章没有操作出来有两种情况(1) 读者阅读不仔细(2) 我后期记录整理时写错了。
qtCreator安装make时报错cpuid.h没有那个文件或目录
安装完qt之后，编译安装qtcreator，此时报错了。。。错误界面如下 不要慌，看到这个界面就稳了，因为这个问题已经被我成功解决。 首先去下面这个网址下载源码叫60cc910的一个文件 https://codereview.qt-project.org/c/qt-creator/qt-creator/+/79728 网站界面大概是下面这个样子 然后按照图片中标注顺序进行点击下载 然后就是等待下载了，下载完成之后解压，大概是下面这个样子 我们需要的东西就在这个src里面，也就是源码,依次进入下面
qt5.15.2 交叉编译总结
最近项目需要，qt源码需要交叉编译，以前对这块不是很熟悉，从开始的一脸懵逼到最终成功编译出qt源码库，还是有了很多收获，分享给大家，希望对大家有所帮助。
麒麟Kylin V10 桌面版源码编译安装Qt5.6.0
麒麟Kylin V10 桌面版源码编译安装Qt5.6.0 硬件环境：PHYTIUM FT-2000/4开发板 系统环境：Kylin V10 Desktop 系统 安装包下载：自己所需版本 解压 相关依赖库安装 apt-get update apt-get install flex apt-get install bison apt-get install gperf apt-get install libxcb* apt-get install build-essential..
Qt编译过程中解决找不到cpuid.h头文件错误的patch源码补丁
Qt官方的解决办法提供的patch源码补丁并不是支持所有版本的源代码， 需要参考补丁修改内容，找到我们自己使用的版本的源代码相应地方修改。 --------------------------------------------------------------------------------------------------- 使用方法： 解压文件补丁在src里面，依次进入下面的目录 /src/libs/3rdparty/botan 会看到botan.cpp和botan.h文件，替换到qtCreator下面的相同目录下，大家的可能有所不同。 /home/QtCreator/src/libs/3rdparty/botan 然后对目录中的botan.cpp、botan.h两个文件进行备份 在删除这两个原文件，直接将下载的文件拷贝到当前目录下 需要在botan.pri中的linux*|freebsd*{}中增加一句DEFINES += arm 全部执行完上述之后， make clean 然后重新make 此时就不会报错了，等make完成后； 执行make install 完成安装。
qt-creator-2.8.1-src-patch
arm平台编译 qt-creator-2.8.1出错(如下)的补丁及更正后的源码 cpuid.h: No such file or directory
麒麟安装qt5.6
cd /opt/
交叉编译环境的建立与测试
什么是交叉编译环境 GCC 交叉编译工具链 重建交叉编译器 4.3.8 测试交叉编译工具链 到此为止，已经介绍完了用分步构建的方法建立交叉编译工具链。下面通过一个简单的程序测试刚刚建立的交叉编译工具链看是否能够正常工作。写一个最简单的hello.c源文件，内容如下： #include <stdio.h> int main( ) { printf(“Hello,world!\n”); return 0; } 通过以下命令进行编译，编译后生成名为hello的可执行文件，通过file命令可以查看文件的类型。当显示以下信息时表明交叉工具链正常安装了，通过编译生成了ARM体系可执行的文件。注意，通过该交叉编译链编译的可执行文件只能在ARM体系下执行，不能在基于X86的普通PC上执行。 # arm-linux-gcc –o hello hello.c # file hello
银河麒麟V10(arm64) 源码编译Qt5.8.0
本文用于记录在国产操作系统：银河麒麟V10(arm64)上从源码编译Qt5.8.0
基于ARDUINIO的5路红外循迹小车
基于ARDUINIO的5路红外循迹小车 新手抄袭了很多大神的代码。这里表示感谢。 #define STOP 0 #define FORWARD 1 #define BACKWARD 2 #define STURNLEFT 3 #define STURNRIGHT 4 #define TURNLEFT 5 #define TURNRIGHT 6 #define TURNRIGHT90 7 #define TURNLEFT90 8 int leftA_PIN = A0; int
【3D计算机视觉】从PointNet到PointNet++理论及pytorch代码
从PointNet到PointNet++理论及代码详解1. 点云是什么1.1 三维数据的表现形式1.2 为什么使用点云1.3 点云上以往的相关工作2. PointNet2.1 基于点云的置换不变性2.1.1 由对称函数到PointNet(vanilla)2.1.2 理论证明2.2 基于点云的旋转不变性2.3 网络总体结构2.4 实验结果和网络的鲁棒性2.5 代码解析3. PointNet++3.1...
银河麒麟(Kylin) - 4.0.2 完整移植Qt 5.6.3 + QtCreator 4.2.0
最近公司项目接触到国产飞腾双屏加固便携式计算机，搭载的是银河麒麟-4.0.2操作系统，由于项目需要Qt5.6.3和QtCreator 4.2.0 在此记录一下， 以便将来再用。Qt源码内的README文档已经把编译安装步骤写得很详细，出了问题请第一时间对照文档是否有遗漏、疏忽的地方。
一种基于OpenPose和DNN的跌倒检测软件系统(中文&英文)
学习并实现一种跌倒检测模型，此模型基于OpenPose实现逐帧人体姿态检测，使用DNN识别人体动作。检测方式有在线与离线两种，本文主要测试了离线模式，测试效果较好。
银河麒麟(Kylin)源码编译安装Qt5.5.1和Qt creator
无互联网条件下安装QT，参考了龙火战狼的帖子https://blog.csdn.net/lb1885727/article/details/81363189#commentBox 和jklinux的帖子https://blog.csdn.net/jklinux/article/details/72845984 补充一下细节： arm64银河麒麟4.0.2 zlib版本，采用1.2.8 cmake版...
基于STM32的多模态智能风扇控制系统设计与实现
本文详细介绍了基于STM32单片机的多模态智能风扇控制系统的设计与实现。系统集成了红外遥控、蓝牙手机控制及人体感应等多模态交互方式，通过PWM技术实现无级调速，并设计了安全优先的控制逻辑。文章从硬件选型、核心原理、软件编程到系统调试，提供了完整的实战指南，适合嵌入式开发爱好者学习与实践。
AMG8833红外测温实战：在STM32F103上做个简易人体感应与温度报警器
本文详细介绍了如何在STM32F103上使用AMG8833红外测温传感器构建人体感应与温度报警系统。通过硬件连接方案、驱动代码开发、人体检测算法实现及报警系统设计，展示了如何利用8x8红外温度矩阵实现智能监测功能。文章包含实用的初始化流程、温度数据读取优化和低功耗策略，为创客项目提供完整解决方案。
银河麒麟V10 SP1 ARM编译QT源代码
最近因为一些事情需要在银河麒麟ARM系统上[银河麒麟V10 SP1 ARM 2203 linux5.4.96-11]安装QT5.12.4版本，由于QT官方不提供ARM版的安装包，无奈只能自己手动编译源代码。
『与善仁』Appium基础 — 19、元素定位工具之UI Automator Viewer
文章目录（一）uiautomatorviewer定位工具1、uiautomatorviewer介绍2、uiautomatorviewer工具打开方式3、uiautomatorviewer布局介绍4、uiautomatorviewer工具的使用 之前我们在做web页面自动化的时候就说过，元素定位是页面自动化的第一步。 同理App自动化测试的第一步，也是元素的定位。 在APP中定位元素的话，需要借助一些元素定位工具。 APP中的元素定位工具大致有三种： uiautomatorviewer Appium Ins
qt5.15.2在银河麒麟v10sp1上编译源码后安装运行
修改‘/usr/lib/qt5/bin/qmake‘为实际安装路径如：/home/drs/QT_Source/qt-everywhere-src-5.15.2/qtbase/bin。编译进程在文件数为[1/605]的时候循环，文件数不会减少，此时报错信息为源码文件下的一个头文件中，出现了不允许的数据类型转换。找到该文件，修改相应语句。在银河麒麟软件商店中下载Qt creator,配置Qt套件kits，Qt version路径为/usr/local/Qt-5.15.2/bin/qmake。
详细指南：如何在TI C2000基于C28x的微控制器上部署FreeRTOS_C语言实现
FreeRTOS是一个小型、开源、实时的嵌入式操作系统内核。它为多种微控制器和处理器提供了支持，包括ARM、AVR、MSP430和PIC等。小型和轻量级：适合资源受限的嵌入式系统。实时性：可以满足严格的实时要求。多任务支持：支持多任务并发执行。内存管理：提供了多种内存管理策略。模块化设计：用户可以根据需要选择所需的功能模块。TI C2000系列微控制器是专为实时控制应用设计的。高性能C28x核：提供了高速的浮点运算能力。丰富的外设：包括PWM、ADC、DAC、通信接口等。低功耗。
MacBook M芯片第二篇：Homebrew安装
Homebrew是MacOS/Linux平台的软件包管理工具，提供便捷的安装、卸载、更新等功能。
银河麒麟V10系统+飞腾CPU编译安装Qt-5.15.2
银河麒麟V10系统+飞腾CPU编译安装Qt-5.15.2 一、准备工作 1、下载qt源码包 下载网址：https://download.qt.io/archive/qt/ 在任意空闲位置新建文件夹，并将源码包解压到该目录下。（这里在/home目录下新建名为Qt_source的文件夹，注：该目录所在位置的空闲空间应大于等于15G） 在该目录下执行命令： sudo xz -d qt-everywhere-src-5.15.2.tar.xz sudo tar -xvf qt-everywhere-src-5.15
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
银河麒麟aarch64 编译安装Qt5.9.9
银河麒麟aarch64 编译安装Qt5.9.9 官网下载源码 https://download.qt.io/archive/qt/5.9/5.9.9/single/ 系统环境如下 编译准备工作 System requirements ------------------ - Perl 5.8 or later - Python 2.7 or later - C++ compiler supporting the C++11 standard For other
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
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")
银河麒麟--aarch64 编译安装Qt5.9.9+QtCreator4.8.2
银河麒麟(Kylin) - V10 + RK3588(arm)- 搭建Qt 5.9.9 + QtCreator 4.8.2
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
银河麒麟系统中Qt程序无法切换中文，编译fcitx-qt5出现问题，输入法插件库libfcitxplatforminputcontextplugin.so
银河麒麟系统中Qt程序无法切换中文，编译fcitx-qt5出现问题，输入法插件库libfcitxplatforminputcontextplugin.so
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3777
扫一扫
