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
600+累计阅读
650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
binutils 工具集,软件开发利器 .................
addr2line,指令地址翻译器 ..............................
ar,静态库生成器 ......................................
nm,符号显示器 ............................................
objdump,信息查看器 .............................
objcopy,段剪辑器 ................................
ranlib,库索引生成器 ............................
size,段大小观察器 ...........................
strings,字符串窥视器 ......................................
strip,程序文件瘦身器 ...............
linux_environment_dev_tools
408计算机复试专业课问答汇总
408计算机复试专业课问答汇总
常见的linux二进制工具集
addr2line：将程序地址翻译成文件名和行号；给定地址和可执行文件名称，它使用其中的调试信息判断与此地址有关的源文件和行号。（将地址对应到文件名和行号）ar：创建、修改和提取文档as：一个汇编器，as工具主要用来将汇编语言编写的源程序转换成二进制形式的目标代码。
OpenCV2.4.9+vs2012配置
下载OpenCV2.4.9。 下载地址：http://opencv.org/downloads.html2.下载后，解压。 请记住解压路径，后面根据自己的解压路径进行配置。我的路径是E:\ 3.配置环境变量 win7系统：(计算机-属性-高级系统设置-高级-环境变量) 1）编辑系统变量Path：添加E:\opencv\build\x86\vc11\bin; 2）添加/编辑用户变量P
linux binutils工具集
对于嵌入式系统开发来说，掌握GNU的工具集（toolchain）- binutils toolchain非常重要。这些工具，可以说是我们开发和调试不可缺少的利器。
【Qt】QByteArray详解
对象共享同一份数据，直到修改时才进行深拷贝，以节省内存和计算资源。：可存储任意二进制数据（如图片、音频、协议数据），不依赖字符编码。与编码（如 UTF-8、Latin-1）之间的桥梁（例如。• 补零规则确保奇数字符串能正确解析，避免数据截断。：内部自动分配和释放内存，无需手动管理。将输入的字符串视为十六进制编码数据，返回实际数据长度（不包括结尾的。的输入必须是有效的十六进制字符（，但针对 Qt 框架做了优化。：处理加密后的二进制结果（如。• 如果输入字符串长度为奇数，• 若输入长度为奇数，自动在。
基于Python的微信聊天记录分析——数据获取
本篇为“基于Python的微信聊天记录分析”第一篇，主要涉及数据获取，包括Python环境配置、WeChatMsg项目配置和运行、获取聊天记录等内容，流程简单、比较基础，后续这个系列会涉及基于Python的数据处理、统计分析、NLP技术等内容。希望和大家多多交流，共同进步！
linux binutils
1 strings strings - print the strings of printable characters in files. 这个文件可以是文本文件（test.c）, 可执行文件(test), 动态链接库(test.o), 静态链接库(test.a) strings main.c | grep main strings main | grep main st...
stm32h743 FM25CL64铁电存储器踩坑记录
调试FRAM经验总结： 1、跑完FRAM读写代码之后，逻分仪发现总线上只有简单、短暂的电平变化，明显不是SPI的通信数据。 （经提醒发现连片选拉高拉低都没有执行到位） 后来发现是因为片选引脚没有初始化，所以直接拉高拉低是无效的。 2、引脚成功初始化后发现CLK、MISO、MOSI数据仍不正常。通过加打印的方式发现跑到HAL_SPI_Transmit中之后还没有执行到写SPI数据寄存器的那一步就return了。 后来经提醒发现： 上图中的指针使用方式错误 后来又发现： 打印出来发现
【Linux】【开发】Linux下分析二进制可执行文件的工具汇总
- 在日常的Linux软件的开发过程中，经常需要对二进制文件进行分析，并对其中的关键信息进行提取。本文对Linux下二进制可执行文件分析的工具做了一个小结，供各位参考。 - 具体的分析方式，根据使用场景，可分为静态和动态两种。
CANoe软件之离线报文回放与分析实战
本文详细介绍了如何使用CANoe软件进行离线报文回放与分析，帮助工程师将现场故障数据转化为可反复研究的实验室资源。通过实战步骤，指导如何搭建分析工程、加载DBC文件解码信号，并利用Trace和Graphics窗口进行深度数据筛选与图形化分析，从而高效定位汽车电子故障，是提升诊断效率的关键技能。
vite打包文件如何支持files协议，支持双击即可打开网页，支持electron打包文件。
原本的所需框架为vite + element-plus项目，需要打包之后用eletron打包为桌面应用。但遇到一个问题，耗费了整整一下午时间。vite的配置也没有考虑过纯静态页面的情况。打包之后的页面只支持https协议。不断是百度以及问AI然后看vite官网文档，最后终于配置好了。这里有一个问题就是上面箭头所指位置，不支持跨域，也是es6的语法也不支持。配置完之后打包文件如下。
binutils工具下载
在binutils-2.28下创建目录build。使用make编译makefile文件。在code下面创建软连接。入口：ldmain.c。
多图详解VSCode搭建Python开发环境
本文通过多图的方式详细介绍了VSCode搭建Python开发环境，希望能对学习Python的同学们有所帮助。 文章目录 1. VSCode的介绍和安装 2. 安装插件 2.1 安装中文插件 2.2 安装Python插件 2.3 安装远程插件 3. 远程连接服务器 3.1 配置ssh 3.2 运行代码 3.3 调试代码
GNU binutils 二进制工具集
GNU binutils工具集 命令 功能描述 翻译 ld the GNU linker. GNU 链接器 as the GNU assembler. GNU 汇编器 gold A new, faster, ELF only linker, still in beta test. 新的更快的，仅支持ELF的链接器，还在测试阶段 addr2line Converts addresses into filenames and line numbers.
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
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
GNU Binutils 工具集介绍
GNU Binutils 介绍Binutils官网地址GNU Binutils 是一组二进制工具集，即GNU Binary Utilities，是一套用于创建、管理和维护二进制目标文件的工具集合，包括addr2line、ar、gprof、nm、objcopy、objdump、ranlib、size、strings、strip。注意，这里千万不要理解错了，不是说这些 Binutils 工具只提供二进制文件，而是说这些工具的目的是用于操作二进制文件的，而不是针对于文本或者源代码。
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")
Binutils 工具集
对于嵌入式系统开发，掌握相应的工具至关重要，它能使我们解决问题的效率大大提高。目前，可以说嵌入式系统的开发工具是GNU的天下，因为来自GNU的GCC编译器支持大量的目标处理器。除了GCC，还有一个非常重要的、同样来自于GNU的工具集（toolchain） —— binutils toolchain。这一工具集中存在的一些工具，可以说是我们开发和调试不可缺少的利器。 Binutils中的工具不少
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
gcc生成反汇编 linux_GNU binutils 里的九种武器 | Linux 中国
二进制分析是计算机行业中最被低估的技能。-- Gaurav Kamathe想象一下，在无法访问软件的源代码时，但仍然能够理解软件的实现方式，在其中找到漏洞，并且更厉害的是还能修复错误。所有这些都是在只有二进制文件时做到的。这听起来就像是超能力，对吧？你也可以拥有这样的超能力，GNU 二进制实用程序(binutils)就是一个很好的起点。GNU binutils是一个二进制工具集，默认情...
二进制安全-Linux命令-GNU Binutils
二进制安全-Linux命令-GNU Binutils
linux gnu binutils,binutils源码分析之准备篇
1.什么是binutils先写一个简单的hello_world.c程序.#includeint main(){printf("Hello World!\n");return 0;}编译它[root@mail ~]# gcc -v hello_world.cReading specs from /usr/lib/gcc-lib/i386-redhat-linux/3.2.2/specsConfigu...
Linux 工具套件 —— binutils、readelf
原文地址::https://www.cnblogs.com/mtcnn/p/9421049.html readelf：Linux 下专门针对 ELF 文件格式的解析器； 0. binutils GNU Binutils gnu binutils 一套二进制工具的集合，主要包含：ld（gnu linker）、as（gnu assembler），此外还包括： addr2line：Converts addresses into filenames and line numbers. ar：A ut
GNU binutils 里的九种武器 | Linux 中国
原创：译者/Xingyu.WangLinux中国10月10日 https://mp.weixin.qq.com/s/n2HHgcbpfwsQlYf93ocu1Q Table of Contents 软件开发的基础知识 编译的基础知识 步骤 1：用 cpp 预处理 步骤 2：用 gcc 编译 步骤 3：用 as 汇编 步骤 4：用 ld 链接 探索 binutils 工具...
你知道 GNU Binutils 吗？【binutils】
概述 从事 Linux 开发的朋友们都不可避免地用到一些工具，比如 objcopy、nm、objdump、readelf 等等。其实这一系列的工具，就是所谓的 Binutils，当然 GNU 就表示它们都是可以自由地使用的 GNU 软件。 GNU Binutils，是 GNU Binary Utilities 的简写，一般简称为 Binutils。中文可以翻译为 GNU 的二进制工具集。显然...
[Linux From Scratch 作一个自己的Linux操作系统发行版本]二、编译binutils
一、确认构建环境 1. 确认$LFS变量 lfs:~$ echo $LFS /mnt/lfs 2. 确认用户 lfs:~$ whoami lfs 3. 确认进入home目录 lfs:~$ cd ~ lfs:~$ pwd /home/lfs 二、执行构建指令 #!/bin/bash tar -jxf $LFS/sources/binutils-2.27.tar.bz2 ( cd binutils-2.27/ mkdir -v build cd build
Linux---GUN binutils
什么是GUN binutis?它是一个二进制工具集，默认情况下所有 Linux 发行版中都会安装这些二进制工具。实际大部分人应该是用过这些工具的，我一说大家就知道了。常用的二进制工具包括。工具用途nm列出目标文件中的符号size列出目标文件中各个段的大小和总大小，如数据段，代码段addr2line将程序地址翻译成文件名和行号objcopysection复制和删除objdump显示目标文件的信息和反汇编readelf显示有关ELF文件的信息strip从目标文件中剥离符号。
龙芯LoongArch架构进入GNU Binutils主线
在Linux上进行软件开发时，经常会用到一些工具程序，比如readelf、ld、ar、objdum等，这些工具都是GNU Binutils的组成部分。目前GNU Binutils已经把龙芯的LoongArch架构加入了主线支持： GNU Binutils，是 GNU Binary Utilities 的简写，一般简称为 Binutils，中文可以翻译为 GNU 的二进制工具集。显然，Binutils 是一组二进制工具的集合，也就是说，Binutils 不是指某一个工具，而是指一组工具，并且这
linux binutils,关于mac binutils
最近，在看《程序员的自我修养》一书，书中提到反汇编，使用到了binutils工具包。手头只有一台mac和一台装有win7的机器，并没有安装有linux的机器可用，想到mac 也属于unix系统，与linux大同小异，何况mac下也是用gcc编译，于是准备在mac下安装binutils试一试。于是去gun官网下载了最新的binutils-2.22.tar.gz，接着解压，按照其README :1、....
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3698
扫一扫
