makefile

makefile

1 语法:

target … : prerequisites … command … …

target也就是一个目标文件,prerequisites依赖文件,command为命令,command必须以制表符开始。 当prerequisites中如果有一个以上的文件比target文件要新的话,command所定义的命令就会被执行。

2 示例:

main.o : main.c defs.h cc -c main.c

3 自动推导

main.o : defs.h cc -c main.c

4 清空目标文件

.PHONY : clean clean : -rm edit $(objects)

5 多重目标:

bigoutput littleoutput : text.g generate text.g -$(subst output,,$@) >; $@

-$(subst output,,$@)中的“$”表示执行一个Makefile的函数,函数名为subst,截取字符串的意思 “$@”表示目标的集合,就像一个数组,“$@”依次取出目标,并执于命令。

6 静态模式

objects = foo.o bar.o all: $(objects) $(objects): %.o: %.c $(CC) -c $(CFLAGS) $< -o $@

命令中的“$<”和“$@”则是自动化变量,“$<”表示所有的依赖目标集(也就是“foo.c bar.c”),“$@”表示目标集(也就是“foo.o bar.o”)。

7 自动生成依赖性

%.d: %.c @set -e; rm -f $@; \ $(CC) -M $(CPPFLAGS) $< >; $@.$$$$; \ sed 's,\($*\)\.o[ :]*,\1.o $@ : ,g' < $@.$$$$ >; $@; \ rm -f $@.$$$$

每个.c文件都会生成对应的.d文件,自动生成头文件的依赖关系,如: 即把依赖关系: main.o : main.c defs.h 转成: main.o main.d : main.c defs.h

接下来在主makefile中加入include即可 sources = foo.c bar.c include $(sources:.c=.d

嵌套执行 make subsystem: cd subdir && $(MAKE) 其等价于: subsystem: $(MAKE) -C subdir

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
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