CentOS7升级gcc10

centos 7升级gcc到10.5.0 centos 7升级gcc到10.5.0 1、/lib64/libstdc++.so.6: version `GLIBCXX_3.4.21' not found问题 2、编译报错:error: 'const char* libc_name_p 阅读详情

gcc10.2 安装包获取:

wget https://ftp.gnu.org/gnu/gcc/gcc-10.2.0/gcc-10.2.0.tar.gz

解压包并进入:

$ tar -zxvf gcc-10.2.0.tar.gz
$ cd gcc-10.2.0

安装编译所需要的依赖坏境

$ ./contrib/download_prerequisites

建立临时文件并进行编译安装

$ cd ..
$ mkdir gcc-10.2-build
$ cd gcc-10.2-build
$ ../gcc-10.2.0/configure -enable-checking=release  -enable-languages=c,c++  -disable-multilib
$ make
$ make install
#备份旧gcc二进制文件,并进行替换
$ sudo mv /usr/bin/gcc /usr/bin/gcc.bckup
$ sudo ln -s /usr/local/bin/gcc /usr/bin/gcc
$ reboot    ##重启
$ gcc -v    ##查看gcc/c++版本

检查动态库是否为老版本的

$ strings /usr/lib64/libstdc++.so.6 | grep GLIBC
GLIBCXX_3.4
GLIBCXX_3.4.1
GLIBCXX_3.4.2
GLIBCXX_3.4.3
GLIBCXX_3.4.4
GLIBCXX_3.4.5
GLIBCXX_3.4.6
GLIBCXX_3.4.7
GLIBCXX_3.4.8
GLIBCXX_3.4.9
GLIBCXX_3.4.10
GLIBCXX_3.4.11
GLIBCXX_3.4.12
GLIBCXX_3.4.13
GLIBCXX_3.4.14
GLIBCXX_3.4.15
GLIBCXX_3.4.16
GLIBCXX_3.4.17
GLIBCXX_3.4.18
GLIBCXX_3.4.19
GLIBC_2.3
GLIBC_2.2.5
GLIBC_2.14
GLIBC_2.4
GLIBC_2.3.2
GLIBCXX_DEBUG_MESSAGE_LENGTH

如显示上面的表示是老版本的。升级 gcc 的时候,新版的 gcc 动态库并没有替换老版本 gcc 的动态库,所以这里我们需要手动进行替换升级。

先查找新版 gcc 生成的动态库位置

$ sudo find / -name "libstdc++.so*"
/home/crazyang/gcc-10.2.0-build/stage1-x86_64-pc-linux-gnu/libstdc++-v3/src/.libs/libstdc++.so.6
/home/crazyang/gcc-10.2.0-build/stage1-x86_64-pc-linux-gnu/libstdc++-v3/src/.libs/libstdc++.so
/home/crazyang/gcc-10.2.0-build/stage1-x86_64-pc-linux-gnu/libstdc++-v3/src/.libs/libstdc++.so.6.0.28

将新版 gcc 动态库 libstdc++.so.6.0.28 复制到 /usr/lib64 目录下:

$ sudo cp /home/crazyang/gcc-10.2.0-build/stage1-x86_64-pc-linux-gnu/libstdc++-v3/src/.libs/libstdc++.so.6.0.28 /usr/lib64/

将旧版动态库备份,然后将默认库的软链接指向最新版的 gcc 动态库:

$ cd /usr/lib64/
$ sudo mv libstdc++.so.6 libstdc++.so.6.backup
$ sudo ln -s libstdc++.so.6.0.28 libstdc++.so.6

$ cd /usr/local/lib64/
$ sudo mv libstdc++.so.6 libstdc++.so.6.backup
$ sudo ln -s libstdc++.so.6.0.28 libstdc++.so.6

指完之后再检查动态库:

$ strings /usr/lib64/libstdc++.so.6 | grep GLIBC
GLIBCXX_3.4
GLIBCXX_3.4.1
GLIBCXX_3.4.2
GLIBCXX_3.4.3
GLIBCXX_3.4.4
GLIBCXX_3.4.5
GLIBCXX_3.4.6
GLIBCXX_3.4.7
GLIBCXX_3.4.8
GLIBCXX_3.4.9
GLIBCXX_3.4.10
GLIBCXX_3.4.11
GLIBCXX_3.4.12
GLIBCXX_3.4.13
GLIBCXX_3.4.14
GLIBCXX_3.4.15
GLIBCXX_3.4.16
GLIBCXX_3.4.17
GLIBCXX_3.4.18
GLIBCXX_3.4.19
GLIBCXX_3.4.20
GLIBCXX_3.4.21
GLIBCXX_3.4.22
GLIBCXX_3.4.23
GLIBCXX_3.4.24
GLIBCXX_3.4.25
GLIBCXX_3.4.26
GLIBCXX_3.4.27
GLIBCXX_3.4.28
GLIBC_2.2.5
GLIBC_2.3
GLIBC_2.14
GLIBC_2.6
GLIBC_2.4
GLIBC_2.16
GLIBC_2.17
GLIBC_2.3.2
GLIBCXX_DEBUG_MESSAGE_LENGTH
__strtof_l@@GLIBC_2.2.5
symlink@@GLIBC_2.2.5
_ZNKSt14basic_ifstreamIcSt11char_traitsIcEE7is_openEv@GLIBCXX_3.4
chdir@@GLIBC_2.2.5
fileno@@GLIBC_2.2.5
pthread_cond_destroy@@GLIBC_2.3.2

内容太长,只截取前部分,到此 gcc10 已经升级完成。

$ gcc -v
Using built-in specs.
COLLECT_GCC=gcc
COLLECT_LTO_WRAPPER=/usr/local/libexec/gcc/x86_64-pc-linux-gnu/10.2.0/lto-wrapper
Target: x86_64-pc-linux-gnu
Configured with: ../gcc-10.2.0/configure -enable-checking=release -enable-languages=c,c++ -disable-multilib
Thread model: posix
Supported LTO compression algorithms: zlib
gcc version 10.2.0 (GCC) 

注意:需要重启系统。

转载:https://blog.youkuaiyun.com/weixin_43976122/article/details/108053736

CentOS7升级GCC版本(10.1.0) 0.准备—下载升级环境 CentOS7软件库中的GCC是4.8.5版本,在编译C语言时,在用到C99规范时需要自己指定以c99的规范编译-std=c99很麻烦。所以考虑升级一下gcc编译器。GCC必须要我们自己编译源码升级。所以需要做好以下准本工作。 下载gcc的源码包 https://mirrors.aliyun.com/gnu/gcc/ 这个是阿里的镜像,下载起来会快一点。里面最新版本是10.1.0。我下的也是这个版本。 搭建编译环境 # yum -y install gcc # yum 阅读详情

相关推荐

[GCC] CentOS下离线升级gcc

CentOS-GCC安装 针对Centos7安装gcc,并对其进行升级。 最近的工作中,需要将测试服务器上的`gcc`升级到`8.3+`,但苦于无法连接外网,因此只能寻求离线安装的方式。在此记录一下安装过程中的收获(以下是在自己虚拟机上的操作)。

Gavin 5889

最详细的Centos7 gcc4.9升级gcc10

文章目录1.准备源码包2.安装GMP3.安装MPFR4.安装MPC5.安装GCC106.GCC版本更新6.1备份旧版本gcc6.2为gcc10创建软链接6.3替换libstdc++.so.6附录 最近编译gtest源码时,由于gcc版本太低,编译报错。看到gtest里面写的要求gcc5.0以上版本,于是我直接升级到了gcc10,可以使用更多新特性。 1.准备源码包 安装gcc10,下面的几个源码包必不可少 gcc10下载地址:https://mirrors.aliyun.com/gnu/gcc/gcc-

不经一翻彻骨寒,怎得梅花扑鼻香 5187

CentOS 7 升级 gcc 9/10/11:解决 yum 源失效的 2 种镜像替换方案

本文详细介绍了在CentOS 7官方yum源失效后,如何通过阿里云和腾讯云镜像源升级GCC至9/10/11版本的两种解决方案。内容涵盖devtoolset安装、镜像源配置、版本验证及常见问题处理,帮助开发者解决'No package devtoolset-* available'等报错,确保现代C++开发环境搭建。

weixin_33845881的博客 476

centos 7升级gcc到10.2.0

一、安装GCC 由于 Linux 操作系统的自由、开源,在其基础上衍生出了很多不同的 Linux 操作系统,如 CentOS、Ubuntu、Debian 等。这些 Linux 发行版中,大多数都默认装有 GCC 编译器(版本通常都较低)。 1、查看是否含有gcc及gcc版本 可以看到,系统中包含了gcc且版本为4.8.5,如果没有gcc,可以通过下面命令来进行安装。 2、快速安装gcc yum -y install gcc yum -y install gcc-c++ 通过如上命令得到

m0_61334374的博客 1171

告别编译等待:CentOS7下gcc-9.10离线升级的极速方案(实测节省2小时)

本文详细介绍了在CentOS7系统下快速离线升级gcc-9.10的极速方案,通过预编译二进制、并行编译优化和依赖缓存复用等技术,将传统3-4小时的编译时间缩短至1小时以内。方案包含环境准备、预编译二进制包制作、生产环境部署及性能对比等全链路优化步骤,特别适合企业级开发环境的需求。

weixin_30919429的博客 476

记录一下centos7.9升级gcc10.7出现的error

5、建议,在执行 make install 之前,到 /usr/lib64目录中,通过ls -ltr记录下所有libc老版本对应的链接(防止系统错误后,无法使用ls -ltr命令)。成功升级后,所有lib链接都更新到了2.28版本上,执行 make install 命令,如果出现上述系统错误,则根据使用sln命令重将上述链接链接到2.17版本,如果不确定哪个链接发生了错误,就全部重新链接。解决方案就是安装glibc2.28,下面的安装过程出自公司里一位同事(YB)的安装文档,respect。

qq_36709309的博客 1510

CentOS7升级gcc-10.3.0

因为Centos中使用yum安装软件版本一般比较旧,最近在研究在Centos使用brew安装新版软件。 CentOS自带的gcc版本比较老旧了,使用brew安装的软件小部分打开会报错。所以尝试升级一下gcc看看是否能解决问题。 注意:GCC是Linux的核心模块,升级可能会导致一些问题,请谨慎升级,升级之前做好备份工作。 我是在虚拟机中测试玩儿的,没有十足把握,建议不要在生产环境轻易尝试。 升级前的环境 key value 操作系统 CentOS Linux release 7.9.200

lxyoucan的博客 1377

Centos7如何升级gcc版本(8.3.1),yum升级无效,使用本地安装升级gcc

centos7升级python3.10版本,gcc版本过低需要升级,yum源地址不可用。

qq_36333463的博客 2181

Centos7升级gcc10.3.0

1、下载gcc源码。我下载的是gcc-10.3.0.tar.gz,所有操作都是直接以root用户进行 http://mirrors.aliyun.com/gnu/gcc 2、 解压 tar -zxvf /home/paul/Downloads/gcc-9.3.0.tar.gz 3、下载依赖文件 cd gcc-10.3.0/ ./contrib/download_prerequisites 4、创建预编译目录 mkdir build && cd...

weixin_43211634的博客 2054

基于STM32F103C8T6的循迹避障小车完整制作过程(详细)----上篇(第123点)

基于STM32F103C8T6的循迹避障小车完整制作过程 由于本人的一个小项目,要做一个基于STM32的循迹避障小车,前后花了约1周的时间,这个过程种也参考了很多大神分享的资料,学到很多的东西。但是资料都比较分散,有些东西也不好找,在这里就想把自己制作小车的一个整体过程记录分享一下,希望能够帮到你。 我自己也算是一个小白,之前有做过 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎...

weixin_43924857的博客 14万+

手把手教你用ROS和Gazebo搭建Unitree A1机器狗仿真环境(含URDF/Xacro详解)

本文详细介绍了如何使用ROS和Gazebo搭建Unitree A1机器狗的仿真环境,涵盖URDF/Xacro文件编写、Gazebo物理引擎集成及ROS控制实现。通过实战指南,帮助开发者掌握四足机器人仿真技术,提升开发效率。

bush的博客 282

CentOS7 升级gcc 4.9版本到10.2

CentOS7 升级gcc 4.9版本到10.2

xunye的博客 2347

BEV感知技术全景解析:从纯视觉到多传感器融合的实战指南

本文全面解析了自动驾驶中的BEV感知技术,从纯视觉到多传感器融合的实战应用。文章深入探讨了BEV如何提供“上帝视角”,对比了IPM、Lift-Splat-Shoot及Transformer等核心实现范式,并详细阐述了多传感器融合(尤其是中融合)的工程实践与优势,为开发者提供了从理论到原型搭建的完整指南。

win55的博客 1141

centos7安装yum 升级安装gcc10

本文介绍了CentOS系统更换软件源和安装高版本GCC的方法。主要内容包括:1)备份原yum源;2)根据CentOS版本(6/7/8)下载阿里云对应的源文件;3)清理并重建yum缓存。同时提供了安装devtoolset-11(GCC 11)的详细步骤,包含临时启用和永久配置两种方式,以及验证GCC版本的命令。最后还给出了测试源是否生效的方法(查询gcc-toolset-10相关包)。

qq_39363003的博客 417

AI+医疗:多模态模型让肺结节诊断准确率突破95%+的实战方案

多模态融合是必由之路:单一影像模型难以突破95%准确率,必须整合临床、生物标志物等多维数据跨模态注意力机制是核心:简单拼接效果差,注意力机制能自动学习各模态权重,提升融合效果临床适配比技术先进更重要:模型输出必须符合医生诊断习惯,提供可解释的决策依据持续学习是长期成功的关键:医疗数据分布不断变化,模型必须具备自适应能力多学科协作是保障:放射科、胸外科、病理科、AI工程师共同参与模型设计与优化。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1024

元数据管理:DataHub和OpenMetadata对比分析

DataHub和OpenMetadata都试图解决数据编目,搜索,发现,治理和质量方面的相同问题。这两种工具都是出于为需要支持大量数据源、团队和用例的大型组织解决这些问题而诞生的。尽管这些工具在发布历史和成熟度方面略有不同,但它们的功能存在显着重叠。

weixin_38030820的博客 6637

CentOS7.9 上 GCC4.8.5 升级到10.4.0实践

gcc 升级,Linux

丘处机的专栏 2109

uniapp - 微信小程序接入官方人脸识别认证详细流程及示例源码,Uniapp微信小程序项目集成官方提供的人脸识别身份验证插件接口(多种示例:人脸核验、身份证件与人脸是否匹配、是否活体、实名认证等)

uni-app微信小程序人脸识别认证,使用uniapp开发微信小程序的人脸采集功能/人脸识别功能,uniapp vue3微信小程序活体人脸识别,Uni-app微信小程序实名认证,uniApp微信小程序人脸认证,UniApp的微信小程序实名认证与人脸识别系统开发,人脸核身微信小程序uni-app接入流程,wx.startFacialRecognitionVerify,uniapp开发微信小程序-人脸采集功能、微信人脸识别实名认证集成指南,识别失败,人脸识别接口怎么调用,前后端完整示例代码demo,人脸检测功能

🏆 前端领域优质创作者 3286

CentOS 7源码编译升级GCC 10.3.0完整指南

编译器是软件开发的核心工具链,其版本决定了C/C++语言特性的支持上限。当C++17等现代标准逐渐成为主流,旧版GCC 4.8.5因无法识别相关编译选项,导致众多新项目在构建阶段直接失败。此时,通过源码编译升级GCC版本便成为解决兼容性问题的可靠路径,尤其在CentOS 7这类无法随意更换操作系统的环境中。源码编译的最大优势在于可控性:通过独立安装目录与PATH管理,可实现新旧版本共存,避免对系统自带工具链造成破坏。这一方案广泛适用于需要编译新版Python原生扩展、现代C++项目或对编译器版本有严格校验的

cuiji1279的博客 376

从 SAP 的报错信息看,你在用 F-44 做供应商清帐时,系统提示:“Document splitting: Items for clearing … not found”消息号 GLT0002

摘要:SAP系统报错GLT2002是由于待清凭证缺少凭证分割信息(如利润中心、业务范围等),导致F-44清账时无法匹配分割特征。解决方法包括:1)通过FB02或批量程序补充分割字段;2)临时取消OB74的分割检查(可能影响报表);3)排除无法补充的凭证行。核心思路是确保新旧凭证的分割字段一致,或调整系统检查规则以完成清账。

金牌架构师 1250

视频压缩的工作原理

当你正在观看你最喜欢的节目,出现缓冲的时候,这是什么原因?当 Wi-Fi 带宽不足以下载传输视频流所需的数据时,就会发生缓冲。也有可能是视频网站发布了未压缩版本的视频文件,因此视频文件太大而无法流畅地流式传输。在高清模式下,图像分辨率为1080x1920像素,如果我们想象一个视频由许多这些图像组成,称为帧,那么 Wi-Fi 连接必须多快才能播放24帧/秒?答案是超1000兆,没错。由于每一帧都是48兆比特的数据,它实际上需要48×24每秒兆比特 (Mbps) 以观看视频24帧/秒。

学以致用 知行合一 1283

CentOS7.9升级gcc到 10.3.0全过程

CentOS7.9下,把gcc从4.8.5升级到 10.3.0全过程。

3580

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

CentOS7老系统上,如何绕开GCC版本坑,一步步搞定Python3.10和Django部署(附sqlite升级全流程)

本文详细指导在CentOS7系统上部署Python3.10和Django的全流程,包括解决OpenSSL1.1.1兼容性、规避GCC版本陷阱、升级SQLite以及配置虚拟环境等关键步骤,帮助开发者高效绕过老旧系统的技术限制。

weixin_30924239的博客 432

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...

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。

centos7升级gcc10.1.0,gdb9.2

https://www.gnu.org/prep/ftp.html 先找一个亚洲的镜像站点 选一个站点,打开gcc或者gdb目录,选择自己想要安装的版本,我这里选择的gcc-10.1.0和gdb-9.2 http://mirrors.nju.edu.cn/gnu/gcc/gcc-10.1.0/ https://mirrors.ustc.edu.cn/gnu/gdb/ 解压gcc-10.1.0.tar.gz后进入目录,执行./contrib/download_prerequisites下载gcc

Linux C/C++后台开发 2885

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")

Centos7 升级Kernel 6.10.7

Centos7 升级Kernel 6.10.7 比较麻烦的就是需要先升级gcc 5.1.0以上,且编译Kernel的时候会有一些错误,解决这些错误花费了不少时间.而且kernel和gcc的编译都比较耗时,测试用了16C每次编译都都需要花费十几分钟.一旦有错误或者修改又是花费时间重新编译.先用iso做下本地yum仓库# 以下是yum仓库的配置[centos7]gpgcheck=0。

Q先生 1197

CentOS系统升级gcc/c++到7.5/10.2版本

Centos升级gcc/c++获取安装包安装编译所需要的依赖环境建立临时文件夹并进行编译安装替换老版本gcc的动态库如果此文章有帮助到您,还请麻烦动动您的小手点个赞,谢谢~【免费】最新版Linux运维技术入门视频教程请移步:https://edu.youkuaiyun.com/course/detail/29944Linux运维技术交流群:962822359 获取安装包 1、gcc7.5安装包获取:wget https://ftp.gnu.org/gnu/gcc/gcc-7.5.0/gcc-7.5.0.tar.g

Linux运维技术分享 3779
上一篇: 解决Nvidia显卡DP接口无法进入BIOS
下一篇: gdb配置打印STL容器脚本pretty printer
code_peak
博客等级 码龄5年 403粉丝 67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
 
 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