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
2.9k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
在编译arm版本的qt程序时，出现错误error: main.o: Relocations in generic ELF (EM: 3)。因为开始我的程序是编译成了x86版的程序，然后我想编译到arm下运行，编译的时候出现了上述错误。
解决办法：进入你的工程目录，比如 hello-build-desktop，然后执行命令：make clean -w 。这个命令会删除一些文件，执行完后，你再重新编译应该就没错了。
http://hi.baidu.com/%B5%D8%D3%FC%D0%A6%B1%FA/blog/item/5d2bf788991daeaf0e244434.html
飞书组织架构同步至LDAP：实现企业应用统一身份认证的实战指南
本文详细介绍了如何将飞书组织架构同步至LDAP，实现企业应用统一身份认证的实战方案。通过飞书开放平台API与LDAP服务的集成，企业可以大幅减少账号管理工作量，提升IT效率。文章涵盖技术架构设计、密码策略、详细配置步骤及自动化同步实现，特别适合需要统一认证体系的中大型企业。
make编译出错Relocations in generic ELF (EM: 62)
make编译出错Relocations in generic ELF (EM: 62)
PTrade数据交互全流程详解：从本地文件上传到定时导出交易数据
本文详细解析了PTrade量化交易平台的数据交互全流程，涵盖从本地文件自动上传交易指令到定时导出成交数据的完整链路。通过文件媒介实现本地策略与云端实盘的安全、稳定对接，并提供了构建自动化、稳健数据流水线的实战配置方案与代码示例，助力量化工作流平滑过渡至实盘。
QT报错：QFlowLayout.o:Relocations in generic ELF(EM：183）
QT报错：QFlowLayout.o:Relocations in generic ELF(EM：183）
数据中心光模块升级实录：从200G QSFP56到400G QSFP-DD的踩坑指南
本文记录了数据中心从200G QSFP56升级至400G QSFP-DD光模块的完整实战经验。文章深入剖析了升级过程中面临的兼容性、链路预算、布线、散热与功耗管理等核心挑战，并提供了具体的解决方案与排坑指南，为高速网络升级提供了宝贵的实践参考。
华南理工大学电子与信息学院23年预推免复试面试经验贴
华南理工大学电子与信息学院23年预推免复试面试经验贴
交叉编译libpcre遇到的Relocations in generic ELF (EM: 183)问题
遇到如下报错 /usr/bin/ld: /home/ces_netconf/pcre-8.44/arm_build/.libs/libpcre.a(libpcre_la-pcre_compile.o): Relocations in generic ELF (EM: 183) /usr/bin/ld: /home/ces_netconf/pcre-8.44/arm_build/.libs/libpcre.a(libpcre_la-pcre_compile.o): Relocations in
Skynet 框架面试题
本文整理了游戏服务端开发面试中 Skynet 框架的高频考点，涵盖底层架构、消息派发、协程调度、网络 I/O、harbor 跨机通信、内存管理、socket 处理、阻塞操作、错误处理等核心内容。全面覆盖 Skynet 框架的原理、使用和实战问题，追求深入准确，拒绝八股文。
[embeded] Relocations in generic ELF (EM: 183)
【问题描述】 移植zlib库时，报错信息：Relocations in generic ELF (EM: 183)。 【问题定位】 【解决方案】
GNSS数据处理（一）——开源软件RTKLIB与G-Nut/Anubis实战入门
本文详细介绍了GNSS数据处理的开源软件RTKLIB与G-Nut/Anubis的实战入门指南。从软件安装、数据获取到静态短基线解算，逐步讲解操作技巧与常见问题排查，帮助测绘与地质监测人员快速掌握GNSS数据处理技术，提升工作效率。
第14.11章 高翔博士最新开源框架Lightning-LM源码解读（十一）：离线定位模块全解析，从激光匹配到位姿图优化的极致优化
本文介绍了Lightning-LM离线定位模块的技术架构与实现细节。该模块基于3D激光雷达与IMU融合，采用改进版NDT匹配算法实现高精度定位，具备动态图层更新、多源信息融合等特性。核心流程包括数据预处理、激光里程计处理、IMU预测与点云去畸变、位姿图优化等环节，通过轻量级miao库实现高效增量优化。文章详细解析了模块的代码结构、关键函数功能及数据流，为SLAM系统的开发与优化提供了实践参考。
Relocations in generic ELF (EM: 62)
这几天把识别算法从ubuntu x86平台移植到arm平台，运行代码出现logoutput.o:Relocations in generic ELF (EM: 62)，原因是由于库的不匹配导致的，，然后检查代码调用了opencv库和相机库，，在pro中注释对这两个库的调用，错误依旧；所以这些库都是在x86-64下生成的，直接拷贝过来不适用于arm架构，要在arm架构下重新生成，所以将文件夹下的*.o文件全部删除，然后重新生成；
模型训练篇 | 手把手教你使用ResNet训练自己数据集和推理，ResNet50通用物体分类识别，含完整代码和数据集，全网最详细教程
手把手教你使用ResNet训练自己数据集和推理，ResNet50通用物体分类识别，含完整代码和数据集，全网最详细教程。本篇文章将带你学习 ResNet50 模型构建、ResNet50训练自己数据集、数据集处理、推理和验证、模型剪枝与模型改进等。 本篇教程适配各种分类识别任务，可以说是一个通用的教程，只需修改自己的数据集即可完成自己领域的任务和系统实现。
交叉编译：SQLite3
背景： 交叉编译程序时，报错如下： /opt/hisi-linux/x86-arm/aarch64-himix100-linux/host_bin/../lib/gcc/aarch64-linux-gnu/6.3.0/../../../../aarch64-linux-gnu/bin/ld: cannot find -lsqlite3 collect2: error: ld returned 1 ...
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
Relocations in generic ELF (EM: 3)错误的解决方法
在编译Qt4.8.0源码时，出现： Relocations in generic ELF (EM: 3)问题，上网查了下，只要条命令就解决问题了，进入程序目录，终端执行。 #make clean -w 这个命令会删除一些文件，执行完后，你再重新编译应该就没错了 ！！！
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")
Relocations in generic ELF (EM: 62) 错误的解决方案
Android studio 或者 xcode 使用第三方库时可能出现这个问题， could not read symbols: File in wrong format
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
编译出错Relocations in generic ELF (EM: 62)
今天在交叉编译libnl的时候，出错了，信息如下：编译出错aarch64-linux-gnu-gcc -L/mnt/nfsroot/frank.yu/android-O/factorytest/wifi/out/lib --static -o wpa_supplicant config.o notify.o bss.o eap_register.o ../src/utils/common.o ....
error: main.o: Relocations in generic ELF (EM: 3)解决办法
在编译交叉编译cgi程序时，出现：arm-vfp-linux-gnu/bin/ld: cgic.o: Relocations in generic ELF (EM: 3)问题，上网查了下，只要条命令就解决问题了，进入程序目录，终端执行。 #make clean -w 这个命令会删除一些文件，执行完后，你再重新编译应该就没错了 ！！！
记录： 问题：/usr/bin/ld: main.o: Relocations in generic ELF (EM: 183)
/usr/bin/ld: main.o: Relocations in generic ELF (EM: 183)
linux 编译安装报错：Relocations in generic ELF (EM: 62)【已解决】
collect2: error: ld returned 1 exit status /usr/bin/ld: Programs/_testembed.o: Relocations in generic ELF (EM: 62) make编译报错
Relocation in generic ELF (EM:3)
makefile编译问题 1.Relocation in generic ELF (EM:3) ld：file in wrong format. 百度找了一下 发现是库文件编译跟当前的编译器不一致导致，导致链接器不认识 明天去到公司再改成同样的编译器试一下 重新链接成目标文件 最终发现-m32表示32位系统 编译器 链接器的目标cpu是64位导致 转载于:https://w...
Relocation the generic ELF 问题
<br /><br /><br />这个连接问题是由于将两个使用不同编译器编译出的目标文件连接到一起而导致的，原因经常是因为没有在所有的Makefile中统一使用$(CC)代表编译器。<br /><br /><br />/* 是否相等 */<br /> ifeq ($( PLATFORM), 目标硬件平台)<br />export CROSS_COMPILE := 编译器前缀<br />endif<br /><br />export CC:= $( CROSS_COMPILE)
openwrt Relocations in generic ELF (EM: 3)和syntax error: unexpected "("错误的解决方法
自己写的程序,最开始的时候是在linux的平台下直接进行编译，使用的GCC。将程序运行在开发板的终端的时候，出现了，syntax error: unexpected "("，经过排查是编译的环境的问题。不同的平台，执行文件的格式是不同的。直接修改了makefile文件，将 CC=mips-openwrt-linux-gcc（这个是我的开发板上的平台环境） 在进行make编译的时候，出现了 R...
错误：Relocations in generic ELF (EM: 40)
操作系统：RHEL5.1-Server 编译器：arm-linux-gcc 4.3.2 工程：x264-snapshot-20120817-2245 问题：在做 x264 编码的arm移植时，出现如下问题 /usr/bin/ld: x264.o: Relocations in generic ELF (EM: 40) 原因：x264工程中编译链接工具不一致 解决方案：打开con
交叉编译问题
我们在交叉编译的时候可能会遇到下面两个问题， 1、 cc1: error: unrecognized command line option "-m64" cc1: error: unrecognized command line option "-mno-red-zone" cc1: error: unrecognized command line option "-mcmode
【鸿蒙pc命令行适配】解决libtool报错：Relocations in generic ELF (EM:183) error adding symbols:file in wrong format
编译鸿蒙PC版curl时出现链接错误，问题出在libtool工具的使用上。GNU Libtool是Autotools套件中的核心组件，负责屏蔽不同平台的编译/链接差异。报错显示在最后链接阶段，libtool尝试使用clang编译器创建共享库时失败。这表明libtool生成的链接命令可能不兼容当前平台或编译器配置。建议检查libtool脚本配置是否正确，特别是针对鸿蒙PC平台的特殊编译要求，以及确认clang编译器路径和参数设置是否恰当。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
332
扫一扫
