4-1

Ubuntu10.04下安装gcc4.1,g++4.1 Ubuntu10.04下默认的GCC版本是GCC 4.4.1,而大多时候,我们需要使用GCC4.1.2,所以需要自己安装低版本的GCC 4.1.2。不过我尝试过,安装版本为4.1的GCC,结果最终版本为4.1.3的,好像也可以用,,,好了废话少说,请跟着下面的步骤:首先通过apt-get安装GCC4.1sudo apt-get install gcc-4.1 安装了之后,系统之中就存在两个GCC版本4.4和4.1,可以通过ls命令查看:ls /usr/bin/gcc* /usr/bin/gcc /us 阅读详情
#include <iostream>
using namespace std;
class Complex{
public:
	Complex()
	{
	 real=0;
	 imag=0;
	}
	Complex(double r,double i)
	{
	 real=r;
	 imag=i;
	}
	double getreal()
	{
	 return real;
	}
	double getimag()
	{
	 return imag;
	}
	void display()
	{
	 cout<<"("<<real<<"+"<<imag<<"i)"<<endl;
	}
private:
	double real;
	double imag;
};
Complex operator +(Complex &c1,Complex &c2)
{
 return Complex(c1.getreal()+c2.getreal(),c1.getimag()+c2.getimag());
}
int main()
{
 Complex c1(1,2),c2(3,4),c3;
 c3=c1+c2;
 cout<<"c3=";
 c3.display();
 return 0;
}

ubuntu安装OpenOffice 4.1.1 步骤 1、如果安装过,删除旧版的 sudo apt-get remove libreoffice* openoffice* sudo apt-get autoremove 2、下载 32位 wget sourceforge.net/projects/openofficeorg.mirror/files/4.1.1/binaries/en-GB/Apache_OpenO 阅读详情

相关推荐

iTOP4412|Android-4.4.4_r1 HWC-1.1

《iTOP4412|Android-4.0.3_r1 HWC-1.0》分析了android-4.0.3_r1版本的HWC,4.4.4_r1虽然变化不大,但这些细微的差异可能会对读者造成不必要的困惑,因此本文决定针对4.4.4_r1在分析一下其中的差异。

OneSea 939

树莓派4B安装OpenCV4.1.1

树莓派4B安装OpenCV4.1.1一、更换国内源二、更新三、安装依赖包四、下载两个OpenCV压缩文件五、解压两个OpenCV压缩文件六、设置编译参数七、设置CMAKE参数八、编译九、编译中会出现的报错遇到的报错1遇到的报错2遇到的报错3遇到的报错4十、安装部署十一、测试 一、更换国内源 (1)首先,更换软件源 sudo nano /etc/apt/sources.list 将原来的地址用“#”注释掉,换成清华源(也可以换成其他源,比如中科大源),用下面内容替代。接着Ctrl+O,回车, Ctrl+X退

SunJW1314的博客 1398

常见的AXI总线仲裁器概述-AXI协议理解(一)

SoC 设计广泛采用共享总线式的片上通信,其中的仲裁器是共享总线的关键技术之一。AMBA AXI 总线协议以高性能、高频率的系统设计为目标,适合高带宽、低延迟的系统设计,可以达到高频率的操作而不需要复杂的总线桥,满足众多部件的接口要求,具备高度灵活的互联结构,并且向后兼容 AHB 和 APB 接口。

Paul 安的博客 1万+

tx2 安装opencv4.1.1及opencv_contrib-4.1.1

目前tx2系统是jetpack4.5,并且刷机的时候把opencv也给刷进去了,所以我知道自己的opencb是4.4.1。但这里,我把opencv版本查询命令也给附上 #opencv3 opencv --version #opencv4 pkg-config --modversion opencv4 源码下载地址 OpenCV4.1.1: https://github.com/opencv/opencv/releases/tag/4.1.1 OpenCV_contrib 4.1: https:/

m0_56624015的博客 1284

(Touch™)搭建 Windows 开发环境

> OpenHaptics 开发包参考文档。

置心一处,便无事不办 1500

企业级 Agent 在 K8s 上的运行模型

Kubernetes├── Agent Orchestrator(控制面)├── Agent Runtime Pods(执行面)├── Graph DSL(流程层)├── Tool Services(能力层)K8s(调度)+ Graph(流程)+ Agent(决策)+ Tool(执行)+ Guard(治理)

一起修行,不孤单。这里有编程语言、开发工具、学习方法论和踩坑笔记。用简单的话说复杂的事,陪你从小白到进阶。周更干货,欢迎一起成长! 1172

JDK1.4下载 JRE1.4下载

JDK1.4下载 JRE1.4下载 从事的项目要用1.4,竟然都不好找了.网上...终于找到了一个.... http://sgm.30030.com/baosteel_sgm/jdk.exe Powered by Zoundry

attilax的专栏 8591

ArcGIS基础:点要素分割线要素和提取线要素的交点

第一个实验:【点要素分割线要素】看下原始数据:下图所示,2个红点和一条绿线,用2个点去分割这条线。 找到【数据管理工具】,在找到【要素】,再找到【在点处分割线】,如下图所示。 输入线、点要素,然后在【搜索半径】里输入5米,查看一下结果。 查看结果发现,线段被分割了2段,我们查看一下原因。 发现第2个点与线有一段距离,肯定是大于5米的,所以分割没有成功。可以量测一下距离,重新输入搜索半径。 我们把搜索半径改为200米,勘察结果,被点分割了3段。 接下来使用另外一个工具【在折点处分割线】,如下所示。

yuanYW7556的博客 1万+

Jetson nano编译安装OpenCV4.1.1和OpenCV_contirb-4.1.1

删除本地OpenCV环境 Jetson nano官方镜像(jetson-nano-sd-r32.1-2019-03-18.img)是自带OpenCV3.3.1的,因此在编译安装OpenCV4之前,需要删除本地的OpenCV3.3.1环境。 编译环境:ubuntu18.04 sudo apt-get purge libopencv* sudo apt autoremove sudo apt-get ...

weixin_42640549的博客 6109

【STM32学习】(29)STM32实现595驱动三个数码管(标准库和HAL库实现)

我选用的单片机型号为:STM32F103系列 74LS595是一个串转并行输出的芯片,它能为单片机节省很多的IO口,应用场景广泛。 现要求三个数码管动态显示,常规设计都是并行实现,需要8个IO数据口,然后还需要3个IO片选数码管接口,这样大大占用了IO口,导致连接的外设变少。因此我们引入74LS595芯片。电路设计如下: 只需要三个共阴极数码管与三个595芯片级联即可完成,通过RCLK,SCK,SER三个IO即可完成对数码管的动态控制并显示。电路焊接的实物图如下: 要求完成功能:实现数.

XiaoCaiDaYong的博客 8264

OpenCV入门(一)Python环境的搭建

因为有点Python基础,并且Python是比较好入门的编程语言,所以,机器视觉后面打算在Python这个平台下进行。

小幽余生不加糖 8123

树莓派相关(1):树莓派4安装OpenCV4.1.1从零开始全过程

笔者在2019年双十一入手了树莓派4b,当然我自己也是新手,想在计算机视觉做点东西时,但在安装OpenCV上面却爬了不少坑,因此特地总结了一下,希望能帮助那些利用树莓派4b+OpenCV 4.1.1的maker。前面的准备内容可以跳过,主要针对新手,网上挺多教程的。 一、 准备 笔记本(笔者没买专用的显示屏)、网线(SSH连接) 树莓派4b、32G的tf卡(安装系统)、树莓派的电源适配器(5V、...

Hankerchen的博客 1万+

NVIDIA Isaac Lab 入门教程(一)

Isaac Lab 是一个用于机器人学习的统一模块化框架,旨在简化机器人研究中的常见工作流程(如 RL、从演示中学习和运动规划)。它建立在英伟达 Isaac Sim 的基础上,利用最新的仿真功能实现逼真的场景和快速高效的仿真。该框架的核心目标是Isaac Lab 的主要功能包括:由 PhysX 提供的快速准确的物理模拟、用于矢量化渲染的平铺渲染 API、用于提高鲁棒性和适应性的域随机化,以及对在云中运行的支持。有关该框架的更多信息,请参阅论文[MYY+23]。

机器人控制与仿真应用 8217

1.1 Linux 编译FFmpeg 4.4.1

本文介绍了在Ubuntu系统上编译安装FFmpeg 4.4.1的完整流程。首先需要安装基础编译工具链,包括autoconf、automake、gcc等。接着详细列出FFmpeg所需依赖库的分类表格,涵盖视频编码(x264、x265等)、音频编码(fdk-aac、lame等)及其他功能库。文章提供了两种安装方式:通过apt快速安装依赖库,或手动编译源码安装。并以最小化配置为例,给出具体编译参数和命令,生成包含ffmpeg、ffprobe等可执行文件的完整目录结构。整个过程注重优化编译配置和性能,适用于定制化F

卖猪肉的痴汉 1142

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

JDK1 4下载 JRE1 4下载

JDK1 4下载 JRE1 4下载

sdfhncfw的博客 1128

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Bond1 & Bond4

需要注意的是,具体的故障转移和负载均衡行为可能因操作系统、网络驱动程序和配置参数的不同而有所变化。在使用特定的网络接口绑定方案之前,建议仔细阅读相关文档和手册,以了解所选方案的详细故障转移和负载均衡行为。故障转移和负载均衡要求:Bond1和Bond4之间可能有不同的故障转移和负载均衡设置。需要注意的是,选择使用特定的网络接口绑定配置是根据特定环境和需求而定的。"Bond1"和"Bond4"是网络接口绑定(NIC Bonding)的命名,通常用于将多个网络接口绑定为一个逻辑接口,以提供更高的带宽和冗余。

喝醉酒的小白 4163

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")

jetson Xavier NX 下安装opencv-4.1.1 及opencv_contrib-4.1.1

jetson Xavier NX 下安装OpenCV4.1.1 及OpenCV_contrib4.1.1 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 系列文章目录 前言 一、pandas是什么? 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智..

zhaidandan135的博客 4128

在4*4的平面上计算2a1+1+1

如果分类两个训练集A和B,如果A中有两个点结构为2a1,B也有两个点且不与A重合,则如果搜索空间为4*4,则当B与A刚好形成4a2结构时,最容易收敛,迭代次数最少。因为4a2的分布概率最大,最容易被随机到

staple 1085

NFS4.0+4.1的特性支持

NFS4.0在NFS3的基础上进行了很大程度的更新:Feature:增加了NFS的状态反馈,自身就实现文件锁功能。支持RPCSEC-GSS身份认证,提升了安全性。NFSv4文件系统的命令空间发生了变化,服务器端必须设置一个根文件系统(fsid=0),其他文件系统挂载在根文件系统上导出。 NFSv4支持delegation。由于多个客户端可以挂载同一个文件系统,为了保持文件同步,NFSv3中客户端需...

草芥茶|TestMore 1万+

openssh升级7.4p1至8.4p1、openssl升级至openssl-1.1.1h

** openssh升级7.4p1至8.4p1、openssl升级至openssl-1.1.1h ** 升级准备: 下载安装包 https://sourceforge.net/projects/libpng/files/zlib/1.2.11/zlib-1.2.11.tar.gz https://www.openssl.org/source/openssl-1.1.1h.tar.gz https://cdn.openbsd.org/pub/OpenBSD/OpenSSH/portable/openssh-8

swindy博客 1144

架构与UML4+1视图

架构4+1更抽象,适合高层设计;UML 4+1更具体,绑定UML语法。

weixin_50756332的博客 1327

version1.4

version1.4

u013633177的专栏 1万+

CAT1和CAT4的区别

现今,CAT1的发展势头一直很迅猛,那为什么CAT4不能替代CAT1的地位呢?,我们来看下面几点: 成本 1. 网络建设方面,Cat1可以无缝接入现有LTE网络当中,无需针对基站进行软硬件升级,网络覆盖成本低; 2. 芯片成本方面,经过系统优化后,模组的硬件架构更简单,集成度更高,外围硬件成本更低; 3. 模组方面,市场玩家众多、竞争惨烈,Cat1模组价格不断被拉低。 目前市场上的Cat1模组价格已降至40-50元,未来价格还有继续下降的可能。 而CAT4的价格一直在10元左右。 技术层.

haas506开发板 2万+

如何测试CTS4.1

CTS4.1测试步骤 V1.0 (更新到CTS4.1 R1) 前言:其实CTS4.1 R1的测试方法和CTS4.0 R2&R3一样,只是测试环境需要新的SDK r20.0.1,SDK下载链接:http://developer.android.com/sdk/index.html 所以这篇文章有点偷懒了,呵呵。   第一:平台准备工作 第二:新建CTS测试任务 第三:关于CTS4

subsist的专栏 4975
上一篇: 3-12
下一篇: 4-3
i_3ummer
博客等级 码龄12年 0粉丝 55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