Rust实战:构建跨语言Windows DLL的完整指南

Rust实战:构建32位DLL动态库的完整指南与最佳实践 本文提供了一份使用Rust语言构建32位DLL动态库的完整实战指南。文章详细阐述了32位DLL在维护遗留系统、游戏Mod开发等场景中的必要性,并逐步讲解了环境搭建、核心代码编写、内存安全处理、跨语言调用及性能优化等最佳实践,帮助开发者高效、安全地创建高性能插件。 阅读详情

1. 为什么选择Rust来构建Windows DLL?

如果你像我一样,在Windows平台上和C++、C#这些“老伙计”打交道多年,一提到写DLL(动态链接库),脑子里蹦出来的肯定是Visual Studio、一堆__declspec(dllexport)和让人头疼的边界检查。几年前我第一次听说用Rust写DLL,第一反应是:“这不是给自己找麻烦吗?” 但实际踩过坑、做过几个项目后,我发现这简直是打开了新世界的大门。今天,我就以一个过来人的身份,跟你聊聊怎么用Rust打造既安全又高效的Windows DLL,并且让C++、C#甚至Python都能轻松调用。

Rust最吸引我的地方,就是它能把内存安全和零成本抽象直接带到系统编程的最底层。用C++写DLL,一个不小心就是内存泄漏或者缓冲区溢出,调试起来像大海捞针。而Rust的编译器就像个严厉的保安,在编译阶段就把大多数这类低级错误给拦在门外。这意味着,你交付的DLL在稳定性上就有了先天优势。特别是当你需要暴露复杂的API给其他语言时,Rust强大的类型系统能帮你构建出更清晰、更不容易被误用的接口。

另一个现实的好处是依赖管理。用C++搞个稍微复杂点的DLL,光理清第三方库的依赖和编译选项就能耗掉大半天。Rust的Cargo工具链把这事儿变得无比简单。你只需要在Cargo.toml里写上需要的库和版本,剩下的它全包了,从下载、编译到链接,一气呵成。这对于需要集成多个Rust生态中优秀crate(比如高性能的序列化库serde、异步运行时tokio)到DLL中的场景来说,效率提升不是一点半点。

当然,跨语言调用(FFI)永远是核心话题。Rust与C语言的ABI(应用程序二进制接口)兼容性做得非常好,这为它成为优秀的“DLL语言”打下了坚实基础。通过extern "C"和#[repr(C)],我们可以轻松地定义出C语言能理解的函数和数据结构。这样一来,你的Rust DLL不仅能被C/C++调用,任何能调用C接口的语言(比如C#通过P/Invoke、Python通过ctypes)都能成为它的用户。这种灵活性在构建跨语言、跨平台的中间件或引擎核心时价值巨大。

2. 从零开始:你的第一个Rust DLL项目

光说不练假把式,咱们直接动手。我假设你已经安装好了Rust工具链(用rustup安装就行)。整个过程非常顺畅,我带你走一遍。

2.1 创建项目与核心配置

首先,打开你的终端或命令行,我们创建一个新的库项目:

cargo new --lib my_awesome_dll
cd my_awesome_dll

关键的一步来了:配置 Cargo.toml。这个文件决定了你的库会被编译成什么形式。用你喜欢的编辑器打开它,我们需要关注 [lib] 这个部分。

[package]
name = "my_awesome_dll"
version = "0.1.0"
edition = "2021"

# 这是最重要的配置:告诉Cargo生成一个C兼容的动态链接库
[lib]
crate-type = ["cdylib"]

[dependencies]
# windows crate 让我们能方便地使用Windows API,比如处理DllMain
windows = { version = "0.54", features = ["Win32_System_LibraryLoader"] }

这里我详细解释一下 crate-type。它有几个选项,很容易搞混:

  • cdylib:这是我们需要的。它生成一个标准的、与C语言ABI兼容的动态链接库(比如.dll文件)。这个DLL不包含Rust特有的元数据,可以被任何支持C调用的语言使用。
  • dylib:生成Rust原生的动态库,里面包含了Rust的元信息。这种库主要给其他Rust程序用,不适合跨语言。
  • rlib:Rust的静态库格式,是Cargo默认的。它是编译的中间格式,用于Rust代码之间的链接。
  • staticlib:生成C兼容的静态库(.lib或.a文件)。

所以,记住:做跨语言DLL,一定要用 cdylib。

2.2 编写基础导出函数

现在,我们来写点真正的代码。打开 src/lib.rs,把默认的内容清空,我们从最简单的开始——导出一个加法函数。

// 首先,引入FFI(外部函数接口)相关的工具
use std::os::raw::c_int; // 对应C语言的 int

// 使用 `no_mangle` 属性阻止Rust编译器对函数名进行“名称修饰”
// 这样在DLL中,函数名就会保持为简单的 `add`
// `extern "C"` 指定使用C语言的调用约定,这是跨语言互操作的标准
#[no_mangle]
pub extern "C" fn add(a: c_int, b: c_int) -> c_int {
    a + b
}

保存文件,然后在项目根目录下运行:

cargo build --release

如果一切顺利,你会在 target/release/ 目录下找到新鲜出炉的 my_awesome_dll.dll(如果是调试模式debug,则是 my_awesome_dll.dll 和 my_awesome_dll.dll.lib 导入库)。恭喜你,你的第一个Rust DLL已经诞生了!

2.3 使用C++快速测试DLL

光有DLL不行,我们得验证它能不能用。创建一个简单的C++测试程序 test.cpp:


        
Rust:如何开发Windows 动态链接库 DLL Rust创建Windows DLL动态库的完整指南 本文详细介绍了使用Rust创建兼容C的Windows DLL动态库的全过程: 项目配置 通过cargo new --lib创建项目 在Cargo.toml中设置crate-type = ["cdylib"] 添加windows crate依赖项 核心实现 使用#[no_mangle]和extern "C"确保函数导出兼容性 演示了基本数值运算、字符串处理和结构体操作 提供了必须的字符串内存管理函数 编译与调用 使用c 阅读详情

相关推荐

Rust实战:5分钟搞定32位DLL开发(附C++调用示例)

本文提供了一份快速上手的Rust 32位DLL开发实战指南。通过清晰的步骤,详细介绍了如何配置32位Rust编译环境、编写并导出可供C++调用的函数(包括数学计算、字符串处理和回调),并附有完整的C++调用示例。文章旨在帮助开发者快速实现Rust与遗留32位Windows应用或C++项目的安全、高效互操作。

rgv234567的博客 454

Rust实战:5分钟搞定Windows DLL开发,含C++调用示例

本文提供了一份Rust在Windows平台进行DLL开发的实战指南。通过详细的步骤,从环境配置、项目初始化,到编写核心代码(包括数值计算、字符串处理和结构体传递),并最终演示了如何在C++中通过动态加载和静态链接两种方式调用Rust DLL,帮助开发者快速实现Rust与现有C++生态的无缝集成。

root9的博客 253

Flutter与Rust跨语言交互实战指南

跨语言交互是现代移动开发中的关键技术,通过FFI(Foreign Function Interface)实现不同语言间的无缝协作。Flutter作为跨平台UI框架与Rust系统级语言的结合,既能保持界面开发效率,又能提升计算密集型任务的执行性能。在图像处理、音视频编解码等场景中,这种组合可带来3-5倍的性能提升。实现过程中需要解决类型系统映射、内存管理机制协调等核心问题,通过平台库动态加载、异步回调架构等方案构建稳定交互通道。本文以Flutter-Rust-Bridge工具链为例,详解从基础类型转换到零拷贝

aofan9566的博客 572

Rust DLL开发避坑指南:内存安全与跨语言调用的那些坑

本文深入探讨了Rust开发Windows DLL时的内存安全与跨语言调用难题,提供了字符串处理、线程安全、ABI稳定性等七个维度的实战解决方案。特别针对动态链接库开发中的常见陷阱,如资源泄漏、回调函数安全等,给出了具体代码示例和防御措施,帮助开发者高效构建稳定的Rust DLL模块。

weixin_29005499的博客 233

Windows下GCC 15+CMake 4+Rust GNU工具链混合开发环境配置指南

在跨平台软件开发中,C/C++与Rust的混合编程已成为提升性能与安全性的重要模式。其核心原理是通过外部函数接口(FFI)实现语言间的互操作,关键在于构建工具链的兼容性。这种技术方案的价值在于能够结合C/C++的成熟生态与Rust的内存安全特性,广泛应用于系统编程、游戏引擎和基础设施软件等领域。本文聚焦于Windows平台,针对开发者在配置**GCC编译器**与**CMake构建系统**时常见的环境冲突问题,提供了一套基于WinLibs发行版的GCC 15与CMake 4的集成方案,并详细阐述了如何将其与R

weixin_33720078的博客 438

Flutter与Rust交互开发实战指南

跨平台开发中,Flutter与Rust的结合为高性能移动应用开发提供了新思路。Flutter作为跨平台UI框架,以其高效的开发体验著称;而Rust作为系统级编程语言,凭借卓越的性能和内存安全性,特别适合处理加密算法、图像处理等复杂任务。通过FFI(外部函数接口)技术,开发者可以在Flutter应用中调用Rust编写的高性能模块,实现UI与核心逻辑的完美解耦。这种架构在区块链钱包、物联网控制、游戏引擎等场景具有显著优势。文章详细介绍了从环境配置、动态库加载到异步通信的完整实现方案,并提供了flutter_ru

weixin_30696427的博客 414

Rust入门实战:环境配置、Web开发与跨语言调用全链路指南

Rust语言凭借内存安全、高性能和可靠的并发模型,在系统开发、服务端和嵌入式领域持续升温。对新手而言,最关键的起步并非死磕所有权和生命周期,而是先打通工具链、依赖源和编译调试这条底层链路。本文从通用概念切入,介绍如何通过rustup管理工具链、配置Cargo镜像源、在VSCode中高效运行Rust代码,并围绕actix-web实现RESTful API,通过C ABI实现跨语言调用,同时提及GPUI、嵌入式开发和二进制分析等进阶方向。无论你是准备写第一行Rust代码,还是为团队做技术选型,都能从中获得工程落

weixin_33858336的博客 322

Rust FFI调用C++实战:安全封装、内存管理与跨语言交互

在系统编程领域,跨语言交互是连接不同技术生态的关键桥梁。FFI(Foreign Function Interface)作为实现跨语言调用的核心技术,其原理在于通过标准化的二进制接口(ABI)在不同语言运行时之间建立通信机制。这项技术的核心价值在于能够复用成熟的现有代码库,避免重复造轮子,同时在新项目中引入更现代化的语言特性。在工程实践中,FFI广泛应用于高性能计算、图形渲染、操作系统底层驱动等场景,特别是在需要将C++遗留代码集成到Rust项目时,FFI成为不可或缺的技术手段。本文聚焦于**内存安全**与*

weixin_30765577的博客 413

简单的DLL可以测试各种注入方法。-Rust开发

简单的DLL可以测试各种注入方法。 Evil_DLL简单的DLL,用于测试各种注入方法。 将文件写入目录“ c:\ pwned”,名为pwned_ {pid} .txt。 {pid} =注入的进程的pid。 文件内容示例:[*] Pid:“ 7204” [*]进程:“ C:\\ Windows \\ system32 \\ regsvr32.exe” [*] Args:[“。\\ evil_dll.dll”] [*]用户:“ user” [*]域:“ DOMAIN” [*]创建的文件:“ c:\\ pwned \\ pwned_7204.txt”要将所有依赖项编译到DLL中,请创建一个“ .cargo \ config.toml”目录,然后根目录

反激电源反馈环路设计:从TL431+PC817原理到动态补偿实战

本文深入解析了反激电源中由TL431和PC817构成的经典反馈环路设计。从静态工作点计算到动态补偿实战,详细阐述了如何通过Type II补偿网络优化环路稳定性与动态响应,并分享了应对光耦CTR离散性、布局噪声等常见调试难题的实用技巧,帮助工程师设计出高性能、高可靠的开关电源。

moon9的博客 707

QGIS|如何将WGS84转换为CGCS 2000坐标系?

QGIS 3中如何将WGS84转换为国家2000大地坐标系? 今天来回答一位朋友在后台留言提出的问题:怎么将WGS84坐标转换为国家2000大地坐标系。 01工程坐标系 从地图窗口右下角的状态栏可以看到当前地图窗口的坐标系,即工程坐标系(Project CRS)。当前地图可以由多个图层组成,各种来源数据的坐标参照系(Layer CRS)并不一定相同,QGIS在绘制图层之前将根据工程坐标系进行动态坐标转换,然后显示在地图画布中。 因此,在处理空间数据的过程中,一定要特别注意...

QGISClass的博客 1万+

「 网络安全常用术语解读 」软件成分分析SCA详解:从发展背景到技术原理再到业界常用检测工具推荐

软件成分分析(Software Composition Analysis,SCA)是一种用于识别和分析软件内部组件及其关系的技术,旨在帮助开发人员更好地了解和管理其软件的构建过程,同时可帮助安全人员揭秘软件内部结构的神秘面纱。SCA技术的发展与软件行业的快速发展密不可分,下面将介绍SCA的发展背景、技术原理以及当前主流SCA工具。

所有成功的背后,都是痛苦的坚持,所有的痛苦,都是傻瓜般的不放弃! 5640

ENVI 5.6保姆级教程:高分七号DLC影像从打开到融合的完整流程(附避坑指南)

本文详细介绍了ENVI 5.6处理高分七号DLC影像的完整流程,包括环境准备、数据解压、正射校正、图像融合等关键步骤。特别针对国产卫星数据处理的独特挑战,提供了实用的避坑指南和优化技巧,帮助用户高效完成光学影像的预处理和质量提升。

weixin_33269743的博客 383

QGIS004:【05矢量属性表】-保留字段、删除字段、添加唯一值索引字段、添加字段到属性表、添加自增量字段、添加XY字段到图层、文本型转浮点型、重构字段、重命名字段

摘要:QGIS矢量属性表工具箱包括保留字段、删除字段、添加唯一值索引字段、添加字段到属性表、添加自增量字段、添加XY字段到图层、文本型转浮点型、重构字段、重命名字段等选项,本文介绍各选项的基本操作。

qq_31762031的博客 2313

【从零开始学习 SystemVerilog】1.1、SystemVerilog 概述

【从零开始学习 SystemVerilog】1.1、SystemVerilog 概述

努力,加油每一天鸭~ 1038

二十一、SAP-库存管理

业务逻辑、功能讲解、图文解析、章节总结

m0_72403327的博客 1815

如何使用 Python 爬虫获取猫眼电影数据:电影评分与评论分析

随着互联网的快速发展,越来越多的人开始使用各种在线平台来了解电影信息,猫眼电影作为一个非常流行的在线电影票务平台,提供了详细的电影评分、评论和票房数据。本篇博客将详细介绍如何使用 Python 爬虫技术获取猫眼电影平台上的电影数据,重点关注电影评分和用户评论的爬取,分析其背后的数据处理和反爬虫技术。如果你对数据分析、电影评论分析等话题感兴趣,可以根据本文的示例进一步深入挖掘更多的数据,为决策提供支持,或为电影产业的相关研究提供有价值的分析依据。有些猫眼电影的页面数据是动态加载的,使用。

2201_76125261的博客 1623

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")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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

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...

上一篇: AX7A200教程(10): ov5640摄像头DDR3缓存与HDMI 720p实时显示优化
下一篇: VQA入门(特征提取+融合实战)之《从逐元素乘到早期交互》
lambda
博客等级 码龄23年 49粉丝 1303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  | 博主筛选后可见
 
 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