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
3.5w累计阅读
3.6w+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
AI摘要
该文详细介绍了如何在Matlab中使用MinGW-w64作为C/C++编译器。首先，提供了下载MinGW-w64的两种方法，包括在线安装和下载离线包，并强调了环境变量配置的重要性。接着，步骤详细阐述了如何在Windows系统中配置环境变量，并在Matlab中设置MW_MINGW64_LOC环境变量。此外，文章还提及了可能出现的问题，如路径含有空格导致的编译器无法识别，以及解决方法。最后，提到了Matlab内部安装MinGW-w64的警告信息处理方式。
很多时候需要在Matlab下使用C或C++边写的代码，这时候就需要先用编译器将代码编译成Matlab可以用的mex文件。检测Matlab有没有可以使用的编译器，可以在命令行窗口下，输入mex -setup，如果有的话就会显示出可以用的编译器。
无编译器：
有编译器：
（如果针对matlab，个人推荐方法二，方便快捷）
(前两步不仅仅适用于MATLAB)
1.安装包下载
方法一：下载Installer在线安装（费时）
方法二：下载离线包（较快）
由于在线安装方式下载较慢，所以可以选择直接下载离线包。
点击此链接：https://sourceforge.net/projects/mingw-w64/files/，进入下图1后将页面往下滑到图2区域，点击所需离线包名称（参照下图），然后就会弹出图3所示对话框，保存下载即可。离线包大约50MB（解压后500MB左右）。
Matlab安装minGW64的C编译器
为了解决Matlab编译.C文件时minGW-64编译器下载失败的问题，简要总结Matlab的C编译器安装步骤
Matlab2017配置C++环境——安装MinGW-w64 C/C++ 编译器
前言 记录一次令人窒息的操作… 学SVM时要用到台湾林智仁先生写的libsvm包时，需要用到C++的编译器，一开始看到的文章推荐安装Visual Studio，因为不同版本的Matlab兼容不同版本的Visual Stidio，通过 mex -set -v 命令可以看到你所下的Matlab兼容什么版本的。本人用的Matlab2017b，下载的是Visual Stidio 2015，狗血的事情开始了...
如何在Matlab中配置MinGW-w64 C/C++编译器以解决mex命令报错
本文详细指导如何在Matlab中配置MinGW-w64 C/C++编译器，以解决常见的'mex -setup'命令报错问题。通过分步讲解安装TDM-GCC发行版、设置关键系统环境变量（如MW_MINGW64_LOC）以及在Matlab中验证配置，帮助用户顺利完成编译器集成，为后续使用mex命令进行C/C++混合编程奠定基础。
MATLAB中MinGW-w64 C/C++编译器的安装与配置全攻略
本文详细介绍了在MATLAB中安装与配置MinGW-w64 C/C++编译器的完整流程。从下载官方源文件、解压放置到无空格路径，到配置系统环境变量，再到在MATLAB中通过setenv命令和mex -setup完成最终设置，并提供了解决常见问题（如路径空格、DLL依赖、版本兼容）的深度排坑指南。最后通过一个简单的“Hello World”MEX程序演示了编译与运行，帮助用户快速掌握利用C/C++编译器提升MATLAB性能与扩展功能的核心方法。
【MATLAB】如何安装配置MinGW-w64 C/C++编译器MATLAB2023a
4.右键计算机选择“属性——高级系统设置——高级——环境变量”，点击“环境变量”；具体配置办法和检验是否成功，参考帖子。-w64，进入页面后选择适合自己的编译器版本，我的版本是matlab23a，所以需要下载Mingw8.1。1.打开你的matlab，选择“附加功能”，选择“获取附加功能”，点蓝色链接。按照这个操作即可，编译过程中碰到的问题，up主都讲解的很清楚。3.新版本下载下来不需要安装，直接放在想放的文件夹下即可。2.在“附加功能资源管理器”中，搜索“另外，还有Matlab如何运行C语言。
MATLAB与MinGW-w64 C/C++编译器：从下载到配置的完整指南
本文提供了一份详细的MATLAB与MinGW-w64 C/C++编译器手动安装配置指南。文章解释了为何需要外部编译器，并逐步指导用户下载匹配版本、配置系统环境变量、在MATLAB中执行配置脚本，最终通过编译测试文件验证配置成功。该指南旨在帮助用户解锁MATLAB调用和编译C/C++代码的高级功能。
Libsvm的完整安装过程以及如何在Matlab2018a中配置MinGW-w64 C/C++ 编译器
在安装Libsvm的过程中，我遇到了很多问题，参考了这些大神的博客，最终成功安装。在此非常感谢这些人。 以下是我完整的安装过程（本人用的matlab版本是matlab2018a，Win10系统）： 总的参考博客：https://blog.youkuaiyun.com/qq_31781741/article/details/82666861 1.官网下载Libsvm安装包 Libsvm官网：https:...
单细胞空间转录组分析流程学习python版(三)
空转python版学习
Odoo17商城微信支付模块，快速一个实现可在线支付的商城
通过集成微信支付APIv3，Odoo 系统实现了高效、安全的支付流程。Native扫码支付和Jsapi微信浏览器内直接拉起支付为用户提供了更加便捷的支付方式。同时，通过发送下单及支付消息给管理员，商家可以实时了解订单状态并进行相应处理。通过集成微信支付 结合 Odoo 系统内置的商城模块，可以为商家快速实现功能完善、高效的电商解决方案。
用AI科研绘图全新升级！借助谷歌新发布模型Nano Banana pro实测一键绘制机制图与技术路线图，直接告别文字乱码与低画质
之前有同仁反馈，用Nano Banana画科研插图的时候，要么文字部分容易乱码，要么抓不住关键内容，画出来的效果反复修改后，还是达不到理想的效果。终于在Gemini 3发布没几天，万众期待的大香蕉模型也成功升级到了Pro版本，官方名称叫“Gemini 3 Pro Image”，实际上也就是我们说的Nano Banana 2。这次的Nano Banana Pro模型，不仅可以直出4K高清图，还能自定义比例，推理能力和中文文字的稳定性也得到了提升。
Android Google 支付接入
1. 从 2023 年 8 月 2 日起，所有新应用都必须使用结算库版本 5 或更高版本。自 2023 年 11 月 1 日起，现有应用的所有新版本都必须使用结算库版本 5 或更高版本。 2. 如果您的应用以 Android 14 或更高版本为目标平台，您必须更新到 PBL 5.2.1 或 PBL 6.0.1 或更高版本。
C++ Qt6 qml CMakeLists.txt如何添加qrc文件
本文介绍了在Qt6项目中如何通过CMake管理QML图片资源。相比Qt5的qmake，CMake需要手动创建qrc文件并配置CMakeLists.txt。关键步骤包括：1）创建resources.qrc文件并添加图片资源；2）在CMakeLists.txt中设置CMAKE_AUTORCC为ON开启自动资源处理；3）使用qt_add_resources将qrc文件绑定到项目。配置完成后，可通过"qrc:alias"方式引用资源图片，解决了相对路径管理复杂的问题。
一文搞懂蚁群算法Ant Colony Optimization（ACO）！！！（灵感起源+数学原理+代码实现+实战应用）
本文系统介绍了蚁群算法的原理与实现。首先从蚂蚁觅食行为出发，阐释了信息素正反馈机制如何引导群体找到最短路径。随后详细解析了算法的数学模型，包括状态转移规则和信息素更新机制。通过MATLAB代码演示了算法在旅行商问题（TSP）中的应用，展示了路径构建和优化的完整流程。最后讨论了算法的优势、局限性和实际应用场景。蚁群算法通过模拟生物智能，为解决复杂优化问题提供了一种高效方法，其核心在于信息素的正反馈机制与随机探索的平衡。
分数间隔均衡器的基本原理及应用（使用Matlab）
通过对接收信号进行加权求和，分数间隔均衡器可以抵消信号在传输过程中受到的频率响应失真。Matlab提供了丰富的工具和函数，可以方便地实现分数间隔均衡器，并进行性能评估。分数间隔均衡器（Fractional Interval Equalizer）是一种数字信号处理技术，用于均衡带通信道中的信号失真。分数间隔均衡器的基本原理是通过对接收信号进行加权求和，以抵消信号在传输过程中受到的频率响应失真。分数间隔均衡器在通信系统中具有广泛的应用。最后，我们通过比较均衡后的信号和发送数据的阈值来进行解调，并计算误码率。
出现 Transaction rolled back because it has been marked as rollback-only 解决方法
出现 Transaction rolled back because it has been marked as rollback-only 解决方法
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2012
扫一扫
