VC2005 下应用程序发布配置步骤

requestImage requestImage 博客等级 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 1k累计阅读 1k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 码龄16年
关注
原创 最新推荐文章于 2026-04-28 12:00:00 发布 1k 阅读 AI 写同款· GEO 优化 ›
Windows 7环境下VC2005安装与运行库配置完整指南 VC2005 或许已经老去，但它承载的技术遗产仍在影响今天的世界。我们不需要抛弃它，而是要学会如何与它共存。一套完整的解决方案应包括：✅ 自动检测✅ 智能安装✅ 日志审计✅ 兼容加固✅ 渐进迁移这才是真正的工程思维：既尊重历史，也面向未来。所以，下次当客户说“我这儿打不开你的程序”，你可以微微一笑，掏出那个绿色图标的小工具，轻轻一点——“好了，试试看。😎💻✨本文还有配套的精品资源，点击获取。 阅读详情

 发布配置步骤 （Release方式编译)

我的身份证识别程序中使用了CxImage ，调试时一直用CxImage动态库的Debug版本(cximagecrtd.dll)，在发布总弹出初始化错误，事件信息显示为 "DLL 版本信息不匹配错误" 导致发布不成功。发现问题所在后把CxIImage也按Release配置进行编译，得到Release版本动态库(cximagecrt.dll) 问题得到解决。 没有进行部署配置的可执行文件在目录机器执行可能会生成 “配置错误”或“初始化错误” 主要原因是不能找到匹配的依赖库(*.dll), 需要使用*.manifest  (部署文件)进行定位.

项目名称:Identification

发布配置目标位置  本地 x:/Setup  x = c | d | e 盘.......

操作目录 项目文件夹  Release下

1. 把项目按Release 配置进行编译 在 项目的Release 文件夹下生成可执行文件及一些附近文件。 把生成的可执行文件Identification.exe  及部署配置文件 Identification.exe.intermediate.manifest  拷贝到 x:/Setup下

2. 把之前用到的CxImage 动态库 cximagecrt.dll 也拷贝到了 x:/Setup下

操作目录

3.将Identification.exe.intermediate.manifest  改名为 Identification.exe.manifest   注：.exe 之前命名同可以执行文件名称

4. 打开 Identification.exe.manifest    （我的文件内容如下：)

<?xml version='1.0' encoding='UTF-8' standalone='yes'?>
<assembly xmlns='urn:schemas-microsoft-com:asm.v1' manifestVersion='1.0'>
  <dependency>
    <dependentAssembly>
      <assemblyIdentity type='win32' name='Microsoft.VC80.CRT' version='8.0.50727.762' processorArchitecture='x86' publicKeyToken='1fc8b3b9a1e18e3b' />
    </dependentAssembly>
  </dependency>
  <dependency>
    <dependentAssembly>
      <assemblyIdentity type='win32' name='Microsoft.VC80.MFC' version='8.0.50727.762' processorArchitecture='x86' publicKeyToken='1fc8b3b9a1e18e3b' />
    </dependentAssembly>
  </dependency>
</assembly>

5. 在 x:/Setup 目录 跟据 name='Microsoft.VC80.CRT'  这个信息 创建目录 命名为 Microsoft.VC80.CRT 同样也需要创建

Microsoft.VC80.MFC 这个目录

现在目录结构:

x:/Setup

-----|Identification.exe

-----|Identification.exe.manifest

-----|Microsoft.VC80.CRT (目录)

-----|Microsoft.VC80.MFC (目录)

 

 记下 文件中  version='8.0.50727.762' processorArchitecture='x86' publicKeyToken='1fc8b3b9a1e18e3b'  这段配置信息

6.到c:/windows/winsxs  下查找对应的目录

我查到的目录

x86_Microsoft.VC80.CRT_1fc8b3b9a1e18e3b_8.0.50727.762_x-ww_6b128700

x86_Microsoft.VC80.MFC_1fc8b3b9a1e18e3b_8.0.50727.762_x-ww_3bf8fa05

注意信息匹配。

如果没有这个些目录或没有匹配的目录 查找或下载 vcredist_x86.exe  并安装 vc8安装后在

x:/Program Files/Microsoft Visual Studio 8/SDK/v2.0/BootStrapper/Packages/vcredist_x86 可以找到。

拷贝 x86_Microsoft.VC80.CRT_1fc8b3b9a1e18e3b_8.0.50727.762_x-ww_6b128700 目录中 *.dll 到 x:/Setup/Microsoft.VC80.CRT  拷贝x86_Microsoft.VC80.MFC_1fc8b3b9a1e18e3b_8.0.50727.762_x-ww_3bf8fa05 目录中 *.dll 到x:/Setup/Microsoft.VC80.MFC

 

Microsoft.VC80.CRT  和Microsoft.VC80.MFC目录中还需要下面的配置文件  同样也需要注意版本匹配

我的两个配置文件如下：

名称：Microsoft.VC80.CRT.manifest

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<assembly xmlns="urn:schemas-microsoft-com:asm.v1" manifestVersion="1.0">
    <noInheritable></noInheritable>
    <assemblyIdentity type="win32" name="Microsoft.VC80.CRT" version="8.0.50727.762" processorArchitecture="x86" publicKeyToken="1fc8b3b9a1e18e3b"></assemblyIdentity>
    <file name="msvcr80.dll" hash="10f4cb2831f1e9288a73387a8734a8b604e5beaa" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>n9On8FItNsK/DmT8UQxu6jYDtWQ=</dsig:DigestValue></asmv2:hash></file>
    <file name="msvcp80.dll" hash="b2082dfd3009365c5b287448dcb3b4e2158a6d26" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>0KJ/VTwP4OUHx98HlIW2AdW1kuY=</dsig:DigestValue></asmv2:hash></file>
    <file name="msvcm80.dll" hash="542490d0fcf8615c46d0ca487033ccaeb3941f0b" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>YJuB+9Os2oxW4mY+2oC/r8lICZE=</dsig:DigestValue></asmv2:hash></file>
</assembly>

 

名称：Microsoft.VC80.MFC.manifest

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<assembly xmlns="urn:schemas-microsoft-com:asm.v1" manifestVersion="1.0">
    <noInheritable></noInheritable>
    <assemblyIdentity type="win32" name="Microsoft.VC80.MFC" version="8.0.50727.762" processorArchitecture="x86" publicKeyToken="1fc8b3b9a1e18e3b"></assemblyIdentity>
    <file name="mfc80.dll" hash="8f53f3ce664dfb39cadf8ecb34dd49cbd8348227" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>1ojXfwyqiX5uwu0seJ53tIMEcB8=</dsig:DigestValue></asmv2:hash></file>
    <file name="mfc80u.dll" hash="db3a3bfed210d41af3579d948cace75cb74eee0a" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>AltS/xFid2D3AGUQ6aUhtVQjD+4=</dsig:DigestValue></asmv2:hash></file>
    <file name="mfcm80.dll" hash="b8c8711c5caa3a600d9f3138b7bb2ee8987353d2" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>Y8H6ZS9/W9H8y+NhgWOxGaeaORw=</dsig:DigestValue></asmv2:hash></file>
    <file name="mfcm80u.dll" hash="23bd86592cba61a704d8e63eb8c8e9d72212f7e5" hashalg="SHA1"><asmv2:hash xmlns:asmv2="urn:schemas-microsoft-com:asm.v2" xmlns:dsig="http://www.w3.org/2000/09/xmldsig#"><dsig:Transforms><dsig:Transform Algorithm="urn:schemas-microsoft-com:HashTransforms.Identity"></dsig:Transform></dsig:Transforms><dsig:DigestMethod Algorithm="http://www.w3.org/2000/09/xmldsig#sha1"></dsig:DigestMethod><dsig:DigestValue>xsOzrzfyAgJe47nMR3YRxsX7R8I=</dsig:DigestValue></asmv2:hash></file>
</assembly>

 

这两个配置文件中描述的DLL名称与目录中实际的动态库一定要一致。这两个配置文件在VC8的安装目录也能找到

 

这样配置结束后，不管目标主机是否安装VC8 双击可执行文件(Identification.exe) 都是可正常执行。

可以接下来通过安装制作程序制作安装包。

 

标签
#algorithm #encoding #x86 #file #mfc
#dll
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
芯片封装、功率密度提升及热管理系统优化三个维度分析高功率芯片散热技术挑战 本文探讨高功率芯片散热技术挑战与创新。随着新能源汽车MOSFET用量增至400颗/车，文章聚焦封装技术创新（双面散热、集成模块）、功率密度提升（SGT-MOSFET优化）和热管理系统协同优化三大方向。通过热仿真案例（如CPO散热优化）展示温升改善方案，强调需协同器件级设计、系统级仿真与先进封装技术（混合键合/玻璃基板）来解决高密度互连与散热矛盾，为功率密度跃升提供技术支撑。 阅读详情

相关推荐

银河麒麟V10-ARM架构-postgresql安装与部署指南

本文详细介绍应用源码进行pgsql的安装步骤，本文以postgresql-12.0为例。提示：以下是本篇文章正文内容，下面案例可供参考银河麒麟系统安装程序比较繁琐，潜在问题比较多，个人建议均通过源码自定义编译安装。国产系统还需努力啊！

idols_man的博客 1万+

解决“应用程序无法启动,应用程序的并行配置不正确”

<br /><br />本文转载于kingcham空间： http://hi.baidu.com/kingcham/blog/item/28fa43951b2b2112d31b70d9.html】<br />应用程序事件日志中：<br />“C:/windows/system32/test.exe”的激活上下文生成失败。 找不到从属程序集 Microsoft.VC80.MFC,processorArchitecture="x86",publicKeyToken="1fc8b3b9a1e18e3b",type

小安屋 1万+

几款支持国标GB28181的平台以及视频监控设备接入的配置方法(Web端无插件播放)

GB28181解决的一个主要问题就是如何远程、跨网络、跨区域、跨级别的访问网络中的监控设备（包括IPC、NVR等），本文介绍几款G28181平台的接入配置方法，适合有监控视频摄像头的远程接入和预览需求的人群参考使用。

一名高级工程师的博客 1万+

解决”应用程序配置不正确，程序无法启动”问题

问题背景 基于mfc开发的程序在发布或是在没有安装vs环境的机器上运行时，会报“应用程序配置不正确，程序无法启动”类似这样的错误，根本原因就是没有对应的依赖库文件或是版本不对。 问题分析、解析 解决的方法是先找出依赖的哪些文件，在编译程序的目录下查找 *exe.intermediate.manifest文件，文件的内容可能长这样 <?xml version=’1.0′ encodin...

itgather的博客 1471

K-近邻算法： k-nearest neighbor classification (kNN) 详细介绍

@创建于：2020.04.09 @修改于：2020.04.09，2024.06.22 文章目录1、kNN介绍2、k近邻法的三要素详解2.1 距离度量2.2 k值的选择2.3 分类决策规则3、k近邻法的实现：kd树4、Python实现过程5、优缺点6、常见问题 1、kNN介绍 kNN是一个基本而简单的分类算法，作为监督学习，那么KNN模型需要的是有标签的训练数据，对于新样本的类别由与新样本距离最近的k个训练样本点按照分类...

chenhepg的博客 9万+

OpenClaw进阶实战（二十三）：微信公众号接入——被动回复、客服消息、素材管理

本文介绍了将OpenClaw接入微信公众号的完整方案，重点包含以下内容： 接入方案选型：对比官方插件、三方服务和自建中转三种方式，选择自建Node.js中转服务实现灵活控制 核心原理：通过中转服务器完成微信消息协议转换，处理5秒超时限制和异步回复机制 实战开发： 搭建Express中转服务 实现Token管理和消息处理 采用内存缓存对话历史 通过客服接口异步回复 官方插件方案：介绍2026年发布的ClawBot插件，支持文本/图片/文件收发 进阶功能：包括素材管理接口调用示例 该方案适用于需要深度定制公众号

PeterPan的博客 143

Win7安装Oracle Instantclient ODBC驱动之后配置DSN时出错的解决办法

出错信息： "Activation context generation failed for "C:\Program Files\Oracle Client\SQORAS32.DLL". Dependent Assembly Microsoft.VC80.MFC,processorArchitecture="amd64",publicKeyToken="1fc8b3b9a1e18e3b",

F2004的专栏 4730

Open3D 高斯牛顿法优化的ICP点云配准

本文介绍了基于高斯牛顿法的ICP点云配准算法。算法通过最小化源点云与目标点云之间的误差函数，求解最优的刚性变换参数（平移向量和欧拉角）。核心内容包括：1）建立误差函数和目标函数；2）推导雅可比矩阵计算，特别是旋转导数的李代数近似；3）详细阐述高斯牛顿法的迭代流程，包括变换计算、最近邻搜索、参数更新等步骤；4）分析算法的优缺点，指出其具有二阶收敛速度但可能陷入局部最优。最后给出了完整的数学推导过程，包括误差函数的泰勒展开和目标函数的近似优化。该算法适用于三维点云配准任务，但需要良好的初始位姿以避免局部收敛问题

点云侠的博客 128

thinkpad在win7下安装电源管理器报错解决办法

1、安装后在事件查看器中看到，报错如下： 报错一： “C:\Windows\system32\PWMCP32V.cpl”的激活上下文生成失败。 找不到从属程序集 Microsoft.VC80.MFC,processorArchitecture="x86",publicKeyToken="1fc8b3b9a1e18e3b",type="win32",version="8.0.50608.0"。

zxs9999的专栏 4696

极智芯 | 解读国产CPU之海光

大家好，我是极智视界，本文分享一下 解读国产CPU之海光。希望我的分享能对你的学习有一点帮助。

极智视界 3320

YOLOv8【第四章：注意力机制篇·第20节】一文讲透，注意力机制设计原则与选择指南 - 从原理到实践的系统化方法论！

🏆 本文收录于 《YOLOv8实战：从入门到深度优化》，该专栏持续复现网络上各种热门内容(全网YOLO改进最全最新的专栏，质量分97分+，全网顶流)，改进内容支持(分类、检测、分割、追踪、关键点、OBB检测)。且专栏会随订阅人数上升而涨价(毕竟不断更新)，当前性价比极高，有一定的参考&学习价值，部分内容会基于现有的国内外顶尖人工智能AIGC等AI大模型技术总结改进而来，嘎嘎硬核。    ✨ 特惠福利：目前活动一折秒杀价！一次订阅，永久免费，所有后续更新内容均免费阅读！

**My Coding Family** 899

解决"应用程序配置不正确，程序无法启动"

“D:\Program Files\Tencent\QQ\Bin\QQ.exe”的激活上下文生成失败。 找不到从属程序集 Microsoft.VC80.CRT,processorArchitecture="x86",publicKeyToken="1fc8b3b9a1e18e3b",type="win32",version="8.0.50727.4053"。 请使用 sxstrace.exe ...

lianxiangbus 776

使用 Simulink Real-Time 搭建一个完整的实时信号采集与滤波系统模型

本文详细介绍了基于Simulink Real-Time构建实时信号采集与滤波系统的完整流程。主要内容包括：系统配置（模型创建与参数设置）、信号采集模块搭建（模拟信号源或真实硬件连接）、实时滤波器设计（浮点/定点）、输出可视化（Scope/ToWorkspace等）、模型编译与下载到目标机、外部模式在线调试及数据保存方法。系统可实现微秒级实时信号处理，适用于工业控制、航空航天等对时间确定性要求高的场景。文章还提供了优化建议（多速率建模、优先级调度等）和应用场景说明，帮助读者快速掌握实时系统开发的核心技能。

amy_mhd的博客 304

VC2005和VC2008编写的程序的发布方法

1.使用静态MFC，静态ATL的程序发布直接发布exe，dll即可。不需要manifest文件。2.winxp和win2003操作系统的程序发布2.1.VC2005的程序发布（使用动态MFC，动态ATL）将VC2005安装目录下：VC/redist/Debug_NonRedist/x86 和VC/redist/x86文件夹复制到exe所在的目录下，如下图所示。发布exe，dll时要同时发布对应

new_stranger的专栏 2047

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

VS2005 解决"应用程序配置不正确，程序无法启动"问题

http://xingzhesun.blogbus.com/logs/27746345.html 最近使用VS2005+codejock开发，需要做一个Release版本。当我把必要的mfc库，拷贝到exe目录下时。exe还是不能启动。  经过网上查找，看到一篇文章。“解决"应用程序配置不正确，程序无法启动"” URL ：http://www.cnbl

优快云Microsoft优快云的专栏 5323

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

VC2005运行库文件

VC2005运行库文件 随着Visaul Stdio 2005的发布，VC++ 2005也有部分同学在使用，可是往往编写的程序不能在其他电脑中执行，有些只能发布成静态连接库的形式发布，现在大家可以下载vc++2005的运行库，约2.6Mb，相对26MB的.net 运行库要小多了，这样大家以后的程序可以大大减肥了！ 另附上：VC2005编译出来的程序文件，采用了manifes

ljz888666555的专栏 2323

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")

一步一步创建VC2005解决方案

    现在软件开发已经告别了“独行侠”的年代，而是以团队开发为主。一般情况下，一个解决方案都会包含多个项目，比如：其中一些是静态库项目，一些是动态库项目，当然还会有应用程序项目。另外，根据需要，还可能会使用一些第三方库。因此为解决方案设置一个合理的目录结构并配合一定的环境变量，不但可以使得代码管理更井井有条，项目成员之间也更容易相互配合，更重要的是能够使得最终应用程序的安装包制作，源代码打包发布

寒星轩 1万+

应用程序无法启动,因为应用程序的并行配置不正确

应用程序事件日志中： “C:\windows\system32\test.exe”的激活上下文生成失败。 找不到从属程序集 Microsoft.VC80.MFC,processorArchitecture="x86",publicKeyToken="1fc8b3b9a1e18e3b",type="win32",version="8.0.50727.762"。 请使用 sxstrace.exe

Acheld的博客 3851

VC2005-"应用程序正常初始化失败"-0xc0150002(转载)

 <br />      最近几天被这个问题困惑了许久。 不禁感叹微软的东东真是越做越烂了，也终于明白了时隔12年大家仍然死守VC6的原因。。 <br /><br />　　用VC2005编译的程序，编译时没有任何错误，但是运行时就是提示“应用程序正常初始化失败”！！ 查找了各方面资料，做了各种尝试，网上说什么的都有：有让安装vc2005 sp1补丁的；有让安装vcredist_x86.exe的; 有让把CRT库的dll直接拷贝到程序目录的; 有让清理注册表的;有让装.NetFramework新版本的;有让查

lujianxin1098的专栏 1147

[zz]VC2005-应用程序正常初始化失败-0xc0150002

　最近几天被这个问题困惑了许久。 不禁感叹微软的东东真是越做越烂了，也终于明白了时隔12年大家仍然死守VC6的原因。。 　　用VC2005编译的程序，编译时没有任何错误，但是运行时就是提示“应用程序正常初始化失败”！！ 查找了各方面资料，做了各种尝试，网上说什么的都有：有让安装vc2005 sp1补丁的；有让安装vcredist_x86.exe的; 有让把CRT库的dll直接拷...

dongkai0918的博客 346

如何发布VC2005/VC2008编译的程序

Author: 徐艺波  From: xuyibo.org  Updated: 2009-06-29  mainfest.rar  1.0.0 用VC2005/VC2008编译出来的程序，如果拷贝到没有安装相应VC的机器上，很多时候会运行出错： The application failed to initialize properly (0xc0000135).This

C++菜鸟的blog 1981

使用VC2005编译静态应用程序的方法

<br />使用VC2005编译静态应用程序的方法<br />转自：http://hi.baidu.com/hardyheron/blog/item/0a80714575dd883687947387.html<br /><br /><br />使用VC2005编译静态应用程序的方法2009-07-16 18:03<br />使用VC编译C或者C++程序，都需要相关的C runtime库才能运行。如果你是VC6，相应的库就叫MSVCR，如果是VC2005，那就是MSVCR08，VC2008就是MSVCR09。

wisage的专栏 717

VC-"应用程序正常初始化失败"-0xc0150002

VC-"应用程序正常初始化失败"-0xc0150002 最近几天被这个问题困惑了许久。 不禁感叹微软的东东真是越做越烂了，也终于明白了时隔12年大家仍然死守VC6的原因。。  　　用VC2005/VC2008编译的程序，编译时没有任何错误，但是运行时就是提示“应用程序正常初始化失败”！！ 查找了各方面资料，做了各种尝试，网上说什么的都有：有让安装vc2005 sp1补丁的；有让安装

wjeson的专栏 7268

VC6项目转到VS2005的问题，100分请教

  在VC6中用MFC和API开发的项目，生成的release版，在多台电脑上测试通过。现在需要在VS2005中继续开发该项目。将项目转到2005中后，在没有添加任何代码的情况下，生成的release版只能在自己的电脑中运行。在多台没有安装VS2005的机器中运行，都提示“应用程序未能正确配置，重新安装该程序...”项目属性无CLR支持。通过dependence工具，发现缺少mfc80ud

looob的专栏 1145

关于vs2005的“应用程序配置不正确，无法运行”问题的解决方法

关于vs2005的“应用程序配置不正确，无法运行”问题的解决方法 - 视频探索 - che...（转载） jsun 收录于2010-08-27 阅读数：查看  收藏数：2  公众公开   原文来源tags： VS2005  应用程序配置不正确   修改 以文找文 推荐给好友 如何对文章标记，添加批注？关于vs2005的“应用程序配置不正确，无法运行”问题的解决方法<br />北京理工大学  20981  陈罡<br />vs2005很强大，很邪恶。从vc6慢慢过渡到了vs2005，这款ide确实做得很体贴，

windsunny的专栏 893
上一篇： 2010-09-29工作内容
下一篇： 20100-10-31 ChineseName 中技术要点备忘
点赞 0
评论 0
书签 书签 0
requestImage
requestImage
博客等级 码龄16年 2粉丝 12原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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