关于VS 使用GDB工具调试ADT下JNI时遇到的一些问题的解决

最新推荐文章于 2021-03-05 08:58:21 发布
最新推荐文章于 2021-03-05 08:58:21 发布
阅读量338 收藏
点赞数
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。
本文链接：https://blog.youkuaiyun.com/seaun163/article/details/50232391
版权
本文详细介绍了在使用Android Studio进行应用开发时遇到的两个常见问题：在Visual Studio环境下显示段错误、调试时出现的JNI代码不一致，以及Genymotion调试中遇到的server无法加载问题。提供了解决方案，包括在Preferences中调整选项、删除并重新生成objlib文件夹、以及通过导入本地ova文件来解决Genymotion问题。同时分享了重新安装Genymotion的方法，以确保虚拟机正常运行。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、显示段错误、调试时VS下显示的断点处与JNI中的代码不符合。

很有可能是因为没有将ADT中的保存或者清理时自动生成APK的选项勾选，因为没有生成新的apk文件，即使库文件重新编译生成也没用，因为调试在手机里的apk文件没有改变。

解决办法：http://www.xuebuyuan.com/924615.html

1）进入Preferences -> Android -> Build -> 去选“Skip packaging and dexing ...”选项

2）把项目的obj lib文件夹删除，重新生成，并且还要再debug as Android application


2、关于Genymotion调试时经常出现server无法加载等问题。暂时没有明确的解决办法，现有的办法是删除重新安装，

重新安装的方式是加载本地的ova文件，加载方式很简单，双击后VirtualBox打开后import就可以了，再打开Genymotion就直接能看到这个虚拟机。

记得安装Genymotion-ARM-Translation_v1.1 OpenCV_2.4.11_Manager_2.20_x86

seaun163
关注
GDB调试Android代码——环境搭建及调试过程
朱小南的博客
07-27 1万+
网上看了好多关于GDB调试android本地代码的，但是都是直接上手，对于一点都不懂的我，真是难办，所以本人根据个人经历，总结下怎么从小白一步一步进行调试。 调试环境： 调试平台：ubuntu14.04LTS 目标手机：Android6.0虚拟机 X86架构 软件环境：android-ndk-r10b搭配adt-bundle 然后准备gdb和gdbserver，远程调试需要在
使用VS2015远程GDB调试
bandiansui4890的博客
10-21 451
官方介绍这个插件的博客：（https://blogs.msdn.microsoft.com/vcblog/2016/03/30/visual-c-for-linux-development/） 1.首先下载vs2015 with update3 2.然后下载Visual C++ for Linux Development,即 "VC_Linux.exe" （https...
gdb调试java_使用GDB调试JNI代码
weixin_42463199的博客
02-23 480
调试JNI的c/c++代码，我一直使用打印log的方式，费时费力。在网上搜索使用GDB调试JNI的文章也不多。后来在stackoverflow偶然看到ndk-gdb才知道自己把NDK的重要文档忽略了。于是赶快试验，没想到确实不难。现把使用方法记录下来。NDK文档我总结了一下，有几方面需要了解：● 使用方式cd $PROJECT$NDK/ndk-gdb● 前提条件- 必须使用 ndk-build 编...
使用GDB调试JNI代码
xqhrs232的专栏
04-24 1108
原文地址::http://blog.youkuaiyun.com/ba_jie/article/details/6651215       调试JNI的c/c++代码，我一直使用打印log的方式，费时费力。在网上搜索使用GDB调试JNI的文章也不多。后来在stackoverflow偶然看到ndk-gdb才知道自己把NDK的重要文档忽略了。于是赶快试验，没想到确实不难。现把使用方法记录下来。 ND
gdb调试
codehxy的专栏
04-01 435
jni调试 STEP1:在windows下搭建NDK,ANDROID_SDK的，JAVA_HOME , ANT_HOME等环境变量的设置 STEP2:将NDK,ANDROID_SDK的，JAVA_HOME , ANT_HOME等等各个环境变量写进windows的PATH中。 STEP3:使用eclipse版本adt-bundle-windows-x86_64-20140702这个进行生成安卓项
利用gdb 调试android jni c动态库
dielucui7698的博客
09-28 393
http://blog.dornea.nu/2015/07/01/debugging-android-native-shared-libraries/ Since I haven't done this before, I thought I could share some experiences with you. All this began during some...
如何使用Eclipse和GDB对JNI代码进行调试（JAVA和C）
Vincent的专栏
06-14 1751
调试环境搭建： 1、安装Google发布的ADT，下载地址：http://developer.android.com/sdk/index.html 该ADT包含以下软件： Eclipse + ADT pluginAndroid SDK ToolsAndroid Platform-toolsThe latest Android platformThe latest Android sy
java 调试 gdb_android gdb 调试实例演示(有源代码篇）
weixin_39520210的博客
03-05 179
android ndk代码的调试本身还是有点麻烦的，因为本身google android的sdk主要是面向广大的java程序员的，所以后来发布的 ADT 集成开发环境对java的代码调试支持还是很好的，但是对于 ndk编写的so代码就没有那么直观的图形界面的调试工具了。相信将来google肯定要开发出来 调试c/c++代码的图形调试工具，但是目前大多数刚开始用ndk编写c或者c++代码的程序员调试...
Eclipse CDT JNI OPENCV Windows NDK-gdb两步搞定调试
任薛纪的专栏
03-24 3087
原文：http://www.educity.cn/wenda/101388.html 超简单的NDK单步调试方法 　　最近为了性能需求，开始搞JNI，白手起搞真心不容易。中间差点崩溃了好几次，最终总算得到一点心得。 　　JNI对性能的提升没有我预想中的大，对于for循环的速度提升大概在1倍左右，所以如果数量级不大的话，性能提升不会很明显 　　JNI编完之后，不能调试，是不是很蛋
如何在Android下使用JNI
jack_a8的专栏
01-25 540
1.引言 我们知道，Android系统的底层库由c/c++编写，上层Android应用程序通过Java虚拟机调用底层接口，衔接底层c/c++库与Java应用程序间的接口正是JNI（JavaNative Interface)。本文描述了如何在ubuntu下配置AndroidJNI的开发环境，以及如何编写一个简单的c函数库和JNI接口，并通过编写Java程序调用这些接口，最终运行在模拟器上的
使用eclipse单步调试jni代码(方法1)
10-28
标题中的“使用eclipse单步调试jni代码(方法1)”是指使用Eclipse集成开发环境进行JNI（Java Native Interface）代码的调试，这是Android应用开发中处理C或C++原生代码的一种方式。JNI允许Java代码调用本地库，通常...
使用eclipse单步调试jni代码 (方法2)
10-28
### 使用Eclipse单步调试JNI代码（方法2） #### 环境配置 为了能够有效地进行JNI代码的调试，首先需要确保以下环境已正确配置： - **ADT Bundle**: Eclipse版本为Juno - **NDK**: 版本r9 - **JDK**: 版本8 - **...
Eclipse单步调试JNI教程：简易配置与注意事项
本文档详细介绍了如何在Eclipse中使用单步调试JNI（Java Native Interface）代码的方法，适用于Android开发环境，包括了使用ADT Bundle（Eclipse Juno版本）、Android NDK (r9) 和 JDK (v8) 的特定配置。作者通过...
工业自动化中基于威纶通触摸屏的水箱液位PID控制仿真程序设计与实现
最新发布
04-26
内容概要：本文详细介绍了如何利用威纶通触摸屏及其配套软件EasyBuilder Pro构建一个水箱液位控制的PID仿真程序。主要内容涵盖触摸屏界面设计、PID算法实现、通信配置以及仿真模型搭建等方面。文中不仅提供了具体的代码示例，还分享了许多调试经验和优化技巧，如抗积分饱和处理、通信同步设置等。此外，作者还强调了实际应用中的注意事项，例如参数范围限制、突发情况模拟等。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是对PID控制器有一定了解并希望深入掌握其实际应用的人群。 使用场景及目标：适用于需要进行水箱液位控制系统设计、调试和优化的工作环境。主要目标是帮助读者理解和掌握PID控制的基本原理及其在实际工程项目中的具体实现方法。 其他说明：附带完整的工程文件可供下载，便于读者快速上手实践。文中提到的所有代码片段均经过实际验证，确保可靠性和实用性。
2024年中国城市低空经济发展指数报告
04-25
内容概要：《2024年中国城市低空经济发展指数报告》由36氪研究院发布，指出低空经济作为新质生产力的代表，已成为中国经济新的增长点。报告从发展环境、资金投入、创新能力、基础支撑和发展成效五个维度构建了综合指数评价体系，评估了全国重点城市的低空经济发展状况。北京和深圳在总指数中名列前茅，分别以91.26和84.53的得分领先，展现出强大的资金投入、创新能力和基础支撑。低空经济主要涉及无人机、eVTOL（电动垂直起降飞行器）和直升机等产品，广泛应用于农业、物流、交通、应急救援等领域。政策支持、市场需求和技术进步共同推动了低空经济的快速发展，预计到2026年市场规模将突破万亿元。 适用人群：对低空经济发展感兴趣的政策制定者、投资者、企业和研究人员。 使用场景及目标：①了解低空经济的定义、分类和发展驱动力；②掌握低空经济的主要应用场景和市场规模预测；③评估各城市在低空经济发展中的表现和潜力；④为政策制定、投资决策和企业发展提供参考依据。 其他说明：报告强调了政策监管、产业生态建设和区域融合错位的重要性，提出了加强法律法规建设、人才储备和基础设施建设等建议。低空经济正加速向网络化、智能化、规模化和集聚化方向发展，各地应找准自身比较优势，实现差异化发展。
多智能体协同编队控制：无人机编队背后的Python实现与关键技术解析
04-25
内容概要：本文详细介绍了多智能体协同编队控制的技术原理及其Python实现。首先通过生动形象的例子解释了编队控制的核心概念，如一致性算法、虚拟结构法、预测补偿等。接着深入探讨了编队形状的设计方法，包括如何利用虚拟结构法生成特定编队形状，并讨论了通信质量和参数调试的重要性。此外，还涉及了避障策略、动态权重分配以及故障检测等实际应用中的挑战和解决方案。最后，通过具体实例展示了如何将理论应用于实际项目中，如无人机编队表演、自动驾驶车队等。 适用人群：对多智能体系统、编队控制感兴趣的科研人员、工程师及高校师生。 使用场景及目标：适用于研究和开发多智能体协同编队控制系统的场景，旨在帮助读者理解并掌握相关技术和实现方法，提高系统的稳定性和可靠性。 其他说明：文中不仅提供了详细的代码示例，还分享了许多实践经验和技术细节，有助于读者更好地理解和应用这些技术。同时强调了参数调试、通信质量、预测补偿等方面的关键因素对于系统性能的影响。
四旋翼飞行器模型预测控制(MPC)的Matlab实现及其设定点收敛保证
04-25
内容概要：本文详细介绍了名为'MPC_ACC_2020-master'的四旋翼飞行器模型预测跟踪控制器(Matlab实现)。四旋翼飞行器由于其高度非线性和强耦合特性，在复杂环境中难以实现精准控制。模型预测控制（MPC）通过预测未来状态并在每一步进行在线优化，解决了这一难题。文中展示了关键代码片段，解释了系统参数定义、初始化、预测模型构建、成本函数构建、优化求解及控制输入的应用。此外，还探讨了MPC_ACC_2020-master如何通过精心设计的成本函数和优化算法确保四旋翼飞行器状态收敛到设定点。 适合人群：从事飞行器控制领域的研究人员和技术爱好者，尤其是对模型预测控制感兴趣的开发者。 使用场景及目标：适用于四旋翼飞行器的轨迹跟踪任务，旨在提高飞行器在复杂环境下的稳定性与准确性。具体应用场景包括但不限于无人机竞速、自动巡航、物流配送等。 其他说明：尽管该项目主要用于科研目的，但其简洁高效的代码结构也为实际工程应用提供了良好借鉴。同时，项目中存在一些待改进之处，如状态估计部分未考虑真实情况下的噪声干扰，后续版本计划移植到C++并集成进ROS系统。
基于MATLAB2020b的CNN-LSTM与GTO算法优化的电力负荷预测研究
04-25
内容概要：本文探讨了基于MATLAB2020b平台，采用CNN-LSTM模型结合人工大猩猩部队(GTO)算法进行电力负荷预测的方法。首先介绍了CNN-LSTM模型的基本结构及其在处理多变量输入（如历史负荷和气象数据）方面的优势。随后详细解释了如何通过GTO算法优化超参数选择，提高模型预测精度。文中展示了具体的MATLAB代码示例，包括数据预处理、网络层搭建、训练选项设定等方面的内容，并分享了一些实践经验和技术细节。此外，还讨论了模型的实际应用效果，特别是在某省级电网数据上的测试结果。 适合人群：从事电力系统数据分析的研究人员、工程师，以及对深度学习应用于时间序列预测感兴趣的开发者。 使用场景及目标：适用于需要精确预测未来电力负荷的情况，旨在帮助电力公司更好地规划发电计划，优化资源配置，保障电网安全稳定运行。通过本研究可以学习到如何构建高效的CNN-LSTM模型，并掌握利用GTO算法进行超参数优化的具体步骤。 其他说明：文中提到的一些技巧和注意事项有助于避免常见错误，提高模型性能。例如，合理的数据预处理方式、适当的超参数范围设定等都能显著改善最终的预测效果。
机器学习（深度学习）：用于脑肿瘤的带有边界框的磁共振成像
04-25
数据集一个高质量的医学图像数据集，专门用于脑肿瘤的检测和分类研究以下是关于这个数据集的详细介绍：该数据集包含5249张脑部MRI图像，分为训练集和验证集。每张图像都标注了边界框（Bounding Boxes），并按照脑肿瘤的类型分为四个类别：胶质瘤（Glioma）、脑膜瘤（Meningioma）、无肿瘤（No Tumor）和垂体瘤（Pituitary）。这些图像涵盖了不同的MRI扫描角度，包括矢状面、轴面和冠状面，能够全面覆盖脑部解剖结构，为模型训练提供了丰富多样的数据基础。高质量标注：边界框是通过LabelImg工具手动标注的，标注过程严谨，确保了标注的准确性和可靠性。多角度覆盖：图像从不同的MRI扫描角度拍摄，包括矢状面、轴面和冠状面，能够全面覆盖脑部解剖结构。数据清洗与筛选：数据集在创建过程中经过了彻底的清洗，去除了噪声、错误标注和质量不佳的图像，保证了数据的高质量。该数据集非常适合用于训练和验证深度学习模型，以实现脑肿瘤的检测和分类。它为开发医学图像处理中的计算机视觉应用提供了坚实的基础，能够帮助研究人员和开发人员构建更准确、更可靠的脑肿瘤诊断系统。这个数据集为脑肿瘤检测和分类的研究提供了宝贵的资源，能够帮助研究人员开发出更准确、更高效的诊断工具，从而为脑肿瘤患者的早期诊断和治疗规划提供支持。
评论
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