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
700+累计阅读
706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
# breakpoint
(gdb) b filename:line
(gdb) b namespace::classname::function
(gdb) watch val
# function call stack
(gdb) bt
# step into
(gdb) s
# step over
(gdb) n
# step out
(gdb) finish
# continue running
(gdb) c
# run
(gdb) r
# display
(gdb) display valname
#print
(gdb) p valname
# attach to a process
(gdb) attach pid
# detach
(gdb) detach
# quit
(gdb) q
RFSOC实战解析（一）：深入RF Data Converter的时钟与数据接口设计
本文深入解析RFSOC中RF Data Converter的时钟与数据接口设计，涵盖GHz采样、数据流处理、时钟树同步及AXI-Stream接口实战。通过详细案例和调试技巧，帮助工程师高效配置IP核，优化ADC/DAC性能，解决跨时钟域和信号完整性等关键问题。
gdb调试常见命令详细总结
gdb调试工具的使用，包括大部分的常见命令，在后端研发中很有帮助。
cesium自定义指南针
项目需要一个指南针，用鼠标按住旋转指针，会让3d地图旋转，点击中心点重置方位。当然可以使用插件cesium-navigation-es6，但是样式不好修改，所以我自定义了一个指南针。
GDB调试器常用命令
Linux GDB调试
具身智能的建模和方法（具身智能入门一）
本文以机械臂将小红方块移动到目标位置为例对具身智能的建模和方法进行介绍，如下图所示，该例子来自https://ai-workshops.github.io/building-and-working-in-environments-for-embodied-ai-cvpr-2022/。
全新RGB-D及平面法线数据集DIODE
丰田工业大学联合芝加哥大学和北航发布全新RGB-D及平面法线数据集 DIODE (Dense Indoor and Outdoor DEpth)。
gdb常用调试命令
gdb是GNU项目的一个强大的调试器，可以帮助检查和修改程序的运行状态，发现和修复错误。本文将介绍一些gdb的常用调试命令，以及它们的全称和简写方式。
最小二乘（MLS）求点云法向量
MLS算法的基本思想是通过在点云的局部邻域内拟合一个光滑曲面，如平面或多项式曲面，以此来重建和处理点云数据。对于法向量估计，MLS通常在每个点的邻域内拟合局部平面，然后从该平面的法向量作为点的法向量。
gdb 调试程序常用指令
GDB（GNU Debugger）是一个功能强大的调试工具，广泛用于调试C、C++等编程语言的程序。深入理解GDB的使用可以大大提高程序开发和调试的效率。下面我们通过多个具体的例子来详细介绍GDB的使用方法和技巧。
低代码部署与管理——OpenClaw智能助手的应用部署与运维（2026技术版）
OpenClaw智能助手的低代码部署与管理平台采用分层架构设计，包含部署工具、环境管理、版本控制等核心模块，支持从开发到生产的全流程自动化部署。该系统通过Docker、Kubernetes等技术实现应用构建和部署，利用Terraform等工具管理多环境配置，并提供完善的监控运维能力。平台针对开发、测试、预生产和生产环境提供差异化配置，确保部署效率和运行可靠性。这种架构设计遵循自动化、可扩展性和安全性原则，显著提升了智能助手应用的部署效率和运维质量。
openlayers全面教程306+【目录】
vue+openlayers系列教程旨在为开发者提供简单快捷的示例。在每一个示例中，解释相应的API知识点。
GDB常用命令
GDB自定义命令介绍GDB中有一个非常强大的功能，允许用户根据具体场景需求自定义命令。end自定义命令以define开始，后面跟命令名字，并且以end结束。define和end中间是具体的实现逻辑。序号条目描述1$argc自定义命令的参数个数2$arg0自定义命令的第一个参数3$arg1自定义命令的第二个参数4$arg2自定义命令的第三个参数5$argN自定义命令的第N+1个参数应用1：两数相加define addend应用2：链表打印。
Cadence Orcad Capture原理图断线的检查与避免方法
在设计电路图中，尤其是直接借鉴别人的设计进行二次开发的过程中难免会遇到如下尴尬的情况。有没有眼神好的朋友发现图纸的哪里有不对劲的地方呢？
GDB调试常用命令
使用GDB调试的时候，GDB默认只能跟踪一个进程，可以在fork函数调用之前，通过指令设置GDB调试工具跟踪父进程或者是跟踪子进程，默认跟踪父进程。-Wall 的作用: 在不影响程序行为的情况下打开所有warning，发现更多的问题，避免不必要的BUG。-g 的作用:在可执行文件中添加源代码信息，比如可执行文件第几条对应源码第几行。结束当前调用函数并返回指定值，到上一层函数调用处。监视某一个变量或内存地址的值是否发生变化。切换到当前调用线程的指定堆栈。查看当前线程的调用堆栈。运行一个待调试的程序。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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
gdb调试常用命令总结
gdb调试常用命令总结： 回车 默认将最近的命令执行一遍 在调试程序加上调试符号信息： 加参数-g, 作用是加上了可执行程序和源码之间的映射关系 如果之后源码位置改变，可以通过dir命令更改源码存放目录，以重新设置映射关系（可指定多个路径，:隔开） 1.启动gdb调试 gdb filename : 启动未启动程序进行调试（需要run） gdb attach pid：对已经启动的程序调试， detach让gdb调试器与程序分离 gdb corename: 调试core文件 ulimit -c查看cor
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
Linux 使用 GDB 进行调试的常用命令与技巧
GDB（GNU Debugger）是一个功能强大的调试工具，可以帮助开发者在程序运行过程中查找和修复问题。本文将介绍如何使用 GDB 调试程序，包括常用命令、调试 core 文件和正在运行的程序。当程序崩溃时，系统可能会生成一个 core 文件，包含了程序的内存快照和崩溃时的状态信息。使用 GDB 可以帮助分析这些文件。GDB 也可以用于调试正在运行的程序。你可以附加到一个已经启动的进程，并实时调试它。命令将 GDB 附加到一个正在运行的进程。在调试正在运行的程序时，你可以在进程中的特定位置设置断点。
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")
【gdb教程】gdb调试工具使用方法及常用命令
GDB是GNU调试器（GNU Debugger）的缩写，是一个功能强大的命令行调试工具。它通常用于调试程序的运行过程，帮助程序员追踪和修复代码中的错误。GDB可以用于以下目的找到程序中的错误：GDB允许程序员在程序中设置断点，当程序执行到断点时，可以查看当前的变量值、堆栈信息等，帮助发现代码中的错误。理解程序的运行过程：GDB允许程序员逐步执行程序，并在每个步骤中查看变量值和堆栈信息，帮助理解程序的运行过程。追踪程序崩溃的原因。
gdb调试常用命令
显示汇编 x/i $pc，x/i main ,i前面可以带数字，代表显示多少行 gdb查看指定地址的内存地址的值： examine 简写 x-----使用gdb> help x 来查看使用方式 x/ (n,f,u为可选参数) n: 需要显示的内存单元个数，也就是从当前地址向后显示几个内存单元的内容，一个内存单元的大小由后面的u定义 f：显示格式 x(...
Linux中gdb调试常用命令
GNU Debugger（GDB）是GNU项目的一部分，是一个功能强大且灵活的调试工具，广泛应用于调试C、C++、Fortran和其他编程语言的程序。GDB允许开发者检查和修改程序的运行状态，从而帮助识别和修复错误。程序的发布方式有两种，debug模式和release模式Linux gcc/g++出来的二进制程序，默认是release模式要使用gdb调试，必须在源代码生成二进制程序的时候,加上 -g 选项。
linux gdb调试常用命令手册
摘要：GDB是Linux下强大的程序调试工具，提供启动程序、断点设置、变量查看等核心功能。常用命令分为5类：1)基础启动与退出（gdb/run/quit）；2)断点与观察点操作（break/watch）；3)代码单步执行（next/step）；4)数据查看修改（print/set）；5)辅助命令（help/shell）。这些命令配合使用可精准定位程序问题，提高调试效率。每个命令提供缩写和示例，如"b main"在main函数设断点，"p/x num"十六进制显示变量值
gdb常用命令及用gdb调试coredump
gdb常用命令： https://blog.youkuaiyun.com/niyaozuozuihao/article/details/91802994 gdb调试coredump： https://blog.youkuaiyun.com/u014403008/article/details/54174109
C语言gdb调试之精髓 | gdb基本常用命令
C语言gdb调试之精髓（常用命令、多进程、多线程、程序日志） 起语: 版权声明: C语言技术网原创文章，转载请说明文章的来源、作者和原文的链接。 来源：C语言技术网（www.freecplus.net） 作者：码农有道 如果文章有错别字，或者内容有错误，或其他的建议和意见，请您联系我们指正，非常感谢！！！ 我只是用来方便学习 && 复习!!! 我只是一个学习者, 内功有限, 大家看到谨慎参考!!! 如果复制粘贴错了看上面这个网站即可. 为什么要用gdb 程序员写在编写程序的时候不可能是一
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
473
扫一扫
