制作ARM Linux交叉编译环境

vcvbve vcvbve 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 500+累计阅读 524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17年
关注
转载 最新推荐文章于 2026-05-06 10:02:14 发布 524 阅读 AI 写同款· GEO 优化 ›
grafana对接zabbix数据展示 【配置】点击【模板】点击【创建模板】添加三个监控项：【名称】搜索【】创建的模板；点击上方【监控项】，点击创建【监控项】点击上方【触发器】点击【创建触发器】主机关联监控模板：左侧【配置】点击 【主机】点击【Zabbix server】查看：左侧点击【监测】点击【主机】点击【Zabbix server】点击最新数据，找到添加的三个模板主机关联监控模板：左侧【配置】点击 【主机】点击【Zabbix server】把监控模板用起来① 明确获取指标数据的方法。 阅读详情

紫色为更正

一、准备工作
      
       首先需要一台运行Linux操作系统的PC以完成我们的编译工作。
       其次要准备如下一些源文件。
 
       1、源文件准备
         binutils-2.14.tar.gz
         ftp://ftp.gnu.org/gnu/binutils/binutils-2.14.tar.gz
         gcc-core-2.95.3.tar.gz
         ftp://ftp.gnu.org/gnu/gcc/gcc-2.95.3/gcc-core-2.95.3.tar.gz
         gcc-g++2.95.3.tar.gz
         ftp://ftp.gnu.org/gnu/gcc/gcc-2.95.3/gcc-g++-2.95.3.tar.gz
         glibc-2.2.4.tar.gz
         ftp://ftp.gnu.org/gnu/glibc/glibc-2.2.4.tar.gz
         glibc-linuxthreads-2.2.4.tar.gz
         ftp://ftp.gnu.org/gnu/glibc/glibc-linuxthreads-2.2.4.tar.gz
         linux-2.4.21.tar.gz
         ftp://ftp.kernle.org/pub/linux/kernel/v2.4/linux-2.4.21.tar.gz
         patch-2.4.21-rmk1.gz # linux kernel patch for arm
         ftp://ftp.arm.linux.org.uk/pub/linux/arm/kernel/v2.4/patch-2.4.21-rmk1.gz
 
       binutils-2.14.tar.gz这个压缩包包含有ld,ar,as等一些产生或者处理二进制文件的工具。
    gcc-core-2.95.3.tar.gz这个压缩包是GCC的主体部分，GCC是GNU Compiler Collection的简称，顾名思义，它能够编译很多种高级语言，例如C、C++，Java等，而这个压缩包中含有C编译器，及公共部分，而对其他语言的支持，采用另外的压缩包单独发布。
    gcc-g++2.95.3.tar.gz，这个压缩包就是为使GCC能够编译C++程序而单独发布的。
    glibc-2.2.4.tar.gz，libc是很多用户层应用都要用到的库，kernel和bootloader不需要这个库的支持，这个库主体部分封装在这个压缩包内。
    glibc-linuxthreads-2.2.4.tar.gz，这是Libc用于支持Posix线程而单独发布的一个压缩包。
    linux-2.4.21.tar.gz，这个压缩包就是Linux的内核。
    patch-2.4.21-rmk1.gz，这个压缩包是用来给Linux内核打补丁，以使其可以支持ARM的硬件平台。
 
       2、工作目录搭建
       我们创建如下的目录树结构
       mkdir arm
       mkdir tool-chain
       mkdir build-dir
       mkdir src-dir
       mkdir setup-dir
       mkdir kernel
      
       arm这个目录是我们的最顶层工作目录，我们所有的编译工作都在这里完成。
       tool-chain这个目录是我们交叉编译工具的安装位置，它下面的bin子目录存放我们创建好的编译器，汇编器，连接器，以及编译好的C库也会安装到这个目录之下。
       setup-dir这个目录用来存放我们下载的压缩包。
       src-dir这个目录用于存放binutils,gcc,glibc解压之后的源文件。
       kernel这个目录用来存放内核文件，对内核的配置、编译工作将在这个目录中完成。
       build-dir用来编译src-dir中的源文件，具体就是binutils，gcc，glibc的编译工作将在这个目录下完成。这种源文件目录和编译目录分离的编译方式是GNU所推荐的。
      
       cd ./src-dir
       tar –xvzf ../setup-dir/ binutils-2.14.tar.gz
       tar –xvzf ../setup-dir/ gcc-core-2.95.3.tar.gz
       tar –xvzf ../setup-dir/ glibc-2.2.4.tar.gz
       tar –xvzf ../setup-dir/ glibc-linuxthreads-2.2.4.tar.gz –directory=./glibc-2.2.4   //unsuccess
 
       这样我们在src-dir目录下就形成了3个源文件目录binutils-2.14,gcc-core-2.95,3,glibc-2.2.4，其中分别存放着binutils tools，gcc，glibc的源代码。接下来我们到build-dir中创建3个与这三个源文件目录对应的编译目录。
      
       cd ../build-dir
       mkdir ../build-dir/build-binutils
       mkdir ../build-dir/build-gcc
       mkdir ../build-dir/build-glibc
 
       我们将在这三个目录中完成对binutils tools, gcc, glibc的配置和编译工作。下面还要把内核文件解压到kernel目录下，并打补丁。
 
       cd ../kernel
       tar –xvzf ../setup-dir/ linux-2.4.21.tar.gz
       cd ./linux-2.4.21
       patch –p1 <../../setup-dir/ patch-2.4.21-rmk1 //unsuccess
 
 
二、开始创建
 
1、  确定几个系统变量
cd ../../
export TARGET=arm-linux
export PREFIX=../arm/tool-chain
export TARGET_PREFIX=$PREFIX/$TARGET
export KERNEL_SOURCE_LOCATION=../kernel/linux-2.4.21
export PATH=$PREFIX/bin:$PATH

创建目录
 
       几个系统变量经常要用到，TARGET定义了目标机，PREFIX是工具链的安装目录，KERNEL_SOURCE_LOCATION是内核文件位置。
 
2、  创建binutils
       运行如下命令来创建binutils
       cd ./build-dir/build-binutils
        ../../src-dir/binutils-2.14/configure –target=$TARGET –prefix=$PREFIX
       make
       make install
       这时$PREFIX/bin下创建了一些文件，包括arm-linux-ld,arm-linux-as等。
3、  编译内核
 
       cd ../../kernel/linux-2.4.21

             
       改Makefile文件使
       make ARCH = arm CROSS_COMPILE=arm-linux-

 

        编译linux的内核，进入该目录，命令make menuconfig
 之后，出现下面的错误：
rm -f include/asm-arm/arch include/asm-arm/proc
(cd include/asm-arm; ln -sf arch-mx2ads arch; ln -sf proc-armv proc)
rm -f include/asm
( cd include ; ln -sf asm-arm asm)
make -C scripts/lxdialog all
make[1]: Entering directory `/home/lhs/HHARMMX21/linux-2.4.20/scripts/lxdialog'
/usr/bin/ld: cannot find -lncurses
collect2: ld returned 1 exit status
-e
>> Unable to find the Ncurses libraries.
>>
>> You must have Ncurses installed in order
>> to use 'make menuconfig'

make[1]: *** [ncurses] Error 1
make[1]: Leaving directory `/home/lhs/HHARMMX21/linux-2.4.20/scripts/lxdialog'
make: *** [menuconfig] Error 2

解决方法：

执行命令： sudo apt-get install ncurses-dev 即可！

(ncurses 用于make menuconfig界面显示)

       
       make menuconfig
       在System Types中选择正确的硬件类型
 
       make dep
 
       之后执行如下操作
       mkdir $TARGET_PREFIX/include
       cp -r $KERNEL_SOURCE_LOCATION/include/asm-arm 
                     $TARGET_PREFIX/include/asm

[cp -r kernel/linux-2.4.21/include/asm-arm arm/tool-chain/arm-linux/include/asm]
       cp -r $KERNEL_SOURCE_LOCATION/include/linux
                     $TARGET_PREFIX/include/linux
 [cp -r kernel/linux-2.4.21/include/linux arm/tool-chain/arm-linux/include/linux]
4、  创建boot-trap gcc，这个GCC没有glibc库的支持，所以只能用于编译内核，bootloader等，后面创建C库也要用到这个编译器，所以创建它主要是为创建C库做准备，如果只想编译内核和bootloader那么，就可以到此结束。
       cd ../../build-dir/build-gcc
         ../../src_dir/gcc-2.95.3/configure -target=$TARGET  -prefix=arm/tool-chain --with-headers=arm/kernel/linux-2.4.21/include -enable-language=c --disable-threads    

             然后修改src-dir/gcc-2.95.3/gcc/config/arm/t-linux文件，在
              TARGET_LIBGCC2_CFLAGS中添加如下两个定义
              -Dinhibit_libc –D__gthr_posix_h
       make
       make install              //unsuccess
       这时$PREFIX/bin下创建了一些文件，主要创建了arm-linux-gcc。
5、  创建gblic
       cd ../build-glibc
       export CC=arm-linux-gcc
       ../../src-dir/glibc-2.2.4/configure –host=$TARGET –prefix=$TARGET_PREFIX
                            --enable-add-ons
       make
       make install           //unsuccess
 
6、  创建功能健全的GCC，并创建G++
       在成功创建了libc之后，我们就可以创建功能丰富的GCC编译器了，并且可以创建支持编译C++程序的G++。
       cd ../../src-dir
       tar –xvzf ../setup-dir/ gcc-g++2.95.3.tar.gz
       cd ../build-dir/build-gcc
       export CC=gcc
       ../../src-dir/gcc-2.95.3/configure –target=$TARGET –prefix=$PREFIX
              –enable-language=c,c++
      
       然后修改src-dir/gcc-2.95.3/gcc/config/arm/t-linux文件，在
              TARGET_LIBGCC2_CFLAGS中去除如下两个定义
              -Dinhibit-libc –D__gthr_posix_h
 
       make
       make install
 
7，至此我们成功的创建了ARM Linux的交叉编译工具


本文来自优快云博客，转载请标明出处：http://blog.youkuaiyun.com/embeddedheaven/archive/2006/10/10/1328200.aspx

收录于
linux+arm

当前文章被收录于：

linux+arm
19 篇文章 0 人学习
订阅专栏 查看详情
标签
#linux #gcc #编译器 #工作 #linux内核
#makefile
解决windows10下无法安装.net framework 3.5（包括.net2.0和3.0） 入域电脑，win10系统中安装 .net framework 3.5（包括.net2.0和3.0） 阅读详情

相关推荐

【配环境】ubuntu18.04 3080ti显卡+cuda+cudnn+torch

1.打开系统设置中的software & updates点击 System Settings，选择 Additional Drivers 标签，下面会列出当前显卡可用的驱动版本。 注意：3080ti建议不要安装最新版本驱动 点击Apply Changes即可安装； 注意：3080ti只能装cuda11.x 修改软连接修改系统使用的cuda 卸载老版本cuda 重新查询看是否卸载成功 显卡驱动及CUDA Toolkit最高对应版本 查询驱动版本............

sinat_41670685的博客 3913

Make ARCH=arm CROSS_COMPILE=arm-linux-gcc menuconfig 分析

在编译LINUX内核时，首先要修改内核源码顶层目录下的makefile文件，将其中ARCH ?= $(SUBARCH)修改为ARCH ?= arm，将CROSS_COMPILE ?= 修改为CROSS_COMPILE ?= arm-linux-gcc，或者不修改，而是将ARCH和CROSS_COMPILE的值通过命令行传入。然后在linux内核源码目录下，执行make menuconf...

weixin_30312557的博客 2595

告别手动点鼠标：用Python脚本批量跑ADS版图仿真，效率提升10倍（附完整代码）

本文详细介绍了如何利用Python脚本自动化ADS版图仿真流程，显著提升射频工程师的工作效率。通过调用ADS底层接口，实现参数化修改、批量任务调度和结果自动收集，解决了手动操作中的常见问题，如仿真不更新等。附完整代码，帮助开发者快速实现10倍效率提升。

weixin_42523543的博客 331

交叉编译环境搭建

环境搭建1、串口连接2、配置交叉编译器1、查看当前系统是否支持arm-linux-gcc2、在/usr/local创建一个文件夹为arm3、将arm-linux-gcc-4.3.2.bz2解压到/usr/local/arm目录下4、进入到 /usr/local/arm5、将上面得到的目录添加到环境变量PATH中6、重启.bashrc脚本7、ubuntu搭建nfs服务器8、ubuntu挂载到开发板上 将Cortex-AXX 开发板正确连接电脑 查看是否正确连接，并记住端口 右击此电脑 —>属性—>

兰天禄的博客 8538

ThinkBook 16 2024 Ubuntu驱动全攻略：从无线网卡到触控板

本文详细介绍了ThinkBook 16 2024在Ubuntu系统下的驱动问题解决方案，涵盖无线网卡、蓝牙、显卡和触控板等关键硬件的驱动修复步骤。通过具体命令和配置指南，帮助用户快速解决兼容性问题，提升Ubuntu在ThinkBook上的使用体验。

weixin_29200741的博客 826

解码运动想象：BCI Competition IV 2a数据集实战指南

本文提供了BCI Competition IV 2a数据集的实战指南，详细解析了该经典运动想象脑电数据集的结构、文件格式与实验范式。通过MNE-Python等工具，逐步演示了从原始信号读取、预处理（通道选择、滤波、分段）到特征提取（CSP、频带功率）和模型训练（LDA、SVM）的完整流程，并强调了受试者独立评估的重要性，为BCI研究者提供了可复现的入门与进阶路径。

weixin_29304985的博客 362

搭建交叉编译环境

4.1、搭建交叉编译环境4.1.1、概述交叉编译，就是用运行在一种计算机环境中的编译程序，去编译出在另外一种环境下运行的代码。具有这种能力的编译器就叫交叉编译器。换而言之，就是在一个平台上生成另一个平台上的可执行代码。这里所指的平台实际上包含了软/硬件两个方面的概念：操作系统（Operating System）和体系结构（Architecture）。同样是Linux系统，在不同体系结构的硬件平...

jandroid 265

【雷达成像实战】RD、CS、RMA算法对比与Matlab实现：从信号处理到高清成像

本文深入对比了雷达成像中三种核心算法：经典的距离多普勒算法(RD)、基于稀疏重建的压缩感知算法(CS)以及高精度的快速多通道获取算法(RMA)。通过详细的Matlab实战代码，从原理拆解到实现步骤，分析了各自在计算效率、成像精度、数据需求和适用场景上的优劣，为工程选型与算法实践提供了清晰指南。

weixin_29095587的博客 447

【一、交叉编译环境搭建】

介绍arm交叉编译环境的搭建

anmo_moan的博客 4270

ABAP Cloud：面向云时代的 ABAP 开发范式与实践指南

摘要： 本文系统讲解SAP ABAP Cloud开发模型，涵盖其架构、工具链、规范及实践。ABAP Cloud作为统一开发模型，支持在SAP BTP和S/4HANA上构建云就绪应用，遵循clean core原则，通过RAP（RESTful应用编程模型）实现低耦合扩展。文章详细解析其核心构成（RAP、稳定API、clean core约束）、工具链（ADT、软件物流）及两种典型扩展场景（on-stack与side-by-side），并附可运行RAP示例代码（如销售笔记应用）。重点强调通过规范开发确保系统可升级性

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 397

电路设计仿真软件：Mentor Graphics_（1）.MentorGraphics电路设计仿真软件概述

菜单栏：包含文件、编辑、视图、工具等菜单。工具栏：提供常用的工具按钮，如打开、保存、仿真等。原理图编辑区：用于绘制电路原理图。元件库：包含各种电路元件，支持拖拽操作。属性面板：显示选中元件的属性，可以进行参数设置。仿真控制区：用于设置仿真参数和控制仿真过程。输出窗口：显示仿真结果和日志信息。打开模型编辑器：点击“工具”菜单，选择“模型编辑器”。选择模型类型：在模型编辑器中选择模型类型，如SPICE模型。输入模型参数：根据需要输入模型的参数，如电阻值、电容值等。保存模型。

kkchenjj的博客 1924

linux交叉编译环境作用,一步一步的制作arm-linux交叉编译环境

一步一步的制作arm-linux交叉编译环境yanqin | 2009-04-16 20:40:17 阅读：1102 发布文章一步一步的制作 arm-linux 交叉编译环境%A Gavin LiSunday, Jan 27, 2004%A%A -----------------------------...

weixin_33856202的博客 295

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

linux arm 交叉编译环境,一步一步的制作arm-linux交叉编译环境

《一步一步的制作arm-linux交叉编译环境》由会员分享，可在线阅读，更多相关《一步一步的制作arm-linux交叉编译环境(5页珍藏版)》请在人人文库网上搜索。1、亠步一步的制作arm-linux 交叉编译环我们使用以下版本的文件为例子建立 arm-li nux 交叉编译环境:bi nutils-2.11.gzgcc-2.95.3.gzglibc-2.2.3.gzglibc-li nu xth...

weixin_26804345的博客 380

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

jre9下载 jdk9

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

一步一步制作ARM-Linux交叉编译环境

- 我们使用以下版本的文件为例子建立arm-linux 交叉编译环境： binutils-2.11.gz gcc-2.95.3.gz glibc-2.2.3.gz glibc-linuxthreads-2.2.3.tar.gz linux-2.4.5.gz patch-2.4.5-rmk7.gz # linux kernel patch 我们的工作路径是： ~ -- +-----

1102

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")

自己制作arm-linux交叉编译环境(一)

<br />自己制作arm-linux交叉编译环境(一)－scratch篇 收藏 <br />       交叉编译是指在一台电脑上来编译另一种结构的电脑上的代码，编译生成的程序不是运行在本机上的，而是另一种结构的机子上(^_^,快晕了...),打个比方吧，比如我的系统是x86结构的，如果我需要编译一个arm结构的程序，那编译器等就都要重新弄过了，这个编译过程就叫做 交叉编译,在嵌入式开发中就必须要交叉编译，在开发主机x386上开发arm目标机上可以运行的代码<br />     在<<嵌入式linux系统

babyfans的专栏 1779

一步一步的制作 arm-linux 交叉编译环境

链接地址：http://www.unixresources.net/linux/clf/embedded/archive/00/00/43/75/437505.html 我们使用以下版本的文件为例子建立 arm-linux 交叉编译环境： 编译环境 redhat 7.2

路在脚下 493

在linux下使用crosstool制作自己的arm交叉编译环境

在linux下使用crosstool制作自己的arm交叉编译环境crosstool是个不错的软件，能够很方便的编译自己的交叉编译环境。目前最新版本crosstool-0.43 在地址 http://kegel.com/crosstool/crosstool-0.43.tar.gz 可以下载。首先获取工具包，解压后进入其目录wget http://kegel.com/crosst

wonsoft的专栏 2389

一步步制作 Arm-Linux交叉编译环境

        我们使用以下版本的文件为例子建立 arm-linux 交叉编译环境： 编译环境 redhat 7.2 或 8.0 binutils-2.14.tar.gz ftp://ftp.gnu.org/gnu/binutils/binutils-2.14.tar.gz gcc-core-2.95.3.tar.gz ftp://ftp.gnu.org/gnu/gcc/gcc-2

makethyme的专栏 1999

一步一步的制作arm-linux 交叉编译环境

我们使用以下版本的文件为例子建立arm-linux 交叉编译环境： binutils-2.11.gz gcc-2.95.3.gz glibc-2.2.3.gz glibc-linuxthreads-2.2.3.tar.gz linux-2.4.5.gz patch-2.4.5-rmk7.gz         # linux kernel patch 我们的工作路径是： ~ -- +------- 

learndkid的专栏 1380

一步一步的制作arm-linux交叉编译环境

http://write.blog.youkuaiyun.com/postedit 我们使用以下版本的文件为例子建立arm-linux 交叉编译环境： binutils-2.11.gz gcc-2.95.3.gz glibc-2.2.3.gz glibc-linuxthreads-2.2.3.tar.gz linux-2.4.5.gz pa

蜗牛之路 514
上一篇： NORflash和NANDflash区别
下一篇： 交叉编译环境的创建
点赞 0
评论 0
书签 书签 1
vcvbve
vcvbve
博客等级 码龄17年 5粉丝 7原创
+ 关注 专栏目录 订阅专栏
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