CMake I add_custom_command命令详解(构建)

目录

一、add_custom_command

1.执行有输出文件的自定义操作

2.执行没有输出的自定义操作

二、应用

1.执行有输出文件的自定义操作

2.执行没有输出的自定义操作


        CMake提供了三个选项来在构建时执行自定义命令,这三个选项强制执行特定的语义,并且不可互换:

  • 使用 add_custom_command 编译目标,生成输出文件。
  • add_custom_target 的执行没有输出。
  • 构建目标前后, add_custom_command 的执行可以没有输出。

        本文注意讲解add_custom_command命令,该命令有两种使用方式。

一、add_custom_command

1.执行有输出文件的自定义操作

        add_custom_command 向目标添加规则,并通过执行命令生成输出。

add_custom_command(OUTPUT output1 [output2 ...]
                   COMMAND command1 [ARGS] [args1...]
                   [COMMAND command2 [ARGS] [args2...] ...]
                   [MAIN_DEPENDENCY depend]
                   [DEPENDS [depends...]]
                   [BYPRODUCTS [files...]]
                   [IMPLICIT_DEPENDS <lang1> depend1
                                    [<lang2> depend2] ...]
                   [WORKING_DIRECTORY dir]
                   [COMMENT comment]
                   [DEPFILE depfile]
                   [JOB_POOL job_pool]
                   [VERBATIM] [APPEND] [USES_TERMINAL]
                   [COMMAND_EXPAND_LISTS])
  • OUTPUT:指定命令预期生成的输出文件。3.20版本以后,输出参数可使用一组受限的生成器表达式。
  • COMMAND:指定生成时要执行的命令行。
  • MAIN_DEPENDENCY:指定命令的主输入源文件。类似于DEPENDS。
  • DEPENDS:指定命令所依赖的文件。
  • BYPRODUCTS:指定命令预期生成的文件,但其修改时间可能比依赖项的新,也可能不比依赖项的新。
  • IMPLICIT_DEPENDS:请求扫描输入文件的隐式依赖项。此选项不能与DEPFILE选项同时指定。
  • WORKING_DIRECTORY:指定在何处执行命令。
  • COMMENT:指定在生成时执行命令之前显示的消息。
  • DEPFILE:指定保存自定义命令依赖项的depfile。它通常由自定义命令本身发出。仅当生成器支持此关键字时,才能使用此关键字。
  • JOB_POOL:为Ninja生成器指定一个池。
  • VERBATIM:对于构建工具,命令的所有参数都将被正确转义,以便被调用的命令接收到的每个参数不变。请注意,在add_custom_command甚至看到参数之前,CMake语言处理器仍然使用一级转义。建议使用VERBATIM,因为它可以保证正确的行为。如果不指定VERBATIM,则行为是依赖于平台的,因为CMake没有针对于特定工具中特殊字符的保护措施。
  • APPEND:将COMMAND和DEPENDS 附加到第一个指定输出的自定义命令。
  • USES_TERMINAL:如果可能,该命令将被授予直接访问终端的权限。
  • COMMAND_EXPAND_LISTS:命令参数中的列表将展开,包括使用生成器表达式创建的列表。

        add_custom_command 有两个限制:

  • 只有在相同的 CMakeLists.txt 中,指定了所有依赖于其输出的目标时才有效。
  • 对于不同的独立目标,使用 add_custom_command 的输出可以重新执行定制命令。这可能会导致冲突,应该避免这种情况的发生。

        第二个限制,可以使用 add_dependencies 来避免。不过,规避这两个限制的正确方法是使 用 add_custom_target 命令。

2.执行没有输出的自定义操作

        向目标(如库或可执行文件)添加自定义命令。这对于在构建目标之前或之后执行操作非常有用。该命令成为目标的一部分,仅在构建目标本身时执行。如果目标已生成,则不会执行该命令。

add_custom_command(TARGET <target>
                   PRE_BUILD | PRE_LINK | POST_BUILD
                   COMMAND command1 [ARGS] [args1...]
                   [COMMAND command2 [ARGS] [args2...] ...]
                   [BYPRODUCTS [files...]]
                   [WORKING_DIRECTORY dir]
                   [COMMENT comment]
                   [VERBATIM] [USES_TERMINAL]
                   [COMMAND_EXPAND_LISTS])
  • TARGET:由 add_executable 或 add_library 生成的目标文件名称;
  • PRE_BUILD | PRE_LINK | POST_BUILD:分别表示编译之前执行命令,链接之前执行命令,生成目标文件后执行命令;
  • COMMAND:需要执行的命令;
  • BYPRODUCTS:指定命令预期生成的文件,但其修改时间可能比依赖项的新,也可能不比依赖项的新。
  • WORKING_DIRECTORY:指定在何处执行命令。
  • COMMENT:指定在生成时执行命令之前显示的消息。
  • VERBATIM:对于构建工具,命令的所有参数都将被正确转义,以便被调用的命令接收到的每个参数不变。请注意,在add_custom_command甚至看到参数之前,CMake语言处理器仍然使用一级转义。建议使用VERBATIM,因为它可以保证正确的行为。如果不指定VERBATIM,则行为是依赖于平台的,因为CMake没有针对于特定工具中特殊字符的保护措施。
  • USES_TERMINAL:如果可能,该命令将被授予直接访问终端的权限。
  • COMMAND_EXPAND_LISTS: 命令参数中的列表将展开,包括使用生成器表达式创建的列表。

补充:

PRE_BUILD:在执行与目标相关的任何其他规则之前执行的命令。

PRE_LINK:使用此选项,命令在编译目标之后,调用链接器或归档器之前执行。Visual Studio 7或更高版本之外的生成器中使用 PRE_BUILD 将被解释为 PRE_LINK 。

POST_BUILD:如前所述,这些命令将在执行给定目标的所有规则之后运行。 

二、应用

1.执行有输出文件的自定义操作

        下面的例子实现的是:声明自定义命令来提取wrap_BLAS_LAPACK.tar.gz压缩包,并更新提取文件的时间戳。

#声明一个变量 wrap_BLAS_LAPACK_sources来保存wrap_BLAS_LAPACK.tar.gz 压缩包文件的名称
set(wrap_BLAS_LAPACK_sources
  ${CMAKE_CURRENT_BINARY_DIR}/wrap_BLAS_LAPACK/CxxBLAS.hpp
  ${CMAKE_CURRENT_BINARY_DIR}/wrap_BLAS_LAPACK/CxxBLAS.cpp
  ${CMAKE_CURRENT_BINARY_DIR}/wrap_BLAS_LAPACK/CxxLAPACK.hpp
  ${CMAKE_CURRENT_BINARY_DIR}/wrap_BLAS_LAPACK/CxxLAPACK.cpp
  )

#当目标wrap_BLAS_LAPACK_sources 被新生成时,执行COMMAND 后面的命令
add_custom_command(
  OUTPUT
    ${wrap_BLAS_LAPACK_sources}
  COMMAND #在构建时提取打包文件
    ${CMAKE_COMMAND} -E tar xzf ${CMAKE_CURRENT_SOURCE_DIR}/wrap_BLAS_LAPACK.tar.gz
  COMMAND #更新提取文件的时间戳
    ${CMAKE_COMMAND} -E touch ${wrap_BLAS_LAPACK_sources}
  WORKING_DIRECTORY #指定在何处执行命令
    ${CMAKE_CURRENT_BINARY_DIR}
  DEPENDS #列出了自定义命令的依赖项
    ${CMAKE_CURRENT_SOURCE_DIR}/wrap_BLAS_LAPACK.tar.gz
  COMMENT #在构建时打印状态消息
    "Unpacking C++ wrappers for BLAS/LAPACK"
  VERBATIM #告诉CMake为生成器和平台生成正确的命令,从而确保完全独立。
  )

2.执行没有输出的自定义操作

        使用 add_custom_command 的第二种方式,在构建目标之前打印目标的链接:

add_executable(example "")

target_sources(example
  PRIVATE
    example.f90
  )

add_custom_command(
  TARGET
    example
  PRE_LINK
  COMMAND
    ${PYTHON_EXECUTABLE}
      ${CMAKE_CURRENT_SOURCE_DIR}/echo-file.py
      ${CMAKE_CURRENT_BINARY_DIR}/CMakeFiles/example.dir/link.txt
  COMMENT
    "link line:"
  VERBATIM
  )

        PRE_LINK 命令将 ${CMAKE_CURRENT_BINARY_DIR}/CMakeFiles/example.dir/link.txt 的内容打印到屏幕上:

 link line:
 /usr/bin/f95 -O3 -DNDEBUG -O3 CMakeFiles/example.dir/example.f90.o -o example

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

烫青菜

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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