Linux环境下vscode调试C/C++

本文档介绍了如何在Linux系统中为Visual Studio Code(VSCode)配置C/C++的调试环境。主要步骤包括安装必要的插件如C/C++和CodeRunner,确保已安装gcc/g++和gdb编译调试工具,创建和配置launch.json及task.json文件以实现代码的编译和调试。详细说明了各个配置文件的内容和作用,适合初学者参考。

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

小伙伴看我一直在vscode调试代码,就喊我帮他搞搞调试环境,花了半个小时,我的很久之前搞得了,趁着又刚刚搞了一遍,记录下。

我这里环境是Linux,不是win,也不是win+wsl,配置有点区别。

1 基础环境

1.1 插件

在插件商店搜索并安装C/C++(必须),Code Runner(非必须)

  • C/C++
  • Code Runner
    Code Runner支持一键调试,快速查看代码能否编译运行。
    在这里插入图片描述
    安装后将显示三角号标识,通过单击或者快捷键Ctrl+Alt+N,可以快速编译运行。

1.2 编译调试工具

gcc/g++编译工具必装,gdb调试工具必装。

$ sudo apt-get update
[有密码则输入密码]
$ sudo apt-get install gcc
[有密码则输入密码]
$ sudo apt-get install g++
[有密码则输入密码]
$ sudo apt-get install gdb

PS: 不同linux版本不同安装命令
一般来说著名的linux系统基本上分两大类:
1.RedHat系列:Redhat、Centos、Fedora等
2.Debian系列:Debian、Ubuntu等
RedHat 系列
1 常见的安装包格式 rpm包,安装rpm包的命令是“rpm -参数”
2 包管理工具 yum
3 支持tar包
Debian系列
1 常见的安装包格式 deb包,安装deb包的命令是“dpkg -参数”
2 包管理工具 apt-get
3 支持tar包

2 配置文件

2.1新建*.c文件

touch hello.c

#include <stdio.h>

int main(void){
	printf("hello_world");
	return 0;
}
  • 接下来在该目录下建立文件夹.vscode,并在文件中新建文件launch.jsontask.json
  • 也可以F5调试,自动生成

2.2 launch.json

将下面的配置文件写入。

{
    // 使用 IntelliSense 了解相关属性。 
    // 悬停以查看现有属性的描述。
    // 欲了解更多信息,请访问: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "preLaunchTask": "build", //调试会话开始前执行的任务,一般为编译程序。与tasks.json的label相对应
            "name": "(gdb) Debug",       //配置文件的名字,可以随便起
            "type": "cppdbg",           //调试的类型,Vscode现在支持很多,我这里主要是C,所以只能是cppdbg
            "request": "launch",        //配置文件的请求类型,有launch和attach两种,具体看官方文档
            "targetArchitecture": "x64", //硬件内核架构,为64bit,如图设置
            "program": "${workspaceFolder}/${fileBasenameNoExtension}",   //可执行文件的路径和文件名称
            "args": [],                 //主函数调用时传入的参数
            "stopAtEntry": false,       //设为true时程序将暂停在程序入口处
            "cwd": "${workspaceFolder}",    //调试时的工作目录
            "environment": [],          //不知道干嘛的
            "internalConsoleOptions": "openOnSessionStart",
            "externalConsole": false,   //调试时是否显示控制台窗口
            "MIMode": "gdb",            //指定连接的调试器,可以省略不写
            "setupCommands": [
                {
                    "description": "为 gdb 启用整齐打印",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": true
                }
            ]
        }
    ]
}

2.3 task.json

如果调试C++,将下面command配置成g++

{
    // See https://go.microsoft.com/fwlink/?LinkId=733558
    // for the documentation about the tasks.json format
    "version": "2.0.0",
    "tasks": [
        {
            "label": "build",   // 任务名称,与launch.json的preLaunchTask相对应
            "type": "shell", 
            "command": "gcc",   // 要使用的编译器
            "args": [
                "${file}",
                "-o", // 指定输出文件名,不加该参数则默认输出a.exe,Linux下默认a.out
                "${fileDirname}/${fileBasenameNoExtension}",
                "-g", // 生成和调试有关的信息
                "-Wall", // 开启额外警告
            ], // 编译命令参数

            "group": {
                "kind": "build",
                "isDefault": true // 设为false可做到一个tasks.json配置多个编译指令,需要自己修改本文件
            },
            "presentation": {
                "echo": true,
                "reveal": "always", // 在“终端”中显示编译信息的策略,可以为always,silent,never。具体参见VSC的文档
                "focus": true, // 设为true后可以使执行task时焦点聚集在终端
                "panel": "new" // 不同的文件的编译信息共享一个终端面板
            },
            // Use the standard MS compiler pattern to detect errors, warnings and infos
            "problemMatcher": "$msCompile"
        }
    ]
}

2.4 调试

到这里没问题的话即可调试。用过IDE的同学,并不陌生了。

  • 在要调试的位置加断点
    在这里插入图片描述

  • 快捷键F5,一键进入调试
    如果有交互,在中断界面进行输入。
    在这里插入图片描述

  • 调试界面
    如下图:
    在这里插入图片描述
    可以查看断点,变量以及监视变量等。

### 大模型对齐微调DPO方法详解 #### DPO简介 直接偏好优化(Direct Preference Optimization, DPO)是一种用于改进大型语言模型行为的技术,该技术通过结合奖励模型训练和强化学习来提升训练效率与稳定性[^1]。 #### 实现机制 DPO的核心在于它能够依据人类反馈调整模型输出的概率分布。具体来说,当给定一对候选响应时,DPO试图使更受偏好的那个选项具有更高的生成概率。这种方法不仅简化了传统强化学习所需的复杂环境设置,而且显著增强了模型对于多样化指令的理解能力和执行精度[^2]。 #### PAI平台上的实践指南 为了便于开发者实施这一先进理念,在PAI-QuickStart框架下提供了详尽的操作手册。这份文档覆盖了从环境配置直至完成整个微调流程所需的一切细节,包括但不限于数据准备、参数设定以及性能评估等方面的内容。尤其值得注意的是,针对阿里云最新发布的开源LLM——Qwen2系列,文中给出了具体的实例说明,使得即使是初次接触此类工作的用户也能顺利上手。 ```python from transformers import AutoModelForCausalLM, Trainer, TrainingArguments model_name_or_path = "qwen-model-name" tokenizer_name = model_name_or_path training_args = TrainingArguments( output_dir="./results", per_device_train_batch_size=8, num_train_epochs=3, ) trainer = Trainer( model_init=lambda: AutoModelForCausalLM.from_pretrained(model_name_or_path), args=training_args, train_dataset=train_dataset, ) # 假设已经定义好了train_dataset trainer.train() ``` 这段代码片段展示了如何使用Hugging Face库加载预训练模型并对其进行微调的过程。虽然这里展示的例子并不完全对应于DPO的具体实现方式,但它提供了一个基础模板供进一步定制化开发之用[^3]。
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
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