arch

上午把tensorflow安装好了，下午和晚上装caffe的确很费劲。 默认CUDA,cuDNN可以用了 caffe官方安装教程 有些安装顺序自己也不清楚，简直就是碰运气 1. 安装之前依赖项 General dependencies sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev 安装matlab见后面： 为什么需要安装Matlab？ caffe有Matlab的接口，因此如果需要使用Matlab调用caffe，进行编程，就需要安装Matlab。如果你觉得使用C或Python编程比较难，就请安装Matlab。当然如果不需要，并且后面不会编译caffe生成Matlab的接口，就不需要安装Matlab了。这个纯粹根据个人需求来定。 为什么需要安装OpenCV？ caffe是用来做深度学习的，深度学习的一大应用对象就是图像和视频。而OpenCV是目前最火的开源计算机视觉库，非常多的项目多用到了OpenCV，当然caffe也依赖OpenCV。所以，需要安装OpenCV

我靠，如此神器，我才知道！！！ make localmodconfig 我还手动配个鸟！！！ # # Automatically generated file; DO NOT EDIT. # Linux/x86 4.15.18 Kernel Configuration # CONFIG_64BIT=y CONFIG_X86_64=y CONFIG_X86=y CONFIG_INSTRUCTION_DECODER=y CONFIG_OUTPUT_FORMAT="elf64-x86-64" CONFIG_ARCH_DEFCONFIG="arch/x86/configs/x86_64_defconfig" CONFIG_LOCKDEP_SUPPORT=y CONFIG_STACKTRACE_SUPPORT=y CONFIG_MMU=y CONFIG_ARCH_MMAP_RND_BITS_MIN=28 CONFIG_ARCH_MMAP_RND_BITS_MAX=32 CONFIG_ARCH_MMAP_RND_COMPAT_BITS_MIN=8 CONFIG_ARCH_MMAP_RND_COMPAT_BITS_MAX=16 CONFIG_NEED_DMA_MAP_STATE=y CONFIG_NEED_SG_DMA_LENGTH=y CONFIG_GENERIC_ISA_DMA=y

硬件条件：友晶DE0开发板 软件条件：WIN XP，quartus11.0，VMware6.0.2，红帽企业版5，uClinux-dist-20070130.tar（2.6.0内核源文件），uClinux-dist-20070130-nios2-02.diff（内核补丁），nios2gcc.tar（交叉编译器）。 交叉编译环境的建立 首先安装虚拟机软件VMware，选择红帽企业版5作为操作系统。安装完成后，选中虚拟计算机，点击VM->settings，如图： 在弹出窗里选择CD-ROM 选择Use ISO image，然后选择红帽企业版5所在的目录，然后点击ok。然后给虚拟计算机上电，安装红帽系统。 重新启动虚拟机后，对操作系统进行简单的配置。在配置后，运行VM->Install VM Tools，然后鼠标就可以随意在Linux和Windows之间切换了。 利用U盘在Windows 和虚拟机Linux之间传递数据，具体做法如下：在linux界面上点击鼠标激活linux，然后插入U盘，这时候linux系统识别U盘，就可以进行操作了。然后直接拔下U盘，回到windows界面点击鼠标激活窗口，再插入U盘，就可以读取刚才linux系统写入的数据了。 从windows下通过U盘复制nios2gcc.tar.bz2至linux的/usr/local/src文件夹下，并解压缩

错误： VCC src/caffe/layers/softmax_loss_layer.cu nvcc fatal : Unsupported gpu architecture 'compute_20' Makefile:605: recipe for target '.build_release/cuda/src/caffe/layers/softmax_loss_layer.o' failed make: *** [.build_release/cuda/src/caffe/layers/softmax_loss_layer.o] Error 1 解决方案： 在Makefile.config文件中根据自己CUDA的版本注释不同的行。 # CUDA architecture setting: going with all of them. # For CUDA < 6.0, comment the *_50 through *_61 lines for compatibility. # For CUDA < 8.0, comment the *_60 and *_61 lines for compatibility. # For CUDA >= 9.0, comment the *_20 and *_21 lines for compatibility. CUDA_ARCH :=

本文是冷烟花原创,转载请注明出处! https://www.cnblogs.com/jason-lu/p/3728198.html Linux内核Makefile文件(翻译自内核手册) –译自Linux3.9.5 Kernel Makefiles(内核目录documention/kbuild/makefiles.txt) kbuild(kernel build) 内核编译器 This document describes the Linux kernel Makefiles 本文档介绍了Linux内核的Makefile === Table of Contents === 目录 === 1 Overview === 1 概述 === 2 Who does what === 2 角色分工 === 3 The kbuild files === 3 内核编译文件 --- 3.1 Goal definitions --- 3.1 目标定义 --- 3.2 Built-in object goals - obj-y --- 3.2 内嵌对象 - obj-y --- 3.3 Loadable module goals - obj-m --- 3.3 可加载模块 - obj-m --- 3.4 Objects which export symbols --- 3.4 导出符号 --- 3.5

argparse 是python自带的命令行参数解析包，可以用来方便地读取命令行参数，当你的代码需要频繁地修改参数的时候，使用这个工具可以将参数和代码分离开来，让你的代码更简洁，适用范围更广。 argparse使用比较简单，常用的功能可能较快地实现出来，下面我分几个步骤， 以Python3为例 ，逐渐递增地讲述argparse的用法。 1. 基本框架 下面是使用argparse从命令行获取用户名，然后打印’Hello ‘+ 用户名，假设python文件名为 print_name.py : # file-name:print_name.py import argparse def get_parser(): parser = argparse.ArgumentParser(description="Demo of argparse") parser.add_argument('--name', default='Great') return parser if __name__ == '__main__': parser = get_parser() args = parser.parse_args() name = args.name print('Hello {}'.format(name)) 在命令行执行如下命令： $ python print_name.py --name

由于可能会有偶尔重装系统的需要，而每次配置都丢三落四，浪费时间，因此整理了自己需要的配置，一直会继续更新的 1.安装 分区时选择手动分区 挂载点 大小 /boot/efi 500M /boot 1G / 剩余所有 2.更新源 sudo pacman-mirrors -i -c China -m rank //更新镜像排名，选择最快的那一个（延迟小的那个） sudo pacman -Syy //刷新 sudo pacman -S vim //先安装vim，之后用的多 sudo vim /etc/pacman.conf 在这个文件的最后添加几行： [ archlinuxcn ] SigLevel = Optional TrustedOnly Server = https://mirrors.tuna.tsinghua.edu.cn/archlinuxcn/ $arch 其中的网址根据之前选择的源来选择最快的: ## CDN (ipv4, http, https) ## aliyun Server = http://mirrors.aliyun.com/archlinux/ $arch ##上海交通大学 Server = https://mirrors.sjtug.sjtu.edu.cn/archlinux-cn/ $arch ## 浙江大学 (浙江杭州) (ipv4, ipv6,

在ununtu编译CPU版本caffe和caffepython。 先贴最后的config文件，再贴踩坑。 2019-09-03 10:33:39 ## Refer to http://caffe.berkeleyvision.org/installation.html # Contributions simplifying and improving our build system are welcome! # cuDNN acceleration switch (uncomment to build with cuDNN). # USE_CUDNN := 1 # CPU-only switch (uncomment to build without GPU support). CPU_ONLY := 1 # uncomment to disable IO dependencies and corresponding data layers # USE_OPENCV := 0 # USE_LEVELDB := 0 # USE_LMDB := 0 # This code is taken from https://github.com/sh1r0/caffe-android-lib # USE_HDF5 := 0 # uncomment to allow MDB_NOLOCK

一、RMAN 备份的内容 RMAN做数据库全备时包含了 数据文件、归档日志、控制文件和参数文件和备份日志，如下： arch_20160223_08qukp2t_1_1 arch_20160223_0bqukp92_1_1 ctl_c- 3234695588-20160223-01 rmanbak-20160223-0852.log scp_20160223_09qukp2u_1_1 scp_20160223_0aqukp2u_1_1 二、测试环境 OS：CentOS release 6.4 (Final) Database：Oracle Database 12c Enterprise Edition Release 12.1.0.2.0 - 64bit Production 原平台与当前平台环境一致，但是oracle数据库目录结构不一致。 三、开始恢复 1、 确认原数据库的DBID（通过RMAN的备份日志，或者通过RMAN备份的控制文件名来识别），同时确认一下原数据库的实例名； 2、 将 RMAN备份的内容拷贝到目标数据库上； 3、 设置好环境变量： [oracle@dg1 ~]$ export NLS_DATA_FORMAT='YYYY-MM-DD HH24:MI:SS' [oracle@dg1 ~]$ export ORACLE_SID=scp [oracle@dg1 ~]$