cmake

一晃又一年过去了。。。 即便这样，如我在系列开头所说，这个系列我是不会放弃的，虽然可能会很慢，但是我会努力继续下去。 因此，今天更新一篇。 其实在这一年当中我对图形部分在不断进行重构。其中一个重点就是对应DX12/Vulkan/Metal的PSO（Pipeline State Object）概念。虽然3个图形API的PSO概念在实现细节方面并不是完全一致，但是大致的概念是共通的：将GPU的管道状态，包括 渲染管道入口处的，附属在vertex（顶点）处的属性layout； 渲染管道出口处的RT/DT的格式 固定功能（Fix Function）的设置，如 深度测试是否有效，深度测试的比较函数（>, >=, ==, <, <=, always true, always false) Stencil测试是否有效，相关测试 Shader的绑定 这些主要的概念。 其实，这基本上就对应现代GPGPU当中的Context，也就是上下文的概念。在以往，特别是诸如OpenGL这样的图形API当中，这些状态设置是混杂在绘图命令当中的，并没有单独分开进行存储。这就导致在需要改变渲染管道状态的时候，需要一系列的命令来对状态进行设置，并且： 要么每次把所有状态都重新设置一遍 要么需要在引擎当中自己跟踪状态的变化，计算出需要改变哪些设置 而DX12/Vulkan/Metal提供了PSO对象

下载cuda https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal 下载opencv3.1和opencv-contrib3.1 vs2015要选择c++环境 启动这个命令窗口，从这里启动cmake cuda安装的时候参考 https://blog.csdn.net/u014613745/article/details/78310916 测试cuda正常 cmake编译时确保选择cuda和opencv-contrib，然后 否则我的电脑会提示 nvcc fatal : Unsupported gpu architecture 'compute_20' 取消勾选 BUILD_PERF_TESTS这一项 LNK1104 无法打开文件“..\..\lib\Debug\opencv_bioinspired310d.lib” opencv_perf_bioinspired https://blog.csdn.net/fu_shuwu/article/details/72793856 一些参考： https://blog.csdn.net/liujiabin076/article/details/68926699

上次实现的物体检测，借助了detectron2。 现在要移植到c++上，detectron2里面的模型大概是不能用了。 安装libtorch,浏览器下载很慢，换成wget就很快了，这里操作了一下给终端设置代理，但是实际用的时候好像没有代理也很快，不知道。 libtorch = 1.5 例子hello_libtorch，https://pytorch.org/cppdocs/installing.html (输出一个tensor，可以用来验证库啥的有没有问题) （好的，突然jupyter 突然打不开了。昨晚还好好的，不知道是不是我设置终端代理的原因。把代理proxychains删了果然就好了。尴尬 第二个例子，参考https://github.com/apachecn/pytorch-doc-zh/blob/master/docs/1.0/cpp_export.md，实现一下。 Tracing方法看起来还算好懂的。另一种方法适用model里面有各种基于输入判断的。 例子里面的代码还是比较落后的，有博客整理了一些坑，1.0到1.5变化不小，这里建议大家去pytorch官网找例子运行。 上面的两个例子，都是加载resnet18的，下面加载rcnn系列的，真的坑，真的坑。 OK, 切换到物体检测模型，https://pytorch.org/docs/master/torchvision

今天使用mydumper命令从AWS上的RDS集群MYSQL数据库导出数据，发现Tidb官方提供的工具不太适合，所以就自己编译了一个来尝试一下，居然成功了。 首先我的系统是Centos7,并且已经安装过gcc等编译器。 1、需要安装依赖包： yum install -y glib2-devel* mysql-devel* zlib-devel* pcre-devel* openssl-devel* 2、下载安装包： wget https://launchpadlibrarian.net/185032423/mydumper-0.6.2.tar.gz 其他版本的安装包也可以去官网下载：只是我这里使用0.6版本编译成功了。官网连接：https://launchpad.net/mydumper 点击这一块找到0.6版本： 3、 开始cmake编译 [root@test mydumper- 0.6 . 2 ]# ls binlog.c cmake common.h docs g_unix_signal.h mydumper.h myloader.h server_detect.c binlog.h CMakeLists.txt config.h. in g_unix_signal.c mydumper.c myloader.c README server_detect.h [root

C++ 是一种编译型(compiled)语言，设计重点是性能、效率和使用灵活性，偏向于系统编程、嵌入式、资源受限的软件和系统。 Python是一种解释型(interpreted)语言，同样也支持不同的编程范式。Python 内置了常用数据结构(str, tuple, list, dict)，简洁的语法、丰富的内置库(os,sys,urllib,...)和三方库(numpy, tf, torch ...)，功能强大。最为重要的是和能够和多种服务(flask…）和tensorflow、pytorch等无缝联合，从而方便将你的算法开放出去。 一方面，我们需要编译型语言(C++)性能；一方面，也需要解释型语言(Python)的灵活。这时，pybind11 可以用作 C++ 和 Python 之间沟通的桥梁。 Pybind11 是一个轻量级只包含头文件的库，用于 Python 和 C++ 之间接口转换，可以为现有的 C++ 代码创建 Python 接口绑定。Pybind11 通过 C++ 编译时的自省来推断类型信息，来最大程度地减少传统拓展 Python 模块时繁杂的样板代码， 已经实现了 STL 数据结构、智能指针、类、函数重载、实例方法等到Python的转换，其中函数可以接收和返回自定义数据类型的值、指针或引用。 由于在Windows上和在Linux上使用会有较大不同

在尝试用 LazyNet 时，由于原作者提供的OpenCV和OpenBLAS版本和我的环境不一样，考虑自行配置依赖。 OpenCV源码编译的文章很多，这里主要说一下OpenBLAS的编译。 cblas_sgemm crash 基于VS2017的MSVC编译器，编译安装openblas develop分支最新版，发现 LazyNet 代码有crash（access violation），而在Linux（ubuntu16.04，G++/Clang++-8）则运行正常。剥离出来的复现问题的最小化代码见下方，解决办法是 用clang-cl（Windows下和MSVC兼容的clang编译器）重新编译OpenBLAS ， 讨论帖在此 。 #include <stdio.h> extern "C" { #include <cblas.h> } int main() { printf("OpenBLAS config info:\n%s\n", openblas_get_config()); #if 1 // will cause crash on VS2017 x64 with OpenBLAS latest const int M = 16; const int N = 676; const int K = 27; #else // won't crash const int M = 4;

//系统平台：Ubuntu16.04.4 LTS //默认安装cuda9.1+cudnn7.1+opencv3.4+caffe(GPU) //同时测试基本兼容了cuda8.0+cudnn6.0+opencv3.2+caffe(GPU)安装 //如果还需安装TensorFlow，建议选择cuda9.0+cudnn7.0+opencv3.4+新版本TensorFlow //如需老版本TensorFlow，建议选择cuda8.0+cudnn6.0+opencv3.2(or opencv2)+老版本TensorFlow // 参考博客： // https://blog.csdn.net/jonms/article/details/79318566 　　这篇主要讲cuda,cudnn的安装和测试 // https://blog.csdn.net/u014696921/article/details/53143176 　　 这篇讲整个caffe的部署 // https://blog.csdn.net/tsb831211/article/details/78432206 　　这篇是童师兄写的教程，里面有详细的常用配置 // https://blog.csdn.net/u014696921/article/details/53138327 　　 这篇主要讲caffe-ssd的部署 // https

参考 https://www.cnblogs.com/arkenstone/p/6490017.html https://blog.csdn.net/u013180339/article/details/77507936 这里的安装没有用pip或是conda安装，通过pip或者conda安装的opencv只是封装了opencv的Python API，一般情况下也够用。 但是如果准备安装完整版本的opencv，这里比较建议将opencv-python卸载，以免之后产生一些不必要的报错。 1.配置环境 $ sudo apt- get install build- essential $ sudo apt - get install cmake git libgtk2. 0 -dev pkg-config libavcodec-dev libavformat-dev libswscale- dev $ sudo apt - get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394- 22 - dev # 处理图像所需的包 $ sudo apt - get install libavcodec-dev

1.首先安装ffmpeg 　　apt-get install ffmpeg 2.安装opencv对ffmeg的依赖 　# for Compiling OpenCV with ffmpeg support 　　apt-get install build-essential 　　apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev 　　apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev 　From <https://docs.opencv.org/3.4.2/d7/d9f/tutorial_linux_install.html> 3.下载opencv源码并编译 　>> cd ~/<my_working_directory> >> git clone https://github.com/opencv/opencv.git >> cd opencv >> git checkout 3.1.0 >> cd .. >> git clone https:/