Kellybook

Retinanet网络的安装问题：error: command 'gcc' failed with exit status 1的解决办法

一：安装步骤

1.打开Git，克隆retinanet代码到本地：

git clone https://github.com/fizyr/keras-retinanet.git

2.在当前存储目录下keras-retinanet-master中，执行:

pip3 install . --user

NOTE:由于自定义安装tensorflow，这个软件包并没有定义对tensorflow相应的依赖关系，因为它会尝试安装tensorflow（至少在Arch Linux会导致错）。请确保tensorflow按照个人的系统要求进行安装。另外，确保安装Keras 2.2.0或更高版本。注意：pip2 install . --user，针对的是python2版本。第2步目的是为了后面导入包 import keras_resnet等不报错。比如找不到 compute_overlap函数的问题。

3.如果相对COCO数据集进行测试，需要安装pycocotools,命令如下：

pip3 install --user git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI

也可以从官网下载COCOAPI代码，自己用命令行安装。

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make

Windows系统和Linux系统下pycocotools的安装方法参见下面：

Windows下pycocotools的安装————–传送门
Linux下pycocotools的安装————–传送门

问题：

在进行第2步安装时，在目录keras-retinanet-master下执行以下代码：

nkdx@nkdx:~/shuyu/keras-retinanet-master$ pip3 install . --user

出现了如下错误：

Processing /home/nkdx/shuyu/keras-retinanet-master
Requirement already satisfied: keras in /home/nkdx/anaconda3/lib/python3.5/site-packages (from keras-retinanet==0.4.1) (2.1.5)
Requirement already satisfied: keras-resnet in /home/nkdx/.local/lib/python3.5/site-packages (from keras-retinanet==0.4.1) (0.1.0)
Requirement already satisfied: six in /home/nkdx/anaconda3/lib/python3.5/site-packages (from keras-retinanet==0.4.1) (1.11.0)
Requirement already satisfied: scipy in /home/nkdx/anaconda3/lib/python3.5/site-packages (from keras-retinanet==0.4.1) (1.0.0)
Requirement already satisfied: cython in /home/nkdx/anaconda3/lib/python3.5/site-packages (from keras-retinanet==0.4.1) (0.27.3)
Requirement already satisfied: pyyaml in /home/nkdx/anaconda3/lib/python3.5/site-packages (from keras->keras-retinanet==0.4.1) (3.12)
Requirement already satisfied: numpy>=1.9.1 in /home/nkdx/anaconda3/lib/python3.5/site-packages (from keras->keras-retinanet==0.4.1) (1.14.3)
Building wheels for collected packages: keras-retinanet
  Running setup.py bdist_wheel for keras-retinanet ... error
  Complete output from command /home/nkdx/anaconda3/bin/python -u -c "import setuptools, tokenize;__file__='/tmp/pip-req-build-rfhv874f/setup.py';f=getattr(tokenize, 'open', open)(__file__);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, 'exec'))" bdist_wheel -d /tmp/pip-wheel-3o8jcs_m --python-tag cp35:
  running bdist_wheel
  running build
  running build_py
  creating build
  creating build/lib.linux-x86_64-3.5
  creating build/lib.linux-x86_64-3.5/tests
  copying tests/test_losses.py -> build/lib.linux-x86_64-3.5/tests
  copying tests/__init__.py -> build/lib.linux-x86_64-3.5/tests
  creating build/lib.linux-x86_64-3.5/keras_retinanet
  copying keras_retinanet/losses.py -> build/lib.linux-x86_64-3.5/keras_retinanet
  copying keras_retinanet/initializers.py -> build/lib.linux-x86_64-3.5/keras_retinanet
  copying keras_retinanet/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet
  creating build/lib.linux-x86_64-3.5/tests/backend
  copying tests/backend/test_common.py -> build/lib.linux-x86_64-3.5/tests/backend
  copying tests/backend/__init__.py -> build/lib.linux-x86_64-3.5/tests/backend
  creating build/lib.linux-x86_64-3.5/tests/utils
  copying tests/utils/test_transform.py -> build/lib.linux-x86_64-3.5/tests/utils
  copying tests/utils/__init__.py -> build/lib.linux-x86_64-3.5/tests/utils
  creating build/lib.linux-x86_64-3.5/tests/preprocessing
  copying tests/preprocessing/test_generator.py -> build/lib.linux-x86_64-3.5/tests/preprocessing
  copying tests/preprocessing/test_csv_generator.py -> build/lib.linux-x86_64-3.5/tests/preprocessing
  copying tests/preprocessing/__init__.py -> build/lib.linux-x86_64-3.5/tests/preprocessing
  creating build/lib.linux-x86_64-3.5/tests/layers
  copying tests/layers/test_misc.py -> build/lib.linux-x86_64-3.5/tests/layers
  copying tests/layers/test_filter_detections.py -> build/lib.linux-x86_64-3.5/tests/layers
  copying tests/layers/__init__.py -> build/lib.linux-x86_64-3.5/tests/layers
  creating build/lib.linux-x86_64-3.5/tests/models
  copying tests/models/test_densenet.py -> build/lib.linux-x86_64-3.5/tests/models
  copying tests/models/test_mobilenet.py -> build/lib.linux-x86_64-3.5/tests/models
  copying tests/models/__init__.py -> build/lib.linux-x86_64-3.5/tests/models
  creating build/lib.linux-x86_64-3.5/keras_retinanet/backend
  copying keras_retinanet/backend/cntk_backend.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
  copying keras_retinanet/backend/tensorflow_backend.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
  copying keras_retinanet/backend/common.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
  copying keras_retinanet/backend/dynamic.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
  copying keras_retinanet/backend/theano_backend.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
  copying keras_retinanet/backend/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
  creating build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/keras_version.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/coco_eval.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/colors.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/visualization.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/eval.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/model.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/transform.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/anchors.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/image.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  copying keras_retinanet/utils/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
  creating build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
  copying keras_retinanet/callbacks/eval.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
  copying keras_retinanet/callbacks/common.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
  copying keras_retinanet/callbacks/coco.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
  copying keras_retinanet/callbacks/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
  creating build/lib.linux-x86_64-3.5/keras_retinanet/bin
  copying keras_retinanet/bin/debug.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
  copying keras_retinanet/bin/train.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
  copying keras_retinanet/bin/evaluate.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
  copying keras_retinanet/bin/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
  copying keras_retinanet/bin/convert_model.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
  creating build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/csv_generator.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/pascal_voc.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/open_images.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/kitti.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/coco.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  copying keras_retinanet/preprocessing/generator.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
  creating build/lib.linux-x86_64-3.5/keras_retinanet/layers
  copying keras_retinanet/layers/_misc.py -> build/lib.linux-x86_64-3.5/keras_retinanet/layers
  copying keras_retinanet/layers/filter_detections.py -> build/lib.linux-x86_64-3.5/keras_retinanet/layers
  copying keras_retinanet/layers/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/layers
  creating build/lib.linux-x86_64-3.5/keras_retinanet/models
  copying keras_retinanet/models/densenet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
  copying keras_retinanet/models/retinanet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
  copying keras_retinanet/models/mobilenet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
  copying keras_retinanet/models/vgg.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
  copying keras_retinanet/models/resnet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
  copying keras_retinanet/models/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
  running build_ext
  cythoning keras_retinanet/utils/compute_overlap.pyx to keras_retinanet/utils/compute_overlap.c
  building 'keras_retinanet.utils.compute_overlap' extension
  creating build/temp.linux-x86_64-3.5
  creating build/temp.linux-x86_64-3.5/keras_retinanet
  creating build/temp.linux-x86_64-3.5/keras_retinanet/utils
  gcc -pthread -B /home/nkdx/anaconda3/compiler_compat -Wsign-compare -DNDEBUG -g -fwrapv -O3 -Wall -Wstrict-prototypes -fPIC -I/home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include -I/home/nkdx/anaconda3/include/python3.5m -c keras_retinanet/utils/compute_overlap.c -o build/temp.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.o
  In file included from /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/ndarraytypes.h:1816:0,
                   from /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/ndarrayobject.h:18,
                   from /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/arrayobject.h:4,
                   from keras_retinanet/utils/compute_overlap.c:567:
  /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/npy_1_7_deprecated_api.h:15:2: warning: #warning "Using deprecated NumPy API, disable it by " "#defining NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION" [-Wcpp]
   #warning "Using deprecated NumPy API, disable it by " \
    ^
  gcc -pthread -shared -L/home/nkdx/anaconda3/lib -B /home/nkdx/anaconda3/compiler_compat -Wl,-rpath=/home/nkdx/anaconda3/lib,--no-as-needed build/temp.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.o -o build/lib.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.cpython-35m-x86_64-linux-gnu.so
  /home/nkdx/anaconda3/compiler_compat/ld: cannot find -lpthread
  /home/nkdx/anaconda3/compiler_compat/ld: cannot find -lc
  collect2: error: ld returned 1 exit status
  error: command 'gcc' failed with exit status 1

  ----------------------------------------
  Failed building wheel for keras-retinanet
  Running setup.py clean for keras-retinanet
Failed to build keras-retinanet
Installing collected packages: keras-retinanet
  Running setup.py install for keras-retinanet ... error
    Complete output from command /home/nkdx/anaconda3/bin/python -u -c "import setuptools, tokenize;__file__='/tmp/pip-req-build-rfhv874f/setup.py';f=getattr(tokenize, 'open', open)(__file__);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, 'exec'))" install --record /tmp/pip-record-09fwld2k/install-record.txt --single-version-externally-managed --compile --user --prefix=:
    running install
    running build
    running build_py
    creating build
    creating build/lib.linux-x86_64-3.5
    creating build/lib.linux-x86_64-3.5/tests
    copying tests/test_losses.py -> build/lib.linux-x86_64-3.5/tests
    copying tests/__init__.py -> build/lib.linux-x86_64-3.5/tests
    creating build/lib.linux-x86_64-3.5/keras_retinanet
    copying keras_retinanet/losses.py -> build/lib.linux-x86_64-3.5/keras_retinanet
    copying keras_retinanet/initializers.py -> build/lib.linux-x86_64-3.5/keras_retinanet
    copying keras_retinanet/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet
    creating build/lib.linux-x86_64-3.5/tests/backend
    copying tests/backend/test_common.py -> build/lib.linux-x86_64-3.5/tests/backend
    copying tests/backend/__init__.py -> build/lib.linux-x86_64-3.5/tests/backend
    creating build/lib.linux-x86_64-3.5/tests/utils
    copying tests/utils/test_transform.py -> build/lib.linux-x86_64-3.5/tests/utils
    copying tests/utils/__init__.py -> build/lib.linux-x86_64-3.5/tests/utils
    creating build/lib.linux-x86_64-3.5/tests/preprocessing
    copying tests/preprocessing/test_generator.py -> build/lib.linux-x86_64-3.5/tests/preprocessing
    copying tests/preprocessing/test_csv_generator.py -> build/lib.linux-x86_64-3.5/tests/preprocessing
    copying tests/preprocessing/__init__.py -> build/lib.linux-x86_64-3.5/tests/preprocessing
    creating build/lib.linux-x86_64-3.5/tests/layers
    copying tests/layers/test_misc.py -> build/lib.linux-x86_64-3.5/tests/layers
    copying tests/layers/test_filter_detections.py -> build/lib.linux-x86_64-3.5/tests/layers
    copying tests/layers/__init__.py -> build/lib.linux-x86_64-3.5/tests/layers
    creating build/lib.linux-x86_64-3.5/tests/models
    copying tests/models/test_densenet.py -> build/lib.linux-x86_64-3.5/tests/models
    copying tests/models/test_mobilenet.py -> build/lib.linux-x86_64-3.5/tests/models
    copying tests/models/__init__.py -> build/lib.linux-x86_64-3.5/tests/models
    creating build/lib.linux-x86_64-3.5/keras_retinanet/backend
    copying keras_retinanet/backend/cntk_backend.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
    copying keras_retinanet/backend/tensorflow_backend.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
    copying keras_retinanet/backend/common.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
    copying keras_retinanet/backend/dynamic.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
    copying keras_retinanet/backend/theano_backend.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
    copying keras_retinanet/backend/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/backend
    creating build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/keras_version.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/coco_eval.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/colors.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/visualization.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/eval.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/model.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/transform.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/anchors.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/image.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    copying keras_retinanet/utils/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/utils
    creating build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
    copying keras_retinanet/callbacks/eval.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
    copying keras_retinanet/callbacks/common.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
    copying keras_retinanet/callbacks/coco.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
    copying keras_retinanet/callbacks/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/callbacks
    creating build/lib.linux-x86_64-3.5/keras_retinanet/bin
    copying keras_retinanet/bin/debug.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
    copying keras_retinanet/bin/train.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
    copying keras_retinanet/bin/evaluate.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
    copying keras_retinanet/bin/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
    copying keras_retinanet/bin/convert_model.py -> build/lib.linux-x86_64-3.5/keras_retinanet/bin
    creating build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/csv_generator.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/pascal_voc.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/open_images.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/kitti.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/coco.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    copying keras_retinanet/preprocessing/generator.py -> build/lib.linux-x86_64-3.5/keras_retinanet/preprocessing
    creating build/lib.linux-x86_64-3.5/keras_retinanet/layers
    copying keras_retinanet/layers/_misc.py -> build/lib.linux-x86_64-3.5/keras_retinanet/layers
    copying keras_retinanet/layers/filter_detections.py -> build/lib.linux-x86_64-3.5/keras_retinanet/layers
    copying keras_retinanet/layers/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/layers
    creating build/lib.linux-x86_64-3.5/keras_retinanet/models
    copying keras_retinanet/models/densenet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
    copying keras_retinanet/models/retinanet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
    copying keras_retinanet/models/mobilenet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
    copying keras_retinanet/models/vgg.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
    copying keras_retinanet/models/resnet.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
    copying keras_retinanet/models/__init__.py -> build/lib.linux-x86_64-3.5/keras_retinanet/models
    running build_ext
    skipping 'keras_retinanet/utils/compute_overlap.c' Cython extension (up-to-date)
    building 'keras_retinanet.utils.compute_overlap' extension
    creating build/temp.linux-x86_64-3.5
    creating build/temp.linux-x86_64-3.5/keras_retinanet
    creating build/temp.linux-x86_64-3.5/keras_retinanet/utils
    gcc -pthread -B /home/nkdx/anaconda3/compiler_compat -Wsign-compare -DNDEBUG -g -fwrapv -O3 -Wall -Wstrict-prototypes -fPIC -I/home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include -I/home/nkdx/anaconda3/include/python3.5m -c keras_retinanet/utils/compute_overlap.c -o build/temp.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.o
    In file included from /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/ndarraytypes.h:1816:0,
                     from /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/ndarrayobject.h:18,
                     from /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/arrayobject.h:4,
                     from keras_retinanet/utils/compute_overlap.c:567:
    /home/nkdx/anaconda3/lib/python3.5/site-packages/numpy/core/include/numpy/npy_1_7_deprecated_api.h:15:2: warning: #warning "Using deprecated NumPy API, disable it by " "#defining NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION" [-Wcpp]
     #warning "Using deprecated NumPy API, disable it by " \
      ^
    gcc -pthread -shared -L/home/nkdx/anaconda3/lib -B /home/nkdx/anaconda3/compiler_compat -Wl,-rpath=/home/nkdx/anaconda3/lib,--no-as-needed build/temp.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.o -o build/lib.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.cpython-35m-x86_64-linux-gnu.so
    /home/nkdx/anaconda3/compiler_compat/ld: cannot find -lpthread
    /home/nkdx/anaconda3/compiler_compat/ld: cannot find -lc
    collect2: error: ld returned 1 exit status
    error: command 'gcc' failed with exit status 1

    ----------------------------------------
Command "/home/nkdx/anaconda3/bin/python -u -c "import setuptools, tokenize;__file__='/tmp/pip-req-build-rfhv874f/setup.py';f=getattr(tokenize, 'open', open)(__file__);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, 'exec'))" install --record /tmp/pip-record-09fwld2k/install-record.txt --single-version-externally-managed --compile --user --prefix=" failed with error code 1 in /tmp/pip-req-build-rfhv874f/`

可以看到问题主要在于：

/home/nkdx/anaconda3/compiler_compat/ld: cannot find -lpthread
/home/nkdx/anaconda3/compiler_compat/ld: cannot find -lc
collect2: error: ld returned 1 exit status
error: command 'gcc' failed with exit status 1

解决办法：找到libc.so和libpthread.so的相关软件并安装

关于cannot find -lxxx的问题参考这里

首先使用下面命令安装apt-file：

apt-get install apt-file

然后更新缓存：

apt-file update

寻找缺失的库文件：这里我根据报错cannot find -lpthread和cannot find -lc寻找它们依赖的包

apt-file search libc.so # 以cannot find -lc为例

得到下图所示：

使用命令安装libc6-dev即可：

apt-get install libc6-dev

同理cannot find -lpthread的错误也可以这样解决，事实上libc.so和libpthread.so都在libc6.dev中。
报错中有一个信息是：

 gcc -pthread -shared -L/home/nkdx/anaconda3/lib -B /home/nkdx/anaconda3/compiler_compat -Wl,-rpath=/home/nkdx/anaconda3/lib,--no-as-needed build/temp.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.o -o build/lib.linux-x86_64-3.5/keras_retinanet/utils/compute_overlap.cpython-35m-x86_64-linux-gnu.so

可以发现在/home/nkdx/anaconda3/lib下没有找到libpthread.so文件，这里我们需要将上面找到的在/usr/lib/x86_64-linux-gnu/路径下的libpthread.so和libc.so文件拷贝到/home/nkdx/anaconda3/lib下即可解决问题。

然后运行：

pip3 install . --user

当然也可以直接使用配置好的程序文件，这样可以一步到位无需进行复杂的配置或者担心出错，之后会将配置好的程序同步到博客中，也可以直接联系我的邮箱获取，我会及时回复。
邮箱：[email protected]

openssl+keepalived安装部署 _小亦_ 项目部署 keepalived openssl
文章目录OpenSSL安装下载地址编译安装修改系统配置版本Keepalived安装下载地址安装遇到问题安装完成配置文件keepalived运行检查运行状态查看系统日志修改服务service重新加载systemd检查配置文件语法错误OpenSSL安装下载地址考虑到后面设备可能没法连接到外网，所以采用安装包的方式进行部署，下载地址：https://www.openssl.org/source/old/
ai绘画工具midjourney怎么下载？附作品管理教程设计师早上好
Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
吴恩达深度学习笔记(30)-正则化的解释极客Array
正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
计算机视觉中，Pooling的作用 Wils0nEdwards 计算机视觉人工智能
在计算机视觉中，Pooling（池化）是一种常见的操作，主要用于卷积神经网络（CNN）中。它通过对特征图进行下采样，减少数据的空间维度，同时保留重要的特征信息。Pooling的作用可以归纳为以下几个方面：1.降低计算复杂度与内存需求Pooling操作通过对特征图进行下采样，减少了特征图的空间分辨率（例如，高度和宽度）。这意味着网络需要处理的数据量会减少，从而降低了计算量和内存需求。这对大型神经网络
神经网络-损失函数红米煮粥神经网络人工智能深度学习
文章目录一、回归问题的损失函数1.均方误差（MeanSquaredError,MSE）2.平均绝对误差（MeanAbsoluteError,MAE）二、分类问题的损失函数1.0-1损失函数（Zero-OneLossFunction）2.交叉熵损失（Cross-EntropyLoss）3.合页损失（HingeLoss）三、总结在神经网络中，损失函数（LossFunction）扮演着至关重要的角色，它
BP神经网络的传递函数大胜归来19 MATLAB
BP网络一般都是用三层的，四层及以上的都比较少用；传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如1,0等，满足某个条件输出1，不满足则0的话，首先想到的是hardlim函数，阈值型的，当然也可以考虑其他的；然后，假如网络是用来表达某种线性关系时，用purelin---线性传输函数；若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用相同的传递函数，可以是三种配合，可
神经网络传递函数sigmoid,神经网络传递函数作用快乐的小荣荣神经网络机器学习深度学习人工智能
神经网络传递函数选取不同会有特别大差别嘛？只是最后一层，但前面层是非线性，那么可能存在区别不大的情况。线性函数f(a*input)=af(input),一般来说，input为向量，最简化情况下，可以假设input的各个维度，a1=a2=a3。。。意味着你线性层只是简单的对输入做了scale~而神经网络能起作用的原因，在于通过足够复杂的非线性函数，来模拟任何的分布。所以，神经网络必须要用非线性函数。
Python和R均方根误差平均绝对误差算法模型亚图跨际 Python 交叉知识 R 回归模型误差指标归一化均方根误差生态状态指标神经网络成本误差气体排放气候模型多项式拟合
要点回归模型误差评估指标归一化均方根误差生态状态指标神经网络成本误差计算气体排放气候算法模型Python误差指标均方根误差和平均绝对误差均方根偏差或均方根误差是两个密切相关且经常使用的度量值之一，用于衡量真实值或预测值与观测值或估计值之间的差异。估计器θ^\hat{\theta}θ^相对于估计参数θ\thetaθ的RMSD定义为均方误差的平方根：RMSD⁡(θ^)=MSE⁡(θ^)=E((θ^−θ
LLM 进展和前进道路晨曦_子画人工智能学习人工智能
近年来，语言模型取得了重大进展。这一进步是对数十亿个参数进行广泛训练和调整的结果，也是商业用途基准测试的结果。这项工作的起源可以追溯到1950年代，当时自然语言理解和处理的研究开始了。本文旨在概述过去70年语言模型的历史和演变。它还将检查当前可用的大型语言模型（LLM），包括其架构、调优参数、企业就绪情况、系统配置等，以深入了解其训练和推理过程。这种探索将使我们能够了解该领域的进展，并评估可用于商
【NLP5-RNN模型、LSTM模型和GRU模型】一蓑烟雨紫洛 nlp rnn lstm gru nlp
RNN模型、LSTM模型和GRU模型1、什么是RNN模型RNN（RecurrentNeuralNetwork)中文称为循环神经网络，它一般以序列数据为输入，通过网络内部的结构设计有效捕捉序列之间的关系特征，一般也是以序列形式进行输出RNN的循环机制使模型隐层上一时间步产生的结果，能够作为当下时间步输入的一部分（当下时间步的输入除了正常的输入外还包括上一步的隐层输出）对当下时间步的输出产生影响2、R
Ansible架构介绍与安装 2401_86637445 ansible 架构
一、介绍Ansible什么是Ansible?Ansible是一款自动化运维工具，其主要功能是帮助运维实现IT工作的自动化、降低人为操作失误、提高业务自动化率、提升运维工作效率。实现了批量系统配置、批量程序部署、批量运行命令等功能。ansiblepuppetsaltstack主流的三种。ansible自动化运维工具被红帽收购阿里巴巴在用saltstackpython开发。无客户端，只需安装SSH、P
【系统架构设计】系统的可靠性分析与设计傻傻虎虎系统架构设计系统架构系统安全
【系统架构设计】系统的可靠性分析与设计可靠性概述系统故障模型系统配置方法组成结构‌‌功能与应用场景‌‌技术含量与成本‌系统可靠性可靠性概述这里有几个名词要做好区分，可靠度是某一个时间区间内能正常运行的概率；可用度是某一时刻可运行的概率；可维度是指系统失效后，在时间间隔内被修复的概率；平均无故障时间是从0时开始到故障发生时，系统的持续运行时间的期望值；平均故障修复时间就是字面意思；平均故障间隔时间是
基于深度学习的农作物病害检测 SEU-WYL 深度学习dnn 深度学习人工智能
基于深度学习的农作物病害检测利用卷积神经网络（CNN）、生成对抗网络（GAN）、Transformer等深度学习技术，自动识别和分类农作物的病害，帮助农业工作者提高作物管理效率、减少损失。1.农作物病害检测的挑战病害种类繁多：农作物病害的类型多样，不同病害在同一作物上的表现差异很大，同时同一种病害在不同生长阶段的症状也可能不同。环境影响：天气、光照、湿度等外部环境因素会影响农作物的表现，使得病害检
深度学习--对抗生成网络（GAN, Generative Adversarial Network） Ambition_LAO 深度学习生成对抗网络
对抗生成网络（GAN,GenerativeAdversarialNetwork）是一种深度学习模型，由IanGoodfellow等人在2014年提出。GAN主要用于生成数据，通过两个神经网络相互对抗，来生成以假乱真的新数据。以下是对GAN的详细阐述，包括其概念、作用、核心要点、实现过程、代码实现和适用场景。1.概念GAN由两个神经网络组成：生成器（Generator）和判别器（Discrimina
chatgpt赋能python：如何在Python中安装Keras库？ turensu ChatGpt python chatgpt keras 计算机
如何在Python中安装Keras库？Keras是一个简单易用的神经网络库，由FrançoisChollet编写。它在Python编程语言中实现了深度学习的功能，可以使您更轻松地构建和试验不同类型的神经网络。如果您是一名Python开发人员，肯定会想知道如何在您的Python项目中安装Keras库。在本文中，我们将向您展示如何安装和配置Keras库。步骤1：安装Python要使用Keras库，您需
如何理解深度学习的训练过程奋斗的草莓熊深度学习人工智能 python scikit-learn virtualenv numpy pandas
文章目录1.训练是干什么？2.预训练模型进行训练，主要更改的是预训练模型的什么东西？1.训练是干什么？以yolov5为例子，训练的目的是把一组输入猫狗图像放到神经网络中，得到一个输出模型，这个模型下次可以直接用来识别哪个是猫，哪个是狗2.预训练模型进行训练，主要更改的是预训练模型的什么东西？超参数（Hyperparameters）：这是模型结构中定义的参数，比如：卷积核大小（kernel_size
Keras深度学习框架入门及实战指南司莹嫣Maude
Keras深度学习框架入门及实战指南keraskeras-team/keras:是一个基于Python的深度学习库，它没有使用数据库。适合用于深度学习任务的开发和实现，特别是对于需要使用Python深度学习库的场景。特点是深度学习库、Python、无数据库。项目地址:https://gitcode.com/gh_mirrors/ke/keras一、项目介绍Keras简介Keras是一款高级神经网络
【Linux 从基础到进阶】Puppet配置管理工具使用爱技术的小伙子 Linux从基础到进阶 linux puppet 运维
Puppet配置管理工具使用Puppet是一种开源的配置管理工具，广泛用于自动化管理和配置服务器。它通过声明式的语言定义系统状态，能够跨多台服务器实现一致性配置。Puppet对运维团队来说，是一种强大的工具，能够有效管理服务器配置并简化操作复杂性。本文将详细介绍Puppet的核心概念、安装步骤、以及如何在CentOS和Ubuntu系统上进行配置和管理。1.Puppet的核心概念在使用Puppet之
每天五分钟玩转深度学习PyTorch：模型参数优化器torch.optim 幻风_huanfeng 深度学习框架pytorch 深度学习 pytorch 人工智能神经网络机器学习优化算法
本文重点在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化(或最大化)，优化算法就是一种调整模型参数更新的策略。在pytorch中定义了优化器optim，我们可以使用它调用封装好的优化算法，然后传递给它神经网络模型参数，就可以对模型进行优化。本文是学习第6步(优化器)，参考链接pytorch的学习路线随机梯度下降算法在深度学习和机器学习中，梯度下降算法是最常用的参数更新方法，它的公式
【Trace】QQ+微信聊天记录分析工具 civilpy pandas
Trace-痕迹阿里云：https://www.alipan.com/s/x6fqXe1jVg1百度云:https://pan.baidu.com/s/1FmchOjK2wAMwE5aQds7pIw?pwd=td7s该工具使用前，先配置随机码（当前）：85EC【范例1】QQ个人聊天记录分析第1步：导出个人聊天记录或QQ群聊天记录，格式txt第2步：打开软件Trace-痕迹.exe，会自动弹出两个窗
如何有效的学习AI大模型？ Python程序员罗宾学习人工智能语言模型自然语言处理架构
学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
【3.6 python中的numpy编写一个“手写数字识”的神经网络】 wang151038606 深度学习入门 python numpy 神经网络
3.6python中的numpy编写一个“手写数字识”的神经网络要使用Python中的NumPy库从头开始编写一个“手写数字识别”的神经网络，我们通常会处理MNIST数据集，这是一个广泛使用的包含手写数字的图像数据集。但是，完全用NumPy来实现神经网络（包括数据的加载、预处理、模型定义、前向传播、损失计算、反向传播和权重更新）是一个相当复杂的任务，因为NumPy本身不提供自动微分或高级优化算法（
yolov5单目测距+速度测量+目标跟踪 cv_2025 YOLO 目标跟踪人工智能计算机视觉机器学习图像处理 opencv
要在YOLOv5中添加测距和测速功能，您需要了解以下两个部分的原理：单目测距算法单目测距是使用单个摄像头来估计场景中物体的距离。常见的单目测距算法包括基于视差的方法（如立体匹配）和基于深度学习的方法（如神经网络）。基于深度学习的方法通常使用卷积神经网络（CNN）来学习从图像到深度图的映射关系。单目测距代码单目测距涉及到坐标转换，代码如下：defconvert_2D_to_3D(point2D,R,
ansible入门打败404 运维 linux ansible
一、ansible简介1、ansible是什么？ansible是目前最受运维欢迎的自动化运维工具，基于Python开发，集合了众多运维工具（SaltStackpuppet、chef、func、fabric）的优点，实现了批量系统配置、批量程序部署、批量运行命令等功能。ansible是基于paramiko开发的,并且基于模块化工作，本身没有批量部署的能力。真正具有批量部署的是ansible所运行的模
探索深度学习的奥秘：从理论到实践的奇幻之旅小周不想卷深度学习
目录引言：穿越智能的迷雾一、深度学习的奇幻起源：从感知机到神经网络1.1感知机的启蒙1.2神经网络的诞生与演进1.3深度学习的崛起二、深度学习的核心魔法：神经网络架构2.1前馈神经网络（FeedforwardNeuralNetwork,FNN）2.2卷积神经网络（CNN）2.3循环神经网络（RNN）及其变体（LSTM,GRU）2.4生成对抗网络（GAN）三、深度学习的魔法秘籍：算法与训练3.1损失
卷积神经网络（CNN）详细介绍及其原理详解（二） FFmpeg123 Pytorch cnn 深度学习人工智能
接上一文继续;五、全连接层假设还是上面人的脑袋的示例，现在我们已经通过卷积和池化提取到了这个人的眼睛、鼻子和嘴的特征，如果我想利用这些特征来识别这个图片是否是人的脑袋该怎么办呢？此时我们只需要将提取到的所有特征图进行“展平”，将其维度变为1×x1×x1×x，这个过程就是全连接的过程。也就是说，此步我们将所有的特征都展开并进行运算，最后会得到一个概率值，这个概率值就是输入图片是否是人的概率，这个过程
【图像压缩】奇异值分解SVD灰色图像压缩（可设置压缩比）【含Matlab源码 4358期】 Matlab武动乾坤 Matlab图像处理（进阶版）matlab
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。个人主页：海神之光代码获取方式：海神之光Matlab王者学习之路—代码获取方式⛳️座右铭：行百里者，半于九十。更多Matlab仿真内容点击Matlab图像处理（进阶版）路径规划（Matlab）神经网络预测与分类（Matlab）优化求解（Matlab）语音处理（Matlab）信号处理（Matlab）车间调度
项目实战 ---- 商用落地视频搜索系统（10）---后台搜索Cache优化 PhoenixAI8 AI Python 商用视频搜索系统 vector db milvus redis cache
目录背景技术实现策略视频预处理阶段的cache技术视频搜索阶段的cache技术技术实现预处理阶段cache策略实现逻辑代码运行结果问题及注意点搜索阶段cache策略实现系统配置层面逻辑低版本GPUCPU本项目的配置高版本描述goahead策略cache加载策略本项目配置应用层搜索参数的配置配置项本项目的实际配置背景但目前为止，视频搜索系统已经可以正常使用和运转。并且他是基于多策略搜索算法的，能够在
TextCNN：文本卷积神经网络模型一只天蝎编程语言---Python cnn 深度学习机器学习
目录什么是TextCNN定义TextCNN类初始化一个model实例输出model什么是TextCNNTextCNN（TextConvolutionalNeuralNetwork）是一种用于处理文本数据的卷积神经网（CNN）。通过在文本数据上应用卷积操作来提取局部特征，这些特征可以捕捉到文本中的局部模式，如n-gram（连续的n个单词或字符）。定义TextCNN类importtorch.nnasn
jvm调优总结（从基本概念到深度优化） oloz java jvm jdk 虚拟机应用服务器
JVM参数详解：http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html Java虚拟机中，数据类型可以分为两类：基本类型和引用类型。基本类型的变量保存原始值，即：他代表的值就是数值本身；而引用类型的变量保存引用值。“引用值”代表了某个对象的引用，而不是对象本身，对象本身存放在这个引用值所表示的地址的位置。
【Scala十六】Scala核心十：柯里化函数 bit1129 scala
本篇文章重点说明什么是函数柯里化，这个语法现象的背后动机是什么，有什么样的应用场景，以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数 A way to write functions with multiple parameter lists. For instance def f(x: Int)(y: Int) is a
HashMap dalan_123 java
HashMap在java中对很多人来说都是熟的；基于hash表的map接口的非同步实现。允许使用null和null键；同时不能保证元素的顺序；也就是从来都不保证其中的元素的顺序恒久不变。 1、数据结构在java中，最基本的数据结构无外乎：数组和引用（指针），所有的数据结构都可以用这两个来构造，HashMap也不例外，归根到底HashMap就是一个链表散列的数据
Java Swing如何实时刷新JTextArea，以显示刚才加append的内容周凡杨 java 更新 swing JTextArea
在代码中执行完textArea.append("message")后，如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新，我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。问题是这个方法并不能有任何效果，textArea的内容没有任何变化，这或许是swing的一个bug，有一个笨拙的办法可以实现
servlet或struts的Action处理ajax请求 g21121 servlet
其实处理ajax的请求非常简单，直接看代码就行了： //如果用的是struts //HttpServletResponse response = ServletActionContext.getResponse(); // 设置输出为文字流 response.setContentType("text/plain"); // 设置字符集 res
FineReport的公式编辑框的语法简介老A不折腾 finereport 公式总结
FINEREPORT用到公式的地方非常多，单元格（以=开头的便被解析为公式），条件显示，数据字典，报表填报属性值定义，图表标题，轴定义，页眉页脚，甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。简单的说下自己感觉的公式要注意的几个地方： 1.if语句语法刚接触感觉比较奇怪，if(条件式子,值1,值2)，if可以嵌套，if(条件式子1，值1，if(条件式子2，值2，值3)
linux mysql 数据库乱码的解决办法墙头上一根草 linux mysql 数据库乱码
linux 上mysql数据库区分大小写的配置 lower_case_table_names=1 1-不区分大小写 0-区分大小写修改/etc/my.cnf 具体的修改内容如下: [client] default-character-set=utf8 [mysqld] datadir=/var/lib/mysql socket=/va
我的spring学习笔记6-ApplicationContext实例化的参数兼容思想 aijuans Spring 3
ApplicationContext能读取多个Bean定义文件，方法是： ApplicationContext appContext = new ClassPathXmlApplicationContext（ new String[]｛“bean-config1.xml”，“bean-config2.xml”，“bean-config3.xml”，“bean-config4.xml
mysql 基准测试之sysbench annan211 基准测试 mysql基准测试 MySQL测试 sysbench
1 执行如下命令，安装sysbench-0.5： tar xzvf sysbench-0.5.tar.gz cd sysbench-0.5 chmod +x autogen.sh ./autogen.sh ./configure --with-mysql --with-mysql-includes=/usr/local/mysql
sql的复杂查询使用案列与技巧百合不是茶 oracle sql 函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表; ------------------- 自然连接查询查询 smith 的上司(两种方法) &
深入学习Thread类 bijian1013 java thread 多线程 java多线程
一．线程的名字下面来看一下Thread类的name属性，它的类型是String。它其实就是线程的名字。在Thread类中，有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。同时，Thr
JSON串转换成Map以及如何转换到对应的数据类型 bijian1013 java fastjson net.sf.json
在实际开发中，难免会碰到JSON串转换成Map的情况，下面来看看这方面的实例。另外，由于fastjson只支持JDK1.5及以上版本，因此在JDK1.4的项目中可以采用net.sf.json来处理。一.fastjson实例 JsonUtil.java package com.study; impor
【RPC框架HttpInvoker一】HttpInvoker：Spring自带RPC框架 bit1129 spring
HttpInvoker是Spring原生的RPC调用框架，HttpInvoker同Burlap和Hessian一样，提供了一致的服务Exporter以及客户端的服务代理工厂Bean，这篇文章主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析 bit1129 Mahout
#!/bin/bash # # Licensed to the Apache Software Foundation (ASF) under one or more # contributor license agreements. See the NOTICE file distributed with # this work for additional information re
nginx三种获取用户真实ip的方法 ronin47
随着nginx的迅速崛起，越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速，但是随之也遇到一个问题：nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>，如果是后端真实服务器是nginx，那么继续往下看。实例环境：用户IP 120.22.11.11
java-判断二叉树是不是平衡 bylijinnan java
参考了 http://zhedahht.blog.163.com/blog/static/25411174201142733927831/ 但是用java来实现有一个问题。由于Java无法像C那样“传递参数的地址，函数返回时能得到参数的值”，唯有新建一个辅助类：AuxClass import ljn.help.*; public class BalancedBTree {
BeanUtils.copyProperties VS PropertyUtils.copyProperties 诸葛不亮 PropertyUtils BeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties 作为两个bean属性copy的工具类，他们被广泛使用，同时也很容易误用，给人造成困然；比如：昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时，没有考虑到会将null转换为0，而后面的业
[金融与信息安全]最简单的数据结构最安全 comsci 数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式，用操作系统的记事本软件是无法正常浏览的，这样的情况会有什么问题呢？从信息安全的角度来看，如果我们数据库系统仅仅把这种格式的数据文件做异地备份，如果相同版本的所有数据库管理系统都同时被攻击，那么
vi区段删除 Cwind linux vi 区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。 vi概述引文中并未将末行模式单独列为一种模式。单不单列并不重要，能区分命令模式与末行模式即可。 vi区段删除步骤： 1. 在末行模式下使用:set nu显示行号非必须，随光标移动vi右下角也会显示行号，能够正确找到并记录删除开始行
清除tomcat缓存的方法总结 dashuaifu tomcat 缓存
用tomcat容器，大家可能会发现这样的问题，修改jsp文件后，但用IE打开依然是以前的Jsp的页面。出现这种现象的原因主要是tomcat缓存的原因。解决办法如下: 在jsp文件头加上 <meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
不要盲目的在项目中使用LESS CSS dcj3sjt126com Web less
　如果你还不知道LESS CSS是什么东西，可以看一下这篇文章，是我一朋友写给新人看的《CSS——LESS》　　不可否认，LESS CSS是个强大的工具，它弥补了css没有变量、无法运算等一些“先天缺陷”，但它似乎给我一种错觉，就是为了功能而实现功能。　　比如它的引用功能 ? .rounded_corners{
[入门]更上一层楼 dcj3sjt126com PHP yii2
更上一层楼通篇阅读完整个“入门”部分，你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能，例如通过 HTML 表单从用户那获取数据，从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。本章将介绍一些有助于更好使用 Yii 的资源：
Apache HttpClient使用详解 eksliang httpclient http协议
Http协议的重要性相信不用我多说了，HttpClient相比传统JDK自带的URLConnection，增加了易用性和灵活性（具体区别，日后我们再讨论），它不仅是客户端发送Http请求变得容易，而且也方便了开发人员测试接口（基于Http协议的），即提高了开发的效率，也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容，掌握HttpClient后，相信对于Http协议的了解会
zxing二维码扫描功能 gundumw100 android zxing
经常要用到二维码扫描功能现给出示例代码 import com.google.zxing.WriterException; import com.zxing.activity.CaptureActivity; import com.zxing.encoding.EncodingHandler; import android.app.Activity; import an
纯HTML+CSS带说明的黄色导航菜单 ini html Web html5 css hovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航在线体验效果：http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果： <!DOCTYPE html > <html > <head> <title>HoverTree
fastjson初始化对性能的影响 kane_xie fastjson 序列化
之前在项目中序列化是用thrift，性能一般，而且需要用编译器生成新的类，在序列化和反序列化的时候感觉很繁琐，因此想转到json阵营。对比了jackson，gson等框架之后，决定用fastjson，为什么呢，因为看名字感觉很快。。。网上的说法： fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器，来自阿里巴巴的工程师开发。
基于Mybatis封装的增删改查实现通用自动化sql mengqingyu DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml，有效的提高开发速度。 2.支持自定义注解包括主键生成、列重复验证、列名、表名等 3.支持批量插入、批量更新、批量删除 <bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
js控制input输入框的方法封装(数字，中文，字母，浮点数等) qifeifei javascript js
在项目开发的时候，经常有一些输入框，控制输入的格式，而不是等输入好了再去检查格式，格式错了就报错，体验不好。 /** 数字，中文，字母,浮点数(+/-/.) 类型输入限制，只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注：floating属性只能单独用*/ funct
java 计时器应用 tangqi609567707 java timer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
erlang输出调用栈信息 wudixiaotie erlang
在erlang otp的开发中，如果调用第三方的应用，会有有些错误会不打印栈信息，因为有可能第三方应用会catch然后输出自己的错误信息，所以对排查bug有很大的阻碍，这样就要求我们自己打印调用的栈信息。用这个函数：erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。也可以用这个函数：erlang:get_s

Retinanet网络的安装问题：error: command 'gcc' failed with exit status 1的解决办法

一：安装步骤

问题：

你可能感兴趣的:(系统配置,神经网络,工具使用)