Mac 下 Homebrew安装

无眠栀

于 2015-07-19 14:41:40 发布

阅读量471

点赞数

CC 4.0 BY-SA版权

分类专栏： MAC系统学习

本文链接：https://blog.csdn.net/may0324/article/details/46954789

MAC系统学习专栏收录该内容

5 篇文章

订阅专栏

终端执行

ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

man brew参考具体用法

无眠栀

博客等级

码龄16年

29
原创

93
点赞

176
收藏

121
粉丝

关注

私信

分类专栏

展开全部收起

上一篇：: Xcode .a静态库编译

下一篇：: c++ objective c 混合编程问题总结

最新评论

ARM NEON常用函数总结
Hannah&Judy: [code=csharp] #include <stdio.h> #include <arm_neon.h> int main() { float arr[] = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }; int len = sizeof(arr) / sizeof(arr[0]); int dim_x4 = len / 4; int left_x4 = len % 4; float *p = arr; // 创建新的指针p指向数组首元素地址,p与arr独立 float32x4_t sum_vec = vdupq_n_f32(0.0); // 复制创建一个4元素vector sum_vec,并初始化元素为0 for (int dim = 0; dim < dim_x4; dim++) { p = arr + dim * 4; // 更新指针位置 float32x4_t data_vec = vld1q_f32(p); // 从地址p开始load四个元素存至vector data_vec sum_vec = vaddq_f32(sum_vec, data_vec); // vector相加,结果存入新的vector } float32_t sum = vgetq_lane_f32(sum_vec, 0) + vgetq_lane_f32(sum_vec, 1) + vgetq_lane_f32(sum_vec, 2) + vgetq_lane_f32(sum_vec, 3); p += 4; // 更新指针位置到剩余元素起始地址 for (int left = 0; left < left_x4; left++) { sum += *(p + left); //对于剩下的少于4个的元素，依次计算累加即可 } printf("sum = %f\n", sum); return 0; } [/code]
Linux大数据处理踩坑实录
zaaac: 宝贝棒！
caffe模型TensorRT部署实践（一）
Tisfy: 好像拨开云雾见青天
Deep Compression阅读理解及Caffe源码修改
霹雳大帅哥: 兄弟你懂了没我也有疑惑
Deep Compression阅读理解及Caffe源码修改
cybstef: 感谢博主的工作，对我的工作有很大启发。这里讨论一下，博主实现的代码和SongHan论文中的区别。SongHan将网络裁剪（或稀疏化）以及参数量化分成两个独立的部分，相应的有两次重新训练的过程。本项目中将两者合二为一。因为没有具体实践项目代码，所以没有训练过程的收敛状态的信息。按照SongHan所述，裁剪过程重新训练达到的目标是，稳定可接受的精度，以及稳定的裁剪结果，也就是同样的mask，这个掩码就是裁剪过程的结果。然后，在裁剪后的网络上进行，参数量化的操作。类似的，量化过程重新训练的目标是获得稳定的代码书（或者聚类结果）并且精度稳定且可接受。不同过程的训练参数，学习率，动量等等各有特点。项目中合二为一后，重新训练可能存在不收敛的风险。另外是实现细节中的不同（之前也有读者也发现），在梯度按照参数的聚类的序列整合时，论文用的是累加和，项目中采用的是平均值。