开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何在C中尝试执行RPN时修复分段错误

在C语言中，RPN（逆波兰表示法）是一种数学表达式的表示方法，它通过将操作符放在操作数之后来表示运算顺序。执行RPN表达式时，常常会遇到分段错误（Segmentation Fault）的问题。分段错误通常是由于访问了无效的内存地址或者访问了未分配的内存空间导致的。

修复分段错误的方法主要包括以下几个方面：

检查数组越界：分段错误常常是由于数组越界访问导致的。在执行RPN表达式时，需要使用栈来保存操作数，因此需要确保栈的大小足够，并且在入栈和出栈操作时进行边界检查，避免访问超出栈的范围。
检查指针是否为空：在执行RPN表达式时，可能会使用指针进行操作。在使用指针之前，需要确保指针不为空，否则会导致分段错误。可以使用条件语句或者断言来检查指针是否为空。
动态内存管理：如果RPN表达式涉及到动态内存分配，需要确保正确地分配和释放内存。在使用malloc或者calloc函数分配内存后，需要检查返回的指针是否为空，以及在使用完内存后使用free函数释放内存，避免内存泄漏和分段错误。
错误处理：在执行RPN表达式时，需要考虑到可能出现的错误情况，并进行相应的错误处理。例如，当遇到除数为零的情况时，可以通过错误码或者异常处理来处理该错误，避免导致分段错误。

总结起来，修复分段错误的关键是进行良好的错误处理和边界检查。通过检查数组越界、指针是否为空、动态内存管理和错误处理等方面，可以有效地避免分段错误的发生。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product/cvm
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器运维：https://cloud.tencent.com/product/cvm
腾讯云音视频处理：https://cloud.tencent.com/product/mps
腾讯云人工智能：https://cloud.tencent.com/product/ai
腾讯云物联网：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发：https://cloud.tencent.com/product/mobiledv
腾讯云存储：https://cloud.tencent.com/product/cos
腾讯云区块链：https://cloud.tencent.com/product/baas
腾讯云元宇宙：https://cloud.tencent.com/product/vr

相关搜索:C:第252次尝试时出现倒带()分段错误使用strtok()时C编程中的分段错误在c++中执行BFS时出现分段错误在C中尝试使用strtok时出现分段错误(核心转储)在C中读取文件时出现分段错误如何修复c++中的“分段错误”错误如何修复C++中的分段错误如何修复c++中结构的分段错误？如何修复C中数组指针的打印错误(分段错误)？如何修复C程序设计中的分段错误？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

[译] SIGSEGV：Linux 容器中的分段错误（退出代码 139）

SIGSEGV，也称为分段违规或分段错误，是基于 Unix 的操作系统（如 Linux）使用的信号。它表示程序尝试在其分配的内存之外进行写入或读取，由于编程错误、软件或硬件兼容性问题或恶意攻击（例如缓冲区溢出）。

01

[译] 容器和 Kubernetes 中的退出码完整指南

当容器终止时，容器引擎使用退出码来报告容器终止的原因。如果您是 Kubernetes 用户，容器故障是 pod 异常最常见的原因之一，了解容器退出码可以帮助您在排查时找到 pod 故障的根本原因。

02

Kubernetes 中容器的退出状态码参考指南

当容器终止时，容器引擎使用退出码来报告容器终止的原因。如果您是 Kubernetes 用户，容器故障是 pod 异常最常见的原因之一，了解容器退出码可以帮助您在排查时找到 pod 故障的根本原因。

01

[PHP] PHP 7.4.4错误修复版本的更改日志

核心：修复了错误＃79329（一个空字节后get_headers（）默默地被截断）（CVE-2020-7066）修复了错误＃79244（PHP在解析INI文件时崩溃）的问题。修复了错误＃63206（restore_error_handler无法还原以前的错误掩码）。 COM：修复了错误＃66322（COMPersistHelper :: SaveToFile可以保存到错误的位置）。修复了错误＃79242（COM错误常量与x86上的com_exception代码不匹配）。修复了错误＃79247（垃圾收集变体对象段错误）。修复了错误＃79248（遍历空的VT_ARRAY会引发com_exception）。修复了错误＃79299（com_print_typeinfo打印重复的变量）。修复了错误＃79332（永远不会释放php_istreams）。修复了错误＃79333（com_print_typeinfo（）泄漏内存）。 CURL：修复了错误＃79019（复制的cURL处理上载空文件）。修复了错误＃79013（发布带有curl的curlFile时缺少Content-Length）。 DOM：修复了错误＃77569 ：（在DomImplementation中写入访问冲突）。修复了错误＃79271（DOMDocumentType :: $ childNodes为NULL）。 Enchant：修复了错误＃79311（在大端架构下，enchant_dict_suggest（）失败）。 EXIF：修复了错误＃79282（在exif中使用未初始化的值）（CVE-2020-7064）。 Fileinfo：修复了错误＃79283（libmagic补丁中的Segfault包含缓冲区溢出）。 FPM：修复了错误＃77653（显示运行者而不是实际的错误消息）。修复了错误＃79014（PHP-FPM和主要脚本未知）。 MBstring：修复了错误＃79371（mb_strtolower（UTF-32LE）：php_unicode_tolower_full处的堆栈缓冲区溢出）（CVE-2020-7065）。 MySQLi：修复了错误＃64032（mysqli报告了不同的client_version）。 MySQLnd：已实现FR＃79275（在Windows上支持auth_plugin_caching_sha2_password）。 Opcache：修复了错误＃79252（预加载会导致php-fpm在退出过程中出现段错误）。 PCRE：修复了错误＃79188（preg_replace / preg_replace_callback和unicode中的内存损坏）。修复了错误＃79241（preg_match（）上的分段错误）。修复了错误＃79257（重复的命名组（？J），即使不匹配，也更倾向于最后一种选择）。 PDO_ODBC：修复了错误＃79038（PDOStatement :: nextRowset（）泄漏列值）。反射：修复了错误＃79062（具有Heredoc默认值的属性对于getDocComment返回false）。 SQLite3：修复了bug＃79294（:: columnType（）在SQLite3Stmt :: reset（）之后可能失败。标准：修复了错误＃79254（没有参数的getenv（）未显示更改）。修复了错误＃79265（将fopen用于http请求时，主机标头注入不当）。压缩：修复了错误＃79315（ZipArchive :: addFile不支持开始/长度参数）。

01

WRF运行wrf.exe出现forrtl: severe (174)问题原因与解决合集

“分段错误可能难以追踪。由于通常没有明确的错误消息，因此可能需要反复试验才能找出问题所在。我试了好久(•́へ•́╬)！大致总结了一下，给大家参考，如果还有其他情况，欢迎大家补充。”

09

Rust 能够取代 C 语言吗？

Rust 是 Mozilla 基金会的一个雄心勃勃的项目，号称是 C 语言和 C++ 的继任者。一直以来，C/C++ 中的一些基本问题都没能得到解决，比如分段错误、手动内存管理、内存泄漏风险和不可预测的编译器行为。Rust 的诞生就是为了解决这些问题，并提高安全性和性能。

02

WRF讲解——CFL 错误、SIGSEGV 段错误以及挂起或停止

2012 年 7 月写这篇文章，我已经有大约一年没有运行 WRF了。或许我在本文中所写的内容已过时，它只包含当 WRF 不运行时可以尝试的方法。我感觉到你的痛苦，但我无法让它消失。对不起，我希望我能知道更多，以便我可以给你提供帮助。

03

[Nginx] 1.17.9中的更改日志

5.更改使用“ error_page”指令重定向了494时，把状态码400换成494

02

教程 | 如何利用Google Colab免费训练StarCraft II

选自Medium 作者：Franklin He 机器之心编译参与：Nurhachu Null、路本文介绍了如何在 Google Colab（Google 提供免费 GPU 的机器学习环境）上运行 StarCraft II 机器学习项目，包括过程中遇到的问题和作者提出的解决方案。如果你想开始使用 FREE StarCraft II 机器学习环境，请先完善 GPU 硬件，您可以看一下我的 Google Colab notebook：https://colab.research.google.com/dri

07

讲解Fatal signal 11 (SIGSEGV), code 1 (SEGV_MAPERR), fault addr 0x0

在使用C或C++编写程序时，有时会遇到一些运行时错误，其中一种常见的错误是Fatal signal 11 (SIGSEGV), code 1 (SEGV_MAPERR), fault addr 0x0。这个错误提示意味着程序引发了一个严重的信号（Signal），导致程序崩溃。SIGSEGV是段错误（Segmentation Fault）的信号，它通常发生在访问无效的内存地址时。

01

如何在Linux上获得错误段的核心转储

今天小编要跟大家分享的文章是关于Linux上错误段的核心转储问题。喜欢Linux操作系统，对Linux感兴趣的小伙伴快来看一看吧，希望通过本篇文章能够有所收获。

02

CVE-2019-17498：libssh2整形溢出漏洞分析

该漏洞并不是一个Openssh漏洞，所以它不会影响ssh。Libssh2是一个客户端C代码库，它能够帮助应用程序与SSH服务器建立连接。而且该漏洞也不是一个libssh漏洞，因为libssh并非C代码库，只不过它的功能跟libssh2类似而已。

01

[PHP] PHP7.4.1安全版本更改日志

Bcmath：修复了错误＃78878（bc_shift_addsub中的缓冲区下溢）。（CVE-2019-11046）。核心：修复了错误＃78862（Windows上的null字节后，link（）默默地截断）。（CVE-2019-11044）。

01

攻击本地主机漏洞（中）

Windows无人参与安装在初始安装期间使用应答文件进行处理。您可以使用应答文件在安装过程中自动执行任务，例如配置桌面背景、设置本地审核、配置驱动器分区或设置本地管理员账户密码。应答文件是使用Windows系统映像管理器创建的，它是Windows评估和部署工具包（ADK：Assessment and Deployment Kit）的一部分，可以从以下站点免费下载https://www.microsoft.com.映像管理器将允许您保存unattended.xml文件，并允许您使用新的应答文件重新打包安装映像（用于安装Windows）。在渗透式测试期间，您可能会在网络文件共享或本地管理员工作站上遇到应答文件，这些文件可能有助于进一步利用环境。如果攻击者遇到这些文件，以及对生成映像的主机的本地管理员访问权限，则攻击者可以更新应答文件以在系统上创建新的本地账户或服务，并重新打包安装文件，以便将来使用映像时，新系统可以受到远程攻击。

02

gRPC 1.23.0 发布，Google高性能 RPC 框架

gRPC 1.23.0 发布了。gRPC 是 Google 开源的高性能、通用 RPC 框架，面向移动和 HTTP/2 设计，是由谷歌发布的首款基于 Protocol Buffers 的 RPC 框架。gRPC 基于 HTTP/2 标准设计，带来诸如双向流、流控、头部压缩、单 TCP 连接上的多复用请求等特性。这些特性使得其在移动设备上表现更好，更省电且节省空间占用。

00

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

【gdb调试】在ubuntu环境使用gdb调试一棵四层二叉树的数据结构详解

在案例中我使用c语言编写了一个简单的四层二叉树进行 GDB 调试练习。这个程序故意在后面引发了一个段错误，导致程序崩溃。文章将使用 GDB 来诊断这个问题。

01

rpc服务器不可用 dcom 无法使用任何配置的协议与计算机,如何修复Windows上的“RPC服务器不可用”错误？…

大家好，又见面了，我是你们的朋友全栈君。问题：如何修复Windows上的“RPC服务器不可用”错误? 有几次我的计算机上出现“RPC服务器不可用”弹出窗口。我不确定它是什么?我该怎么办这个错误? 方

03

Linux 信号

Linux进程间通信（Inter-Process communication, IPC）机制通常分6种：

02

【文本检测与识别-白皮书-3.1】第三节：算法模型

2014年论文《Rich feature hierarchies for accurate object detection and semantic segmentation Tech report》提出R-CNN模型，即Regions with CNN features。这篇论文可以算是将CNN方法应用到目标检测问题上的开山之作。

03

R-CNN目标检测第三弹（Faster R-CNN）

今天，重看了 R-CNN 的终极改进版本 Faster R-CNN（NIPS 版）-本文提到的paper，若为特别指明，说的就是此版本。先说一个学术趣事吧，R-CNN 的一作是RGB大神，大神的导师也是DPM检测方法的作者；受到微软亚研院 Kaiming HeRGB博士SPP-Net工作的启发，RGB大神博士毕业后在微软 redmond 研究院做出了 Fast R-CNN；而本篇paper，则是Kaiming 和 RGB的合作产生；今年CVPR17 的mask R-CNN也是两位大神的大作。大神们的合

08

【Core dump】关于core的相关配置：关于核心转储文件core dump的显示和设置位置

检查核心转储文件是否被启用，其中core file size项应该不是0【0表示禁用】。如果是0，可以使用ulimit -c unlimited 来启用核心转储文件的生成。

01

有人一周内清理了PASCAL数据集中的17120张图像，将mAP提高了13%

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权干净的数据对于你的 AI 模型的表现有多重要？有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。通常情况下，模型性能较差可能是由于训练数据质量不高引起的。即使在 2022 年，由于数据是公司最重要的资产之一，开发人员也经常

03

花一周清理PASCAL数据集的17120图像，将mAP提高13%

有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。

03

有人一周内清理了PASCAL数据集中的17120张图像，将mAP提高了13%

选自hasty.ai 作者：Vladimir Lyashenko 机器之心编译编辑：陈萍干净的数据对于你的 AI 模型的表现有多重要？有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。通常情况下，模型性能较差可能是由于训练数据质量不高引起的。即使在 2022 年，由于数据是公司最重要的资

03

计算机视觉中的细节问题(七)

Fast R-CNN的区域建议生成算法SS(Selective Search)还是一个独立的东西，Faster R-CNN引入了RPN使得区域建议也由第五个卷积层来确定，这样相当于将区域建议的生成算法直接集成到网络里，集成RPN后能进一步共享卷积层，因为RPN是基于第五个卷积层的。RPN通过Attention引导Fast R-CNN关注一些特定区域。可将区域建议由SS输出的2000降低为300。

03

为mongos构建一个异步网络层

许多人以分片集群的方式运行MongoDB服务器。在这种配置下， mongos位于用户程序和分片数据之间，用户连接mongos并给它发送查询， mongos将那些查询路由到一个或者多个分片上来完成查询动作。

04

两阶段目标检测指南：R-CNN、FPN、Mask R-CNN

计算机视觉中最基本和最广泛研究的挑战之一是目标检测。该任务旨在在给定图像中绘制多个对象边界框，这在包括自动驾驶在内的许多领域非常重要。通常，这些目标检测算法可以分为两类：单阶段模型和多阶段模型。在这篇文章中，我们将通过回顾该领域一些最重要的论文，深入探讨用于对象检测的多阶段管道的关键见解。

03

ABB DSTC175 提供了高水平的运行可靠性

Arm DDT显示数组的大小——有助于了解哪些索引在范围内，哪些不在范围内。更强大的是，DDT自动检测可分配数组的这些错误——包括读和写。它比典型的编译器实现的边界保护更快——所有需要做的就是在DDT用户界面中勾选一个框来启用内存调试。

02

CVPR2020最佳检测 | 带有注意力RPN和多关系检测器的小样本目标检测网络

传统的目标检测方法通常需要大量的训练数据，并且准备这样高质量的训练数据是劳动密集型的（工作）。在本文中，我们提出了少量样本的目标检测网络，目的是检测只有几个训练实例的未见过的类别对象。我们的方法的核心是注意力RPN和多关系模块，充分利用少量训练样本和测试集之间的相似度来检测新对象，同时抑制背景中的错误检测。为了训练我们的网络，我们已经准备了一个新的数据集，它包含1000类具有高质量注释的不同对象。据我们所知，这也是第一个数据集专门设计用于少样本目标检测。一旦我们的网络被训练，我们可以应用对象检测为未见过的类，而无需进一步的训练或微调。我们的方法是通用的，并且具有广泛的应用范围。我们证明了我们的方法在不同的数据集上的定性和定量的有效性。

03

深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD

选自medium 机器之心编译机器之心编辑部 Faster R-CNN、R-FCN 和 SSD 是三种目前最优且应用最广泛的目标检测模型，其他流行的模型通常与这三者类似。本文介绍了深度学习目标检测的

07

[翻译]虚拟内存介绍

计算机是用来执行简单任务的复杂机器：比如上网、文本编辑、网页服务、视频游戏……，还可以对数据进行操作，图片音乐文本数据库……

02

Nmap----进阶学习

Nmap (“Network Mapper(网络映射器)”) 是一款开放源代码的网络探测和安全审核的工具。它的设计目标是快速地扫描大型网络，当然用它扫描单个主机也没有问题。Nmap以新颖的方式使用原始IP报文来发现网络上有哪些主机，那些主机提供什么服务(应用程序名和版本)，那些服务运行在什么操作系统(包括版本信息)，它们使用什么类型的报文过滤器/防火墙，以及一堆其它功能。虽然Nmap通常用于安全审核，许多系统管理员和网络管理员也用它来做一些日常的工作，比如查看整个网络的信息，管理服务升级计划，以及监视主机和服务的运行。

02

带有注意力RPN和多关系检测器的小样本目标检测网络（提供源码和数据及下载）

传统的目标检测方法通常需要大量的训练数据，并且准备这样高质量的训练数据是劳动密集型的（工作）。在今天分享中，研究者提出了少量样本的目标检测网络，目的是检测只有几个训练实例的未见过的类别对象。新提出的方法核心是注意力RPN和多关系模块，充分利用少量训练样本和测试集之间的相似度来检测新对象，同时抑制背景中的错误检测。

02

.NET周报【5月第1期 2023-05-06】

https://www.cnblogs.com/huangxincheng/p/17374315.html、

01

一个简单的基于 x86_64 堆栈的缓冲区溢出利用 gdb

C 缓冲区溢出背后的基本思想非常简单。您有一个缓冲区，这是一块保留用于存储数据的内存。在堆栈的外部（在 x86 和 x86_64 上向下增长，这意味着随着内存地址变大，内存地址会下降），程序的其他部分被存储和操作。通常，我们进行黑客攻击的想法是按照我们认为合适的方式重定向程序流。对我们来说幸运的是，对堆栈的操作（堆栈“粉碎”）可以让我们做到这一点。通常，您会希望获得特权，通常是通过执行 shellcode - 或者无论您的最终目标是什么，但出于本教程的目的，我们只会将程序流重定向到我们无法访问的代码（在实践，这几乎可以是任何事情；甚至包括执行未正式存在的指令）。这是通过写入越过缓冲区的末尾并任意覆盖堆栈来完成的。

04

TiDB 3.0.0-rc.1 Release Notes

2019 年 5 月 10 日，TiDB 发布 3.0.0-rc.1 版，对应的 TiDB-Ansible 版本为 3.0.0-rc.1。相比 3.0.0-beta.1 版本，该版本对系统稳定性、易用性、功能、优化器、统计信息以及执行引擎做了很多改进。

03

.NET周报【6月第4期 2023-06-25】

https://www.cnblogs.com/eventhorizon/p/17497359.html

02

详解cn.sample.mnn.detect A/libc: Fatal signal 11 (SIGSEGV), code 1 (SEGV_MAPERR),

在移动应用开发中，我们经常会遇到各种错误和异常。其中一个常见的错误是 cn.sample.mnn.detect A/libc: Fatal signal 11 (SIGSEGV), code 1 (SEGV_MAPERR), fault addr 0x0 in tid。这个错误通常与内存访问相关，并且是一个严重的错误，可能导致应用崩溃。

01

【团队分享】刀锋铁骑：常见Android Native崩溃及错误原因

王竞原，负责网游刀锋铁骑项目，高级开发工程师，使用C++已有10年，非常喜欢C++，特别是C++11。希望能与广大的C++爱好者多交流。一、什么是Android的C/C++ NativeCrash Android上的Crash可以分两种： 1、Java Crash java代码导致jvm退出，弹出“程序已经崩溃”的对话框，最终用户点击关闭后进程退出。 Logcat 会在“AndroidRuntime”tag下输出Java的调用栈。 2、Native Crash 通过NDK，使用C/C++开发，导致

06

C语言段错误调试神器（core dump）

core dump 可以理解为当程序崩溃时，自动将内存信息保存到文件中。这里的 core 就是 memory，dump 就是将内存数据保存到磁盘的过程。

04

使用 PHP Curl 扩展进行HTTP/3请求的优化

HTTP/3 是 HTTP 的第三个主要版本，基于 QUIC。与依赖 TCP 的 HTTP/1.1 和 HTTP/2 不同，HTTP/3 基于名为 QUIC 的多路复用 UDP 协议。HTTP/3 和 TLS 1.3 可以提供巨大的性能和延迟改进。尽管 HTTP/3 更改了很多传输层语义（例如从 TCP 到 UDP 的转变），但请求标头、请求方法、响应和状态代码的 HTTP 语义。

01

目标检测创新：一种基于区域的半监督方法，部分标签即可（附原论文下载）

论文地址：https://arxiv.org/pdf/2201.04620v1.pdf

02

PyTorch专栏（八）：微调基于torchvision 0.3的目标检测模型

【磐创AI 导读】：本篇文章讲解了PyTorch专栏的第四章中的微调基于torchvision 0.3的目标检测模型。查看专栏历史文章，请点击下方蓝色字体进入相应链接阅读。查看关于本专栏的介绍：PyTorch专栏开篇。

02

Rust生态安全漏洞总结系列 | Part 1

本系列主要是分析RustSecurity 安全数据库库中记录的Rust生态社区中发现的安全问题，从中总结一些教训，学习Rust安全编程的经验。

02

【C语言】解决C语言报错：Segmentation Fault

Segmentation Fault（段错误）是C语言中最常见的运行时错误之一，通常在程序试图访问非法内存地址时发生。这个错误不仅影响程序的正常运行，还可能导致程序崩溃和数据丢失。本文将详细介绍Segmentation Fault的产生原因，提供多种解决方案，并通过实例代码演示如何有效避免和解决此类错误。

01

通过去中心化测试提升开发速度

正如我在最近的一篇文章中讨论过的那样，集中化测试会干扰开发者的速度。在以微服务为导向的模式中，集中化测试已成为发布流程中的一个“瓶颈”，因为开发代码和管理生产操作已经被有效地民主化并且它们的功能被隔离在更小的团队中。问题不在于工具本身。事实上，现代测试工具赋予团队惊人的能力，可以检测到以前会由最终用户发现的问题。问题在于太多问题没有在最终端到端(E2E)测试和验收测试之前被发现。

01

【技术】使用Tensorflow对象检测接口进行像素级分类

AiTechYun 编辑：yuxiangyu 在过去，我们使用Tensorflow对象检测API来实现对象检测，它的输出是图像中我们想要检测的不同对象周围的边界框。而Tensorflow最近添加了新功

04

聊聊段错误(一)

先说下周二晚上一个有意思的事情——大娃的U盘和移动硬盘中病毒了，文件查看不到，只留下一个无法运行的.exe文件，使用360 U助手能扫描到文件。本来按照官方教程准备备份数据，欲摆开架势开干，然后看流程还挺复杂的，就拿U盘小试牛刀，结果失败了。问题不大，失败不是常有的嘛~于是放弃了，开始谷歌，开始漫漫尝试。最终在试了两三次之后，使用管理员权限，运行解除隐藏文件的命令，将文件重新恢复显示。

01

重点已划好！OpenMMLab 11 月动态一览

OpenMMLab 2.0 公测期我们对主分支和新分支同步更新，11 月有 11 个算法库更新了版本：

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭