专业编程培训机构——完成蜕变以后轻松拿高薪
电话+V： 152079-09430 ，欢迎咨询编译器装在哪个盘比较好一点呢，[python实用课程]，[C++单片机原理]，[C#网站搭建]，[Nodejs小程序开发]，[ios游戏开发]，[安卓游戏开发]，[教会用大脑用想法赚钱实现阶层跨越]
一、怎样在ubuntu10.10中安装GCC-4.3.1编译器??
我安装了一次不怎么成功，后来我发现，也可以在xp下安装的！将ubuntu10.10安装到windows的一个分区内。在xp界面下放进盘，开始安装，选择与windows共存什么的还是在windows下安装什么的，我记不太清楚了、、那样安装时最好的！就像在xp里安装一个程序一样，开机启动时也有windows和ubuntu的！绝对好用，我安装了，不过后来因为要安装server2008系统并且我用的3G无线上网卡，没法联网又将它卸载了、、、改天再安装了、、、
二、GCC编译器是安装在Linux哪个文件夹下
输入whichgcc命令就知道了，GCC编译器安装好后Linux系统上会有一个gcc命令，通过查看gcc命令的可执行文件所在的路径，等于就是查看GCC编译器的安装目录。而查看某个命令的可执行文件在哪里的命令就是which命令，所以用whichgcc就可以知道GCC编译器的安装目录了。大语言模型能取代编译器吗？
CSDN2024-01-1519:00发布于湖南+关注随着GitHubCopilot等AI辅助编码越来越成熟，是否有可能取代现有的高级编程语言，直接生成像今天的编译器那样的可执行机器代码？本文进行了初步探讨与分享。本文经授权转载自宝玉老师的个人博客(微博@宝玉xp)，链接https://baoyu.io/translations/software-engineering/why-bad-scientific-code-beats-code-following-best-practices作者|MikeLoukides译者|baoyu.io
出品|CSDN（ID：CSDNnews）首先回答标题的问题：别抱太高期望。我和KevlinHenney（一位软件开发顾问）最近讨论了一个问题：将来的自动代码生成工具，比如升级版的GitHubCopilot，是否有可能取代现有的高级编程语言。我们具体想知道的是，ChatGPTN（N很大）是否能跳过用高级语言编写代码的步骤，直接生成像今天的编译器那样的可执行机器代码？这个问题并不仅仅是理论上的。随着编程助手越来越精准，它们很可能不再仅仅是助手，而是开始承担起编写代码的重任。这对程序员来说将是一场革命，尽管编程只是他们工作的一小部分。现在，类似的情况已经开始出现了：比如ChatGPT4能够在Python中自动生成代码，还能在一个沙盒环境中运行代码，收集错误信息，并尝试调试。谷歌的Bard也有类似功能。虽然Python是一种解释型语言，不产生机器代码，但这种自动生成和测试代码的过程完全可以应用到C或C++这样的编译型语言上。这种变化其实并不新鲜：在计算机的早期，程序员是通过插拔电线和输入二进制数字来“编写”程序的，后来才使用汇编语言和（在20世纪50年代末）如COBOL（1959年）和FORTRAN（1957年）这样的早期编程语言。对于那些习惯用电路图和开关编程的人来说，这些早期的编程语言简直是革命性的。COBOL甚至被设计成像写英语那样简单。Kevlin强调，高级语言是一种我们暂时还无法替代的“决定性知识库”。虽然这个词听起来有点怪异，但它的重要性不容小觑。在编程的历史上，总有一些这样的知识库存在。以前，当程序员使用汇编语言时，他们需要直接查看二进制代码，以了解计算机的具体操作。而在使用FORTRAN或C语言时，这种知识库就提升到了更高层次：源代码表达了程序员的意图，而编译器负责将其转化为正确的机器指令。不过，这种知识库的地位一直不太稳定。早期的编译器并不总是可靠的，尤其是在优化代码时更是如此（难道说优化编译器是AI的前身？）。而且，代码的可移植性也是个大问题：每个硬件制造商都有自己独特的编译器，带有各自的特性和扩展。在面对程序运行失败的问题时，汇编语言常常是最后的求助手段。这种决定性知识库的有效性通常局限于特定的供应商、计算机和操作系统。为了使高级语言在不同的计算平台上都表现出一致的行为，推动了语言标准和规范的发展。如今，掌握汇编语言（assembler）的人已经寥寥无几。你只在编写设备驱动程序（devicedrivers）或与操作系统内核（operatingsystemkernel）的某些复杂部分打交道时才需要它。尽管编程方式已经发生了变化，但编程的结构依旧没变。特别是在使用ChatGPT和Bard这样的工具时，我们仍然需要一个确定性的知识源，但这个源头已经不再是汇编语言了。无论是使用C语言还是Python，你都可以通过阅读代码来准确理解程序的功能。如果程序表现出意外的行为，这很可能是因为你对语言规范的某个细节理解有误，而不是编译器或解释器的问题。这一点至关重要，因为它是我们能够成功调试程序的基础。源代码以一种合理的抽象层次告诉我们计算机在做什么。如果程序未按预期运行，我们可以分析并修改代码。这可能需要你重新研读Kernighan和Ritchie的著作，但这是一个已被广泛理解并可控的问题。现在，我们不必再深入研究机器语言了——这实在是件好事，因为随着指令重排序（instructionreordering）、推测执行（speculativeexecution）和长管线（longpipelines）的出现，理解机器级别的程序比20世纪60、70年代要复杂得多。我们需要这种抽象层。但这个抽象层也必须是确定性的，即完全可预测和每次编译运行时行为一致。那么，为什么抽象层必须是确定性的呢？因为我们需要确切知道软件的具体功能。无论是AI还是其他计算任务，它们都依赖于计算机能够可靠且反复地执行操作，无论是百万次、十亿次还是万亿次。如果你不确定软件会做什么，或者每次编译时它的行为都可能不同，那么你就无法以此为基础来构建业务。更不用说维护、扩展或增加新功能了，如果每次接触它都会改变，你也无法对其进行有效的调试。自动化代码生成尚未达到我们对传统编程所期望的可靠性水平。SimonWillison将这称为“基于感觉的开发”（vibes-baseddevelopment）。目前，我们还是依靠人工来测试和修正代码中的错误。更重要的是，在开发过程中，你可能需要多次生成代码才能找到解决方案；你不太可能仅凭第一次的提示结果就直接进入调试阶段，就像你不可能一次就用Python写出一个完美的复杂程序一样。为一个重要的软件系统编写提示是一项挑战，这些提示往往非常长，需要多次尝试才能得到正确的结果。使用当前的模型，每次生成代码，你都可能得到不同的结果。Bard甚至提供了几种不同的选择。这个过程并不可重复。如果每次生成和测试的程序都不一样，你怎么理解程序在做什么？如果下一个版本的程序可能与前一个完全不同，你如何判断自己是否在向着解决方案前进？我们可能会认为，通过将GPT-4的“温度”设置为0，可以控制其回应的变化；这里的“温度”指的是回应之间的变化度（或创新性、不可预测性）。但事实并非如此简单。温度调节只在一定范围内有效，其一限制是提示必须保持一致。如果改变提示以帮助AI生成正确或设计精良的代码，就超出了这个范围。另一个限制是模型本身不能更改——但实际上，模型一直在变化，且这些变化超出了程序员的控制范围。所有模
相关论坛
相关广告
拨打电话