入门CMake

参考教程: YouTube-Simplified CMake Tutorial, Codevion vimwiki-Modern Simple CMake Tutorial，本笔记所用的全部代码整合GitHub - cmake_tutorial.7z

CMake可以完成复杂项目的编译任务，编译一个C++项目可能需要：

一个包含main()的主程序入口；
多个联合编译*.cpp文件（对头文件各种声明的实现）；
多个头文件*.h；
多个链接库*.so；
编译指令-pthread, -O2, -O3等。
下面我们将在VSCode上逐步完成这些功能，系统Ubuntu 22.04：

单个文件编译

首先我们创建一个空文件夹，里面写一个main.cpp文件：

#include <iostream>

int main() {
  std::cout << "Hello world\n";
  return 0;
}

最简单的编译方法是在终端中使用g++编译并运行起来

g++ main.cpp -o main && ./main

下面我们来用CMake实现这一操作，在和main.cpp的同级目录下创建CMakeLists.txt文件：

cmake_minimum_required(VERSION 3.10)  # CMAKE的最低版本要求
set(CMAKE_CXX_STANDARD 17)  # 使用的C++标准
set(CMAKE_CXX_STANDARD_REQUIRED ON)

project(hello VERSION 1.0)  # 项目名称 版本 版本号
add_executable(hi main.cpp)  # 可执行文件名称（目标） 联合编译的文件 [文件1, 文件2, ...]

真正有用的就是一句话，给出了编译出的可执行文件名称，以及联合编译的cpp文件

add_executable(hi main.cpp)  # 可执行文件名称（目标） 联合编译的文件 [文件1, 文件2, ...]

执行CMake编译方法：

VSCode插件：在VSCode中安装CMake, CMake Tools, CMake Highlight插件，按ctrl+f5就会弹出对g++编译器的选择，选择一个编译器即可，再按ctrl+f5即可看到CMake创建了一个build文件夹，在其中已经编译出了hi可执行文件，下方打印出了我们代码的结果。（CMake会在右边打开Workbench side bar中显示输出信息，非常麻烦，我们可以把右侧边栏上方的输出图表拖到下方的panel面板中，这样就可以不用每次自动在右边显示啦）
终端：首先我们创建一个新文件夹mkdir my_build，进入该文件夹cd my_build，执行cmake ..即可看到创建了很多缓存文件，再执行make开始编译，完成后会产生可执行文件hi，运行./hi即可。

mkdir my_build
cd my_build
cmake .. && make && ./hi  # 创建CMake缓存 编译 执行

添加头文件

在main.cpp同级目录下创建include/文件夹，里面创建include/bar.h头文件:

#pragma once
#include <iostream>

class Bar {
  public:
    inline void foo() {
      std::cout << "Foo!\n";
    }
};

我们在CMakeLists.txt中add_executable(hi main.cpp)下方加入

target_include_directories(hi PUBLIC ${CMAKE_CURRENT_SOURCE_DIR}/include)  # 目标 可见性 头文件目录

这里的PUBLIC表示当前编译的目标对于头文件中内容的可见程度，有如下三个选项（这个一般只有在多层调用时会用到，一般写PUBLIC就完了）：

PRIVATE：如果只有*.cpp文件用到头文件中的内容；
INTERFACE：如果只有*.h文件用到头文件中的内容；
PUBLIC：两者都用到。

修改完成CMakeLists.txt后就可以对main.cpp修改如下：

#include <iostream>
#include "bar.h"

int main() {
  std::cout << "Hello world\n";
  Bar().foo();
  return 0;
}

用ctrl+f5编译运行了，但是我们发现vscode还是无法找到#include "bar.h"头文件位置，需要手动添加下路径，ctrl+shift+p输入c/c++ ui进入C/C++:编辑配置(UI)，找到包含路径中发现已经添加了${workspaceFolder}/**，它就会自动递归寻找工作路径下的头文件了（如果不在本工作路径下的，需要手动添加哦）

添加库文件

手动创建库文件

我们新创建一个文件夹bar/，将刚才写的include/bar.h文件放到该文件夹下，并创建一个bar/bar.cpp文件用来定义其中声明的函数，文件结构如下：

.
├── bar
│   ├── bar.cpp
│   ├── CMakeLists.txt
│   └── include
│       └── bar.h
└── main.cpp

每个文件内容如下

bar.cpp

#include "bar.h"

void Bar::show() {
  std::cout << "print in bar.cpp\n";
}

bar.h

#pragma once
#include <iostream>

class Bar {
  public:
    inline void foo() {
      std::cout << "Foo!\n";
    }
    void show();
};

main.cpp

#include <iostream>
#include "bar.h"

int main() {
  std::cout << "Hello world\n";
  Bar().foo();
  Bar().show();
  return 0;
}

我们需要将bar/文件夹下的内容作为一个整体编译成一个.so或.a连接文件用于main.cpp的链接，所以在该目录下也需要一个bar/CMakeLists.txt：

add_library(ba STATIC bar.cpp)  # (创建连接库) 目标(会生成一个libbar.a) 库类型(静态库STATIC) 源文件1 源文件2 ...
target_include_directories(ba PUBLIC ${CMAKE_CURRENT_SOURCE_DIR}/include)  # 所需的头文件

这样我们就可以在编译main.cpp时调用生成出来的libbar.a库文件了，修改CMakeLists.txt如下：

cmake_minimum_required(VERSION 3.10)  # CMAKE的最低版本要求
set(CMAKE_CXX_STANDARD 17)  # 使用的C++标准
set(CMAKE_CXX_STANDARD_REQUIRED ON)

project(hello VERSION 1.0)  # 项目名称 版本 版本号

add_subdirectory(bar)  # 编译子目录, 这里就是编译bar生成库文件

add_executable(hi main.cpp)  # 可执行文件名称（目标） 联合编译的文件 [文件1, 文件2, ...]
# 原来用的target_include_directories加的头文件，现在头文件直接编译成库文件了，直接调库文件即可
target_link_libraries(hi PUBLIC ba)  # (链接库文件) 目标 可见性 库名称1(注意: 库名称就是bar/CMakeLists.txt中的目标名称, 不是文件夹名称) 库名称2 ...

在main.cpp下执行ctrl+f5即可完成编译运行了。

调用外部库

我们将分别调用SFML, 与Python相关的matplotlib-cpp, tensorboard_looger以及torch的原生C++库libtorch

SFML

以SFML可视化窗口库为例，安装SFML：

sudo apt install libsfml-dev

安装的SFML会在/usr/include/SFML/下创建所需的头文件，在/usr/lib/x86_64-linux-gnu/下创建链接所需的文件libsfml-*.so.x.x，在/usr/lib/x86_64-linux-gnu/cmake/SFML/创建CMake配置所需的SFMLConfig.cmake文件，用于find_package命令寻找包文件位置，在安装到/usr/lib中后就不用再执行find_package，链接库会自动查找文件位置，创建sfml.cpp和对应的CMakeLists.cpp如下

sfml.cpp

#include <SFML/Graphics.hpp>

int main() {
    // 创建一个窗口
    sf::RenderWindow window(sf::VideoMode(800, 600), "SFML Simple Demo");

    // 创建一个矩形形状
    sf::RectangleShape rectangle(sf::Vector2f(100, 50)); // 宽100，高50
    rectangle.setFillColor(sf::Color::Green); // 设置填充颜色为绿色
    rectangle.setPosition(350, 275); // 设置初始位置在窗口中心

    // 矩形移动速度
    float speed = 0.1f;

    while (window.isOpen()) {
        sf::Event event;
        while (window.pollEvent(event)) {
            if (event.type == sf::Event::Closed)
                window.close(); // 关闭窗口事件
        }

        // 移动矩形
        if (sf::Keyboard::isKeyPressed(sf::Keyboard::Left)) {
            if (rectangle.getPosition().x > 0) { // 检查左边界
                rectangle.move(-speed, 0); // 向左移动
            }
        }
        if (sf::Keyboard::isKeyPressed(sf::Keyboard::Right)) {
            if (rectangle.getPosition().x + rectangle.getSize().x < window.getSize().x) { // 检查右边界
                rectangle.move(speed, 0); // 向右移动
            }
        }
        if (sf::Keyboard::isKeyPressed(sf::Keyboard::Up)) {
            if (rectangle.getPosition().y > 0) { // 检查上边界
                rectangle.move(0, -speed); // 向上移动
            }
        }
        if (sf::Keyboard::isKeyPressed(sf::Keyboard::Down)) {
            if (rectangle.getPosition().y + rectangle.getSize().y < window.getSize().y) { // 检查下边界
                rectangle.move(0, speed); // 向下移动
            }
        }

        // 清空窗口
        window.clear(sf::Color::Black); // 清空为黑色
        // 绘制矩形
        window.draw(rectangle);
        // 显示窗口内容
        window.display();
    }

    return 0;
}

CMakeLists.txt

cmake_minimum_required(VERSION 3.10)  # CMAKE的最低版本要求
set(CMAKE_CXX_STANDARD 17)  # 使用的C++标准
set(CMAKE_CXX_STANDARD_REQUIRED ON)

project(hello VERSION 1.0)  # 项目名称 版本 版本号

add_executable(sfml sfml.cpp)  # 可执行文件名称（目标） 联合编译的文件 [文件1, 文件2, ...]

target_link_libraries(sfml PUBLIC sfml-graphics sfml-window sfml-system)

ctrl+f5执行后就会弹出一个可以通过上下左右移动的绿色长方形。

matplotlib

使用本用例需要我们先安装Python，并使用pip install matplotlib安装matplotlib，使用GitHub - matplotlib-cpp可以只用一个头文件matplotlibcpp.h直接通过C++调用Python接口，他需要python, numpy的头文件和python的链接库，按照如下步骤进行使用：

创建matplotlib.cpp源文件，下载matplotlibcpp.h，在cpp的同目录下创建一个include文件夹，将matplotlibcpp.h放进去；
which python找到Python的可执行文件位置，例如我的在/home/wty/Programs/mambaforge/envs/yy/bin/python，那么相对可以找到如下位置：
Python头文件：/home/wty/Programs/mambaforge/envs/yy/include/python3.11，记为PYTHON_INCLUDE_DIR；
Numpy头文件：/home/wty/Programs/mambaforge/envs/yy/lib/python3.11/site-packages/numpy/core/include，记为NUMPY_INCLUDE_DIR；
Python链接库：/home/wty/Programs/mambaforge/envs/yy/lib，记为PYTHON_LINK_DIR；

为了支持输出中文以及公式，我修改了matplotlibcpp.h中的rcparams函数：

matplotlibcpp.h中的rcparams函数

inline void rcparams(const std::map<std::string, std::string>& keywords = {}) {
    detail::_interpreter::get();
    PyObject* args = PyTuple_New(0);
    PyObject* kwargs = PyDict_New();
    for (auto it = keywords.begin(); it != keywords.end(); ++it) {
        if ("text.usetex" == it->first)
          PyDict_SetItemString(kwargs, it->first.c_str(), PyLong_FromLong(std::stoi(it->second.c_str())));
        else PyDict_SetItemString(kwargs, it->first.c_str(), PyString_FromString(it->second.c_str()));
    }

    PyDict_SetItemString(kwargs, "font.family", Py_BuildValue("[ss]", "serif", "SimSun"));
    PyDict_SetItemString(kwargs, "mathtext.fontset", Py_BuildValue("s", "cm"));
    PyDict_SetItemString(kwargs, "axes.unicode_minus", Py_False);

    PyObject * update = PyObject_GetAttrString(detail::_interpreter::get().s_python_function_rcparams, "update");
    PyObject * res = PyObject_Call(update, args, kwargs);
    if(!res) throw std::runtime_error("Call to rcParams.update() failed.");
    Py_DECREF(args);
    Py_DECREF(kwargs);
    Py_DECREF(update);
    Py_DECREF(res);
}

然后在rcparams函数的下方我加入了fontsize函数，可以更容易的调节字体大小，并保证上文的配置会随着该函数的调用而被配置：

inline void fontsize(const int &x) {
    rcparams(std::map<std::string, std::string>({{"font.size", std::to_string(x)}}));
}

文件架构如下

.
├── CMakeLists.txt
├── include
│   └── matplotlibcpp.h
└── matplotlib.cpp

分别编辑文件：

matplotlib.cpp

#include <cmath>
#include "matplotlibcpp.h"
#define kwargs std::map<std::string, std::string>

using namespace std;
namespace plt = matplotlibcpp;

int main1()
{
    // Prepare data.
    int n = 5000; // number of data points
    vector<double> x(n),y(n);
    for(int i=0; i<n; ++i) {
        double t = 2*M_PI*i/n;
        x.at(i) = 16*sin(t)*sin(t)*sin(t);
        y.at(i) = 13*cos(t) - 5*cos(2*t) - 2*cos(3*t) - cos(4*t);
    }

    // plot() takes an arbitrary number of (x,y,format)-triples.
    // x must be iterable (that is, anything providing begin(x) and end(x)),
    // y must either be callable (providing operator() const) or iterable.
    plt::plot(x, y, "r-", x, [](double d) { return 12.5+abs(sin(d)); }, "k-");


    // show plots
    plt::show();
    return 0;
}

int main2() {
  plt::fontsize(18);

  int n = 5000;
  std::vector<double> x(n), y(n), z(n), w(n, 2);
  for (int i = 0; i < n; i++) {
    x[i] = i * i;
    y[i] = sin(2 * M_PI * i / 360);
    z[i] = log(i);
  }
  plt::figure_size(1200, 780);
  plt::plot(x, y);
  plt::plot(x, w, kwargs({{"c", "r"}, {"ls", "--"}, {"label", "$\\sin(2\\pi/360)$"}}));
  plt::named_plot("$\\log(x)$", x, z);
  std::map<std::string, std::string> m = {{"string", "123"}, {"a", "aa"}};
  std::cout << m["string"] << ' ' << m["a"] << '\n';
  plt::xlim(0.0, 1e6);
  plt::legend(kwargs({{"loc", "upper left"}}));
  plt::title("标题");
  plt::show();
  return 0;
}

int main() {
  plt::fontsize(18);
  plt::figure_size(600, 500);
  int n = 5e3;
  vector<double> x(n), y(n);
  for (int i = 0; i < n; ++i) {
    double t = 2 * M_PI * i / n;
    x[i] = 16 * pow(sin(t), 3);
    y[i] = 13 * cos(t) - 5 * cos(2 * t) - 2 * cos(3 * t) - cos(4 * t);
  }
  auto y_func = [](double d) {return 3.5 + abs(sin(d));};
  plt::text(-8, 5, "Tom");
  plt::text(5, 5, "Jerry");
  plt::fontsize(12);
  plt::plot(vector<double>(x.begin()+1200, x.end()-1200), y_func, "k-");
  plt::plot(x, y, "r-");
  plt::text(-11.0, -2.0, "$x=16\\sin(t)^3,$\n$y=13\\cos(t)-5\\cos(2t)-2\\cos(3t)-\\cos(4t))$");
  // plt::plot(x, y, "r-", x, [](double d) { return 12.5+abs(sin(d)); }, "k-");
  // plt::legend();
  plt::save("love.png", 300);
  plt::tight_layout();
  plt::show();
}

CMakeLists.txt

cmake_minimum_required(VERSION 3.10)  # CMAKE的最低版本要求
set(CMAKE_CXX_STANDARD 17)  # 使用的C++标准
set(CMAKE_CXX_STANDARD_REQUIRED ON)

project(hello VERSION 1.0)  # 项目名称 版本 版本号

add_executable(matplotlib matplotlib.cpp)  # 可执行文件名称（目标） 联合编译的文件 [文件1, 文件2, ...]

target_include_directories(matplotlib PUBLIC ${CMAKE_CURRENT_SOURCE_DIR}/include)

set(PYTHON_INCLUDE_DIR /home/wty/Programs/mambaforge/envs/yy/include/python3.11)  # change
set(NUMPY_INCLUDE_DIR /home/wty/Programs/mambaforge/envs/yy/lib/python3.11/site-packages/numpy/core/include)  # change
target_include_directories(matplotlib PUBLIC ${PYTHON_INCLUDE_DIR})
target_include_directories(matplotlib PUBLIC ${NUMPY_INCLUDE_DIR})
set(PYTHON_LINK_DIR /home/wty/Programs/mambaforge/envs/yy/lib)  # change
target_link_directories(matplotlib PUBLIC ${PYTHON_LINK_DIR})
target_link_libraries(matplotlib PUBLIC python3.11)  # 换成你的python版本, 在PYTHON_LINK_DIR下可以找到对应的libpython3.xx.so文件

执行上述matplotlib.cpp文件会生成./build/love.png图像，绘制效果如下（和Python完全一致，就是调用Python嘛😂）

tensorboard

这里我们使用GitHub - tensorboard_logger，这是一个独立的可执行文件，我们只需编译安装后就可以直接使用，步骤如下：

sudo apt install protobuf-compiler  # 安装protobuf
git clone https://github.com/RustingSword/tensorboard_logger.git
cd tensorboard_logger
mkdir build
cd build
cmake .. && make
sudo cmake --install  # 安装到根目录下

安装完成后，可以用官方仓库中给的测试用例test_tensorboard_logger.cc测试各种绘制方法（注意：测试图像时，需要将仓库中assets/文件夹拷贝到当前项目的./build/文件夹下，否则找不到文件），文件结构如下

.
├── build
│   └── assets  # 把官方仓库中的/asssets/拷贝过来
├── CMakeLists.txt
├── tensorboard.cpp
└── test_tensorboard_logger.cc  # 官方仓库中的/tests/文件夹下

编辑文件如下：

tensorboard.cpp仅使用add_scalar绘制曲线测试

#include <tensorboard_logger.h>
#include <cmath>

int main() {
  TensorBoardLogger logger("./demo/tfevents_scale.pb");
  const int N = 100;
  for (int i = 0; i < N; i++) {
    double x = 2.0 * M_PI * i / N;
    logger.add_scalar("test/sin", i, std::sin(x));
    logger.add_scalar("test/cos", i, std::cos(x));
  }
  google::protobuf::ShutdownProtobufLibrary();
  std::cout << "draw scaler, finished!\n";
  return 0;
}

CMakeLists.txt

cmake_minimum_required(VERSION 3.10)  # CMAKE的最低版本要求
set(CMAKE_CXX_STANDARD 17)  # 使用的C++标准
set(CMAKE_CXX_STANDARD_REQUIRED ON)

project(hello VERSION 1.0)  # 项目名称 版本 版本号

# add_executable(tensorboard tensorboard.cpp)  # 执行自定义demo
add_executable(tensorboard test_tensorboard_logger.cc)  # 执行官方demo

find_package(tensorboard_logger REQUIRED)
target_link_libraries(tensorboard PUBLIC tensorboard_logger protobuf)

通过修改CMakeLists.txt可以分别对tensorboard.cpp和test_tensorboard_logger.cc进行编译&执行，在./build/demo/文件夹下创建日志文件，我们在Python中安装pip install tensorboard，执行tensorboard --logdir ./build/demo进入localhost:6006即可看到绘制的日志内容：

tensorboard中的scalars

libtorch

最后我们来尝试下libtorch的效果，这就是PyTorch的底层库，有两种安装方法（这里先以CPU版本为例，后续添加CUDA版本）：

Python安装：conda install pytorch（如果是用conda安装的，否则用pip安装），进入环境终端里面执行python -c 'import torch; print(torch.utils.cmake_prefix_path)'，即可看到输出的cmake路径，例如我的是/home/wty/Programs/mambaforge/envs/jax/lib/python3.11/site-packages/torch/share/cmake；
直接下载PyTorch官网中选择LibTorch以及对应的cuda或cpu版本，下载完成后找到.../libtorch/对应的目录即可。

把包含TorchConfig.cmake的路径记录下来称为TORCH_PATH，只需包含两个文件troch_tensor.cpp和CMakeLists.txt，编辑文件如下：

torch_tensor.cpp

#include <torch/torch.h>

using namespace torch;

int main() {
  double avg_time = 0;
  for (int i = 0; i < 100; i++) {
    Tensor a = torch::rand({1024, 4096});
    Tensor b = torch::rand({4096, 1024});
    auto t1 = std::chrono::high_resolution_clock::now();
    Tensor c = a.mm(b);
    auto t2 = std::chrono::high_resolution_clock::now();
    auto duration_milli = std::chrono::duration_cast<std::chrono::milliseconds>(t2-t1);
    avg_time += ((double)duration_milli.count() - avg_time) / (i + 1);
    std::cout << c[0][0] << '\n';
  }
  std::cout << avg_time << "ms\n";
}

CMakeLists.txt

cmake_minimum_required(VERSION 3.10)  # CMAKE的最低版本要求
set(CMAKE_CXX_STANDARD 17)  # 使用的C++标准
set(CMAKE_CXX_STANDARD_REQUIRED ON)

project(hello VERSION 1.0)  # 项目名称 版本 版本号
# 替换这个路径需要包含TorchConfig.cmake
set(TORCH_PATH /home/wty/Programs/mambaforge/envs/jax/lib/python3.11/site-packages/torch/share/cmake)
find_package(Torch REQUIRED PATHS ${TORCH_PATH})

add_executable(torch_tensor torch_tensor.cpp)  # 可执行文件名称（目标） 联合编译的文件 [文件1, 文件2, ...]
target_link_libraries(torch_tensor ${TORCH_LIBRARIES})

相应的如果VsCode没有找到libtorch相关的头文件位置，我们只需在C/C++:编辑配置(UI)中包含路径里面加入如下两个即可（相对你的libtorch文件夹，肯定也能找到的）：

/home/wty/Programs/mambaforge/envs/jax/lib/python3.11/site-packages/torch/include/torch/csrc/api/include
/home/wty/Programs/mambaforge/envs/jax/lib/python3.11/site-packages/torch/include

上面跑的torch_tensor.cpp是一段测速代码 $1024\times4096$ 和 $4096\times 1024$ 矩阵乘法计算100次所需的平均时间（我的CPU为4800U）：

libtorch(C++): 用时 $44.7ms$
pytorch(Python): 用时 $84.29ms$
numpy(Python): 用时 $134.83ms$

GPU测速待补充

可以看出C++不是一般的快，Python所用的测速代码如下：

torch_tensor.py PyTorch测速代码

import torch
from time import time

avg_time = 0
for i in range(100):
  start_time = time()
  a = torch.rand(1024, 4096)
  b = torch.rand(4096, 1024)
  c = a @ b
  duration = time() - start_time
  avg_time += (duration - avg_time) / (i + 1)
  print(c[0,0])
print(f"avg time used: {avg_time*1000}ms")

numpy.py Numpy测速代码

import numpy as np
from time import time

avg_time = 0
for i in range(100):
  start_time = time()
  a = np.random.rand(1024, 4096)
  b = np.random.rand(4096, 1024)
  c = a @ b
  duration = time() - start_time
  avg_time += (duration - avg_time) / (i + 1)
  print(c[0,0])
print(f"avg time used: {avg_time*1000:.2f}ms")

多个项目编译

在上文中我们一共创建了5个不同的*.cpp, *.h文件以及对应的CMakeLists.txt文件，我们可以通过一个CMakeLists.txt文件对他们一起编译，并选择其中某一个运行，文件结构如下：

.
├── CMakeLists.txt
├── libtorch
│   ├── CMakeLists.txt
│   ├── numpy_tensor.py
│   ├── torch_tensor.cpp
│   └── torch_tensor.py
├── main
│   ├── bar
│   │   ├── bar.cpp
│   │   ├── CMakeLists.txt
│   │   └── include
│   ├── CMakeLists.txt
│   └── main.cpp
├── matplotlib
│   ├── CMakeLists.txt
│   ├── include
│   │   └── matplotlibcpp.h
│   └── matplotlib.cpp
├── sfml
│   ├── CMakeLists.txt
│   └── sfml.cpp
└── tensorboard
    ├── CMakeLists.txt
    ├── tensorboard.cpp
    └── test_tensorboard_logger.cc

其中./CMakeLists.txt文件中只需要将每个项目通过add_subdirectory(...)加入到编译路径中即可：

add_subdirectory(main)
add_subdirectory(sfml)
add_subdirectory(matplotlib)
add_subdirectory(tensorboard)
add_subdirectory(libtorch)

运行的方法有两种：

VSCode：在左边栏找到CMake图标，在左侧的项目状态中，可以进行如下设置：
设置生成目标：可以选择ALL编译全部文件，也可选择某个项目仅对其编译；
设置启动/调试目标：在5个项目中选择一个你当下想要启动的，按ctrl+f5即可启动程序。
终端：

# 进入到根目录下
mkdir my_build  # 创建文件夹
cmake -B my_build  # 创建cmake缓存
# 可选--target编译目标, 如果没有指定则是全部编译
# 注意: --target后面是最后编译出的目标（可执行文件）名称
cmake --build my_build --target [main|sfml|matplotlib|tensorboard|torch_tensor]
# 以运行torch_tensor为例
./my_build/libtorch/torch_tensor

全部用例代码整合GitHub - cmake_tutorial.7z

tools

入门CMake

https://wty-yy.github.io/posts/50507/

作者

wty

发布于

2024年11月4日

许可协议

VsCode配置C/C++运行环境下一篇