错误及原因推测:sysdeps/x86_64/multiarch/strstr-sse2-unaligned.S: 没有那个文件或目录

简介: 错误及原因推测:sysdeps/x86_64/multiarch/strstr-sse2-unaligned.S: 没有那个文件或目录

早上碰到这个一个错误:

[Thread debugging using libthread_db enabled]
Using host libthread_db library "/lib/x86_64-linux-gnu/libthread_db.so.1".
Core was generated by `./gh_manager thread false 1'.
Program terminated with signal SIGSEGV, Segmentation fault.
#0  __strstr_sse2_unaligned ()
    at ../sysdeps/x86_64/multiarch/strstr-sse2-unaligned.S:40
40  ../sysdeps/x86_64/multiarch/strstr-sse2-unaligned.S: 没有那个文件或目录.
[Current thread is 1 (Thread 0x7f30677fe700 (LWP 26052))]
(gdb) backtrace
#0  __strstr_sse2_unaligned ()
    at ../sysdeps/x86_64/multiarch/strstr-sse2-unaligned.S:40
#1  0x00007f30c61d0622 in PythonClass::process_stranger(VideoElement*, DataBuffer*) () from libgh2python.so

这个错误是由C++调用Python产生的。吾看了亦莫名其妙。怎么产生的?开始当然抱怨接口有问题.有问题也得解决啊.于是仔细查了一下:

  返回值有问题(一般是Python执行错误).

  之后取值又没有仔细检查,缓冲区实际上没有正确处理.访问自然出错.

  供大家参考。

目录
相关文章
|
存储 Shell Linux
【Shell 命令集合 系统设置 】⭐ Linux 取消或删除已设置的环境变量 unset命令 使用指南
【Shell 命令集合 系统设置 】⭐ Linux 取消或删除已设置的环境变量 unset命令 使用指南
1319 0
|
3月前
|
人工智能 自然语言处理 Linux
保姆级图文教程!手机操控OpenClaw后台全自动运行Blender建模:全流程部署、命令执行与笔记输出实战指南
在AI原生工具链快速普及的今天,专业软件的使用方式正在发生结构性变化——从手动操作图形界面,转向AI通过命令行直接驱动软件内核。OpenClaw(Clawdbot)结合香港大学开源项目CLI-Anything,可实现对Blender的无界面(后台)自动化建模,无需打开图形窗口、无需手动点击,只需通过自然语言下达指令,AI即可自动生成Python脚本、调用Blender后台执行、输出3D模型(obj/blend),并同步整理操作笔记。
1614 2
|
2月前
|
人工智能 API 调度
Hermes Agent 与 OpenClaw:本质区别与选型深度解析
Hermes Agent 与 OpenClaw 同为热门开源AI框架,但理念迥异:OpenClaw 是“配置驱动”的灵活工具箱,强调人工编排与多模型调度;Hermes Agent 则是“学习驱动”的长期搭档,具备自主反思、记忆沉淀与持续进化能力。选前者重掌控力,选后者重省心度与长期协同效率。(239字)
|
4月前
|
弹性计算 缓存 运维
阿里云 ECS 云服务器部署OpenClaw(Clawdbot)详细步骤流程
OpenClaw(原 Clawdbot/Moltbot)作为开源 AI 代理与自动化平台,具备自然语言交互、任务自动化执行、多模型兼容等核心能力,可广泛应用于个人智能助手搭建、企业办公流程自动化、自定义工作流构建等场景。阿里云 ECS 云服务器凭借灵活的资源配置、稳定的运行环境及完善的运维支持,成为 OpenClaw 部署的优选载体。本教程专为零基础新手设计,整合计算巢自动化部署方案与手动配置细节,从前期准备、实例创建、环境配置到功能验证、故障排查,全方位拆解部署全流程,确保用户能按步骤顺利完成 OpenClaw 的部署与启用,且全程无营销性质表述。
3636 1
|
监控 Java 应用服务中间件
达梦数据库DEM监控部署教程分享
达梦数据库DEM监控部署教程分享
1488 2
|
机器学习/深度学习 存储 人工智能
【AI系统】感知量化训练 QAT
本文介绍感知量化训练(QAT)流程,旨在减少神经网络从FP32量化至INT8时的精度损失。通过在模型中插入伪量化节点(FakeQuant)模拟量化误差,并在训练中最小化这些误差,使模型适应量化环境。文章还探讨了伪量化节点的作用、正向与反向传播处理、TensorRT中的QAT模型高效推理,以及QAT与PTQ的对比,提供了实践技巧,如从良好校准的PTQ模型开始、采用余弦退火学习率计划等。
1564 4
【AI系统】感知量化训练 QAT
|
存储 NoSQL Linux
linux之core文件如何查看和调试
通过设置和生成 core 文件,可以在程序崩溃时获取详细的调试信息。结合 GDB 等调试工具,可以深入分析 core 文件,找到程序崩溃的具体原因,并进行相应的修复。掌握这些调试技巧,对于提高程序的稳定性和可靠性具有重要意义。
8078 6