debian編譯環境
不需要專門搭建的
系統安裝自帶gcc的。
所以 一般直接用gcc g++編譯就可以了
或者直接寫makefile
② 怎樣為debian安裝java環境
一. 下載jdk5.0 for linux
到sun的主頁 http://java.sun.com/j2se/1.5.0/download.jsp 下載jdk安裝文件jdk-1_5_0_05-linux-i586.bin
二. 解壓安裝jdk
在shell終端下進入jdk-1_5_0_05-linux-i586.bin文件所在目錄，執行命令 ./jdk-1_5_0_05-linux-i586.bin 這時會出現一段協議，連繼敲回車，當詢問是否同意的時候，輸入yes，回車。之後會在當前目錄下生成一個jdk-1.5.0_05目錄，你可以將它復制到 任何一個目錄下。
三. 需要配置的環境變數
1. PATH環境變數。作用是指定命令搜索路徑，在shell下面執行命令時，它會到PATH變數所指定的路徑中查找看是否能找到相應的命令程序。我們需要把 jdk安裝目錄下的bin目錄增加到現有的PATH變數中，bin目錄中包含經常要用到的可執行文件如javac/java/javadoc等待，設置好 PATH變數後，就可以在任何目錄下執行javac/java等工具了。
2. CLASSPATH環境變數。作用是指定類搜索路徑，要使用已經編寫好的類，前提當然是能夠找到它們了，JVM就是通過CLASSPTH來尋找類的。我們 需要把jdk安裝目錄下的lib子目錄中的dt.jar和tools.jar設置到CLASSPATH中，當然，當前目錄「.」也必須加入到該變數中。
3. JAVA_HOME環境變數。它指向jdk的安裝目錄，Eclipse/NetBeans/Tomcat等軟體就是通過搜索JAVA_HOME變數來找到並使用安裝好的jdk。
四. 三種配置環境變數的方法
1. 修改/etc/profile文件
如果你的計算機僅僅作為開發使用時推薦使用這種方法，因為所有用戶的shell都有權使用這些環境變數，可能會給系統帶來安全性問題。
·用文本編輯器打開/etc/profile
·在profile文件末尾加入：
JAVA_HOME=/usr/share/jdk1.5.0_05
PATH=$JAVA_HOME/bin:$PATH
CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
export JAVA_HOME
export PATH
export CLASSPATH
·重新登錄
·註解
a. 你要將 /usr/share/jdk1.5.0_05jdk 改為你的jdk安裝目錄
b. linux下用冒號「:」來分隔路徑
c. $PATH / $CLASSPATH / $JAVA_HOME 是用來引用原來的環境變數的值
在設置環境變數時特別要注意不能把原來的值給覆蓋掉了，這是一種常見的錯誤。
d. CLASSPATH中當前目錄「.」不能丟,把當前目錄丟掉也是常見的錯誤。
e. export是把這三個變數導出為全局變數。
f. 大小寫必須嚴格區分。
2. 修改.bashrc文件
這種方法更為安全，它可以把使用這些環境變數的許可權控制到用戶級別，如果你需要給某個用戶許可權使用這些環境變數，你只需要修改其個人用戶主目錄下的.bashrc文件就可以了。
·用文本編輯器打開用戶目錄下的.bashrc文件
·在.bashrc文件末尾加入：
set JAVA_HOME=/usr/share/jdk1.5.0_05
export JAVA_HOME
set PATH=$JAVA_HOME/bin:$PATH
export PATH
set CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
export CLASSPATH
·重新登錄
3. 直接在shell下設置變數
不贊成使用這種方法，因為換個shell，你的設置就無效了，因此這種方法僅僅是臨時使用，以後要使用的時候又要重新設置，比較麻煩。
只需在shell終端執行下列命令：
export JAVA_HOME=/usr/share/jdk1.5.0_05
export PATH=$JAVA_HOME/bin:$PATH
export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
五. 測試jdk
1. 用文本編輯器新建一個Test.java文件，在其中輸入以下代碼並保存：
public class test {
public static void main(String args[]) {
System.out.println("A new jdk test !");
}
}
2. 編譯：在shell終端執行命令 javac Test.java
3. 運行：在shell終端執行命令 java Test
當shell下出現「A new jdk test !」字樣則jdk運行正常。
六. 卸載jdk·找到jdk安裝目錄的_uninst子目錄
·在shell終端執行命令./uninstall.sh即可卸載jdk。
③ 為什麼Google官方推薦編譯Android環境是ubuntu，而不是debian
因為Android是一種基於Linux的自由及開放源代碼的操作系統，ubuntu是基於linux內核的
④ debian怎麼搭建c語言編譯環境
在linux下面做C的話，編輯器很多，emacs,vim,nano,隨便挑一個文本編輯器和筆記本一樣用就好了，編譯環境的話，你要裝這些，有的包可能你已經有了，命令如下
apt-get install linux-headers-$(uname -r|sed 's,[^-]*-[^-]*-,,')
apt-get install build-essential
這兩個命令會把C和C++編譯環境需要的包都裝上的
⑤ debian sparkr怎麼配置環境變數
1. SparkR的安裝配置
1.1. R與Rstudio的安裝
1.1.1. R的安裝
我們的工作環境都是在Ubuntu下操作的，所以只介紹Ubuntu下安裝R的方法：
1） 在/etc/apt/sources.list添加源
deb http://mirror.bjtu.e.cn/cran/bin/linux/ubuntu precise/，
然後更新源apt-get update；
2） 通過apt-get安裝：
sudo apt-get install r-base
1.1.2. Rstudio的安裝
官網有詳細介紹：
http://www.rstudio.com/procts/rstudio/download-server/
sudo apt-get install gdebi-core
sudo apt-get install libapparmor1 # Required only for Ubuntu, not Debian
wget http://download2.rstudio.org/rstudio-server-0.97.551-amd64.deb
sudo gdebi rstudio-server-0.97.551-amd64.deb
1.2. rJava安裝
1.2.1. rJava介紹
rJava是一個R語言和Java語言的通信介面，通過底層JNI實現調用，允許在R中直接調用Java的對象和方法。
rJava還提供了Java調用R的功能，是通過JRI(Java/R Interface)實現的。JRI現在已經被嵌入到rJava的包中，我們也可以單獨試用這個功能。現在rJava包，已經成為很多基於Java開發R包的基礎功能組件。
正是由於rJava是底層介面，並使用JNI作為介面調用，所以效率非常高。在JRI的方案中，JVM通過內存直接載入RVM，調用過程性能幾乎無損耗，因此是非常高效連接通道，是R和Java通信的首選開發包。
1.2.2. rJava安裝
1） 配置rJava環境
執行R CMD javareconf
root@testnode4:/home/payton# R CMD javareconf
2） 啟動R並安裝rJava
root@testnode4:/home/payton# R
> install.packages("rJava")
1.3. SparkR的安裝
1.3.1. SparkR的代碼下載
從網頁下載代碼SparkR-pkg-master.zip https://github.com/amplab-extras/SparkR-pkg
1.3.2. SparkR的代碼編譯
1） 解壓SparkR-pkg-master.zip，然後cd SparkR-pkg-master/
2） 編譯的時候需要指明Hadoop版本和Spark版本
SPARK_HADOOP_VERSION=2.4.1 SPARK_VERSION=1.2.0 ./install-dev.sh
至此，單機版的SparkR已經安裝完成。
1.3.3. 分布式SparkR的部署配置
1） 編譯成功後，會生成一個lib文件夾，進入lib文件夾，打包SparkR為SparkR.tar.gz，這個是分布式SparkR部署的關鍵。
2） 由打包好的SparkR.tar.gz在各集群節點上安裝SparkR
R CMD INSTALL SparkR.tar.gz
至此分布式SparkR搭建完成。
2. SparkR的運行
2.1. SparkR的運行機制
SparkR是AMPLab發布的一個R開發包，為Apache Spark提供了輕量的前端。SparkR提供了Spark中彈性分布式數據集（RDD）的API，用戶可以在集群上通過R shell交互性的運行job。SparkR集合了Spark 和R的優勢，下面的這3幅圖很好的闡釋了SparkR的運行機制。
2.2. 用SparkR 進行數據分析
2.2.1. SparkR基本操作
首先介紹下SparkR的基本操作：
第一步，載入SparkR包
library(SparkR)
第二步，初始化Spark context
sc <- sparkR.init(master=" spark://localhost:7077"
,sparkEnvir=list(spark.executor.memory="1g",spark.cores.max="10"))
第三步，讀入數據，spark的核心是Resilient Distributed Dataset (RDD)，RDDS可以從Hadoop的InputFormats來創建（例如，HDFS文件）或通過轉化其它RDDS。例如直接從HDFS讀取數據為RDD的示例如下：
lines <- textFile(sc, "hdfs://sparkR_test.txt")
另外，也可以通過parallelize函數從向量或列表創建RDD，如：
rdd <- parallelize(sc, 1:10, 2)
到了這里，那麼我們就可以運用RDD的動作（actions）和轉換（transformations）來對RDD進行操作並產生新的RDD；也可以很容易地調用R開發包，只需要在集群上執行操作前用includePackage讀取R開發包就可以了（例：includePackage(sc, Matrix)）；當然還可以把RDD轉換為R語言格式的數據形式來對它進行操作。
具體可參見如下兩個鏈接：
http://amplab-extras.github.io/SparkR-pkg/
https://github.com/amplab-extras/SparkR-pkg/wiki/SparkR-Quick-Start
那麼下面我們就通過兩個示例來看下 SparkR是如何運行的吧。
2.2.2. SparkR使用舉例
1） Example1：word count
# 載入SparkR包
library(SparkR)
# 初始化 Spark context
sc <- sparkR.init(master="spark://集群ip:7077"
,sparkEnvir=list(spark.executor.memory="1g",spark.cores.max="10"))
# 從HDFS上讀取文件
lines <- textFile(sc, "hdfs://集群ip:8020/tmp/sparkR_test.txt")
# 按分隔符拆分每一行為多個元素，這里返回一個序列
words<-flatMap(lines,function(line) {strsplit(line,"\\|")[[1]]})
# 使用 lapply 來定義對應每一個RDD元素的運算，這里返回一個（K，V)對
wordCount <-lapply(words, function(word) { list(word, 1L) })
# 對（K，V）對進行聚合計算
counts<-receByKey(wordCount,"+",2L)
# 以數組的形式，返回數據集的所有元素
output <- collect(counts)
# 按格式輸出結果
for (wordcount in output) {
cat(wordcount[[1]], ": ", wordcount[[2]], "\n")
}
2） Example2：logistic regression
# 載入SparkR包
library(SparkR)
# 初始化 Spark context
sc <- sparkR.init(master="集群ip:7077",
appName='sparkr_logistic_regression',
sparkEnvir=list(spark.executor.memory='1g',
spark.cores.max="10"))
# 從hdfs上讀取txt文件， 該RDD由spark集群的4個分區構成
input_rdd <- textFile(sc,
"hdfs://集群ip:8020/user/payton/german.data-numeric.txt",
minSplits=4)
# 解析每個RDD元素的文本（在每個分區上並行）
dataset_rdd <- lapplyPartition(input_rdd, function(part) {
part <- lapply(part, function(x) unlist(strsplit(x, '\\s')))
part <- lapply(part, function(x) as.numeric(x[x != '']))
part
})
# 我們需要把數據集dataset_rdd分割為訓練集（train）和測試集（test）兩部分，這里
# ptest為測試集的樣本比例，如取ptest=0.2，即取dataset_rdd的20%樣本數作為測試
# 集，80%的樣本數作為訓練集
split_dataset <- function(rdd, ptest) {
#以輸入樣本數ptest比例創建測試集RDD
data_test_rdd <- lapplyPartition(rdd, function(part) {
part_test <- part[1:(length(part)*ptest)]
part_test
})
# 用剩下的樣本數創建訓練集RDD
data_train_rdd <- lapplyPartition(rdd, function(part) {
part_train <- part[((length(part)*ptest)+1):length(part)]
part_train
})
# 返回測試集RDD和訓練集RDD的列表
list(data_test_rdd, data_train_rdd)
}
# 接下來我們需要轉化數據集為R語言的矩陣形式，並增加一列數字為1的截距項，
# 將輸出項y標准化為0/1的形式
get_matrix_rdd <- function(rdd) {
matrix_rdd <- lapplyPartition(rdd, function(part) {
m <- matrix(data=unlist(part, F, F), ncol=25, byrow=T)
m <- cbind(1, m)
m[,ncol(m)] <- m[,ncol(m)]-1
m
})
matrix_rdd
}
# 由於該訓練集中y的值為1與0的樣本數比值為7:3，所以我們需要平衡1和0的樣本
# 數，使它們的樣本數一致
balance_matrix_rdd <- function(matrix_rdd) {
balanced_matrix_rdd <- lapplyPartition(matrix_rdd, function(part) {
y <- part[,26]
index <- sample(which(y==0),length(which(y==1)))
index <- c(index, which(y==1))
part <- part[index,]
part
})
balanced_matrix_rdd
}
# 分割數據集為訓練集和測試集
dataset <- split_dataset(dataset_rdd, 0.2)
# 創建測試集RDD
matrix_test_rdd <- get_matrix_rdd(dataset[[1]])
# 創建訓練集RDD
matrix_train_rdd <- balance_matrix_rdd(get_matrix_rdd(dataset[[2]]))
# 將訓練集RDD和測試集RDD放入spark分布式集群內存中
cache(matrix_test_rdd)
cache(matrix_train_rdd)
# 初始化向量theta
theta<- runif(n=25, min = -1, max = 1)
# logistic函數
hypot <- function(z) {
1/(1+exp(-z))
}
# 損失函數的梯度計算
gCost <- function(t,X,y) {
1/nrow(X)*(t(X)%*%(hypot(X%*%t)-y))
# 定義訓練函數
train <- function(theta, rdd) {
# 計算梯度
gradient_rdd <- lapplyPartition(rdd, function(part) {
X <- part[,1:25]
y <- part[,26]
p_gradient <- gCost(theta,X,y)
list(list(1, p_gradient))
})
agg_gradient_rdd <- receByKey(gradient_rdd, '+', 1L)
# 一次迭代聚合輸出
collect(agg_gradient_rdd)[[1]][[2]]
}
# 由梯度下降演算法優化損失函數
# alpha ：學習速率
# steps ：迭代次數
# tol ：收斂精度
alpha <- 0.1
tol <- 1e-4
step <- 1
while(T) {
cat("step: ",step,"\n")
p_gradient <- train(theta, matrix_train_rdd)
theta <- theta-alpha*p_gradient
gradient <- train(theta, matrix_train_rdd)
if(abs(norm(gradient,type="F")-norm(p_gradient,type="F"))<=tol) break
step <- step+1
}
# 用訓練好的模型預測測試集信貸評測結果（「good」或「bad」），並計算預測正確率
test <- lapplyPartition(matrix_test_rdd, function(part) {
X <- part[,1:25]
y <- part[,26]
y_pred <- hypot(X%*%theta)
result <- xor(as.vector(round(y_pred)),as.vector(y))
})
result<-unlist(collect(test))
corrects = length(result[result==F])
wrongs = length(result[result==T])
cat("\ncorrects: ",corrects,"\n")
cat("wrongs: ",wrongs,"\n")
cat("accuracy: ",corrects/length(y_pred),"\n")
⑥ arm版debian或ubuntu環境下可不可以編譯系統(openwrt等)
可以。正常安裝需要的編譯器就可以了。