Linux 麒麟系统安装 libstdc++ rpm 包步骤

简介: 下载指定rpm文件后,通过终端进入目录,使用`sudo yum install`命令安装libstdc++库,自动解决依赖。安装后通过`rpm -q`或`ldconfig -p`验证是否成功。如遇问题可卸载旧版或更新缓存。

1. 找到 rpm 文件

安装包下载:https://pan.quark.cn/s/ab48dcf073e5,下载完一般在 下载​ 目录,文件名:

libstdc++-7.3.0-20190804.35.p06.ky10.x86_64.rpm

先确认一下:

ls ~/下载/libstdc++*

英文环境:

ls ~/Downloads/libstdc++*

2. 打开终端

右键桌面 → “打开终端”,或者按 Ctrl + Alt + T


3. 切换到 rpm 文件目录

cd ~/下载

英文路径:

cd ~/Downloads

4. 检查是否已安装 libstdc++

用 rpm 查一下:

rpm -q libstdc++

如果提示 “package libstdc++ is not installed” 就是没装。

也可以用 ldconfig -p | grep libstdc++看动态库是否存在。


5. 安装 rpm 包

推荐方法(自动装依赖):

sudo yum install ./libstdc++-7.3.0-20190804.35.p06.ky10.x86_64.rpm

注意 ./别漏,表示安装当前目录的文件。

如果非要用 rpm 装(不推荐,容易缺依赖):

sudo rpm -ivh libstdc++-7.3.0-20190804.35.p06.ky10.x86_64.rpm

如果报依赖错误,就用 yum 把缺少的包装上,比如:

sudo yum install glibc

6. 验证安装结果

用 rpm 查询:

rpm -q libstdc++

应该能看到版本号:

libstdc++-7.3.0-20190804.35.p06.ky10.x86_64

或者用:

ldconfig -p | grep libstdc++

能看到对应的 .so文件路径,就说明安装成功。


7. 常见问题

  • 权限不够:命令前加 sudo

  • 依赖缺失:优先用 yum install安装 rpm 包,让系统自动解决依赖。

  • 已有旧版本:可以先卸载旧的再装新的:

    sudo yum remove libstdc++
    
  • 安装后程序仍找不到库:执行 sudo ldconfig更新动态链接库缓存。

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
301 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
315 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
869 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
253 113