vs2017+C1189

根据引用内容，错误C1189是由于使用了不支持的Microsoft Visual Studio版本引起的。只有2012、2013、2015和2017版本是受支持的。因此，如果你在使用vs2017时遇到了C1189错误，可能是因为你的版本不受支持。

解决这个问题的方法是升级到受支持的版本，例如2017版本。你可以从官方网站下载并安装最新的vs2017版本，以确保你使用的是受支持的版本。

另外，你还可以检查你的代码中是否有其他与vs2017不兼容的问题，并进行相应的修改。这样可以确保你的代码在vs2017中能够正常编译和运行。

示例代码：

#include <iostream>

int main() {
    std::cout << "Hello, World!" << std::endl;
    return 0;
}

相关问题

vs2017+pcl+cmake

VS2017是Microsoft Visual Studio 2017开发工具，可用于创建和维护应用程序和网站等。PCL（Point Cloud Library）是一个用于3D点云处理和分析的开源C ++库。CMake是用于构建和管理C ++项目的跨平台工具。

在使用VS2017进行PCL开发时，可以使用PCL预编译版本和PCL配置工具，使PCL库能够与VS2017集成。但是，如果需要进行自定义配置，则需要使用CMake并手动将其与VS2017集成。

使用CMake的好处在于它可以自动生成Windows、Linux和MacOSX等多个平台的构建文件，并且可以自动处理依赖项。因此，CMake可以减少构建和部署过程中的繁琐和错误，并促进团队协作和代码可移植性。

总的来说，VS2017是一个功能强大的开发工具，可以与PCL库集成，但如果需要进行复杂的构建和部署，则应考虑使用CMake。

opencv4.5.1+vs2017+win10+cuda10.0 + cudnn 7.6.0

### 回答1：
OpenCV是一个开源的计算机视觉和机器学习库，可以方便地处理图像和视频。而CUDA（Compute Unified Device Architecture）是由NVIDIA开发的一种并行计算架构，可以加速图形处理器（GPU）上的计算任务。

OpenCV 4.5.1是OpenCV的一个版本，它提供了丰富的功能和算法，用于图像和视频处理、特征提取、目标检测等任务。这个版本可以在Windows 10操作系统上使用，并且可以与Visual Studio 2017集成，提供开发环境和调试工具。

CUDA 10.0是NVIDIA的一个版本，它支持NVIDIA GPU上的并行计算任务。它允许开发人员使用C语言、C++或CUDA自己的扩展语言编写并行计算代码，以加速计算密集型任务。例如，在图像处理中，可以使用CUDA加速OpenCV算法，从而提高计算性能。

而cuDNN（CUDA Deep Neural Network library）是NVIDIA专门为深度学习任务开发的一个库。它提供了一组高性能的深度神经网络的基本操作和优化算法，可以与CUDA和OpenCV结合使用。

综上所述，OpenCV 4.5.1可以与CUDA 10.0和cuDNN 7.6.0集成使用。开发者可以在Visual Studio 2017中使用这些工具和库进行图像处理和机器学习任务的开发和优化。通过使用CUDA加速，可以提高计算性能，而cuDNN可以提供深度学习任务所需的算法和操作。

### 回答2：
OpenCV 4.5.1是一个计算机视觉库，用于在计算机视觉和机器学习项目中进行图像和视频处理。VS2017是一个集成开发环境（IDE），用于Windows操作系统上的软件开发。CUDA（Compute Unified Device Architecture）是一个用于GPU计算的并行计算平台和API模型。CUDNN是NVIDIA深度神经网络库，用于在GPU上加速深度学习任务。

在Windows 10上使用VS2017来编译OpenCV 4.5.1，并在CUDA 10.0和CUDNN 7.6.0的支持下进行构建可以提供更好的计算性能和加速。CUDA 10.0提供了与CUDA架构和驱动程序的兼容性，并支持许多NVIDIA GPU。CUDNN 7.6.0是基于CUDA的深度神经网络库，可以加速深度学习任务的训练和推理。

使用VS2017编译OpenCV可以让开发者方便地在Windows平台上进行开发和调试。VS2017提供了强大的集成开发环境，它可以帮助开发者编写、调试和测试程序。通过配置CUDA 10.0和CUDNN 7.6.0来支持OpenCV的GPU加速，可以进一步提高图像和视频处理的速度和效率。

总结来说，使用OpenCV 4.5.1、VS2017、Windows 10、CUDA 10.0和CUDNN 7.6.0可以实现在Windows平台上的高效计算机视觉和机器学习开发。这种配置可以提供更好的性能和加速，特别是在需要处理大量图像和视频、进行深度学习任务的情况下。