1.在微软开源后,源码知乎请问大家如何深入的学习C ? - 知乎
2.哪里可以找到app开源代码知乎
3.逆向pyinstaller打包的exe软件，获取python源码(6)
4.PyTorch源码学习系列 - 2. Tensor
5.知乎vscode插件修改和重新编译
6.从零开始构建向量数据库：Milvus 的源码知乎源码编译安装（一）

在微软开源后,请问大家如何深入的学习C ? - 知乎

       阅读微软开源的C代码，实际上已经公开了三年有余。源码知乎如果你感到无法找到相关资源，源码知乎使用百度等搜索引擎通常可以解决问题。源码知乎许多人已经提到了微软的源码知乎服务器销售网站源码Reference Source网站，然而你似乎仍然在寻找如何将代码集成到Visual Studio中查看的源码知乎方法。实际上，源码知乎这信息在网站上已经明确标注。源码知乎

       对于阅读源代码的源码知乎初学者来说，可能存在理解上的源码知乎困难，如果只是源码知乎简单浏览或集成代码查看，可以按照指示操作。源码知乎如果你认为需要查找特定类的源码知乎源代码时，搜索格式应为“C# 类名 source code”，源码知乎这通常会直接导向所需的页面。若你希望直接在Visual Studio中查看源代码，搜索“view .net source code in visual studio”将提供解决方案。

       对于直接浏览源代码的需求，通过搜索“view .net source code”可以访问到Reference Source站点。如果你需要下载整个源代码包，搜索“.net source code download”将引导你至Reference Source站点，提供源代码下载选项。这些步骤和资源都清晰地显示在网站上，因此问题可能在于个人搜索技巧或对信息的利用。

       综合来看，提供的问题解决方案似乎较为直接，关键在于正确使用搜索引擎和理解所提供的资源。如果你仍然感到困惑或无法找到所需信息，可能需要重新审视搜索策略或寻求更具体的指导，以便更好地利用提供的资源。

哪里可以找到app开源代码知乎

       开放源代码也称为源代码公开，指的是一种软件发布模式。一般的软件仅可取得已经过编译的二进制可执行档，通常只有软件的作者或著作权所有者等拥有程序的原始码。有些软件的作者会将原始码公开，此称之为“源代码公开”，但这并不一定符合“开放原代码”的定义及条件，因为作者可能会设定公开原始码的条件限制，例如限制可阅读原始码的对象、限制衍生品等，好的nasm汇编源码解析源码基本都要收费或者有其他条件。商业源码：源代码类型区分软件，通常被分为两类：开源源码和商业源码。 开源源码一般是不仅可以免费得到，而且公开源代码；相对应地，商业源码则是不公开源代码，即收费购买或者有条件公开源码。社交app源码：专门针对社交领域的app开源产品，目前国内比较少，从开源中国社区、各大网站统计的数据来看，ThinkSNS算是其中做的比较好的产品。

逆向pyinstaller打包的exe软件，获取python源码(6)

       在之前的讨论中，我们已经成功逆向了由pyinstaller打包的exe程序的主程序。然而，关于其依赖的python文件，其实获取方法相当直接。关键在于PYZ-.pyz_extracted文件夹，其中包含编译exe时转化为pyc格式的依赖文件。只要对这些pyc文件进行逆向，就能揭示出整个exe的所有python源代码，这种方法屡试不爽。然而，有知乎网友推荐使用Nuitka进行exe打包，以增加代码的防护，防止源码被轻易反编译。具体步骤如下：

       首先，进入PYZ-.pyz_extracted文件夹，你将发现所需的依赖文件。

       接着，对这些pyc文件进行逆向处理，从而获取到全部的python源代码。

       在pycharm等开发环境中，打开这些源代码，解决任何依赖关系问题。

       最后，直接运行你修改后的代码，程序即可成功启动。

PyTorch源码学习系列 - 2. Tensor

       本系列文章同步发布于微信公众号小飞怪兽屋及知乎专栏PyTorch源码学习-知乎(zhihu.com)，欢迎关注。

       若问初学者接触PyTorch应从何学起，macd能量柱源码答案非神经网络（NN）或自动求导系统（Autograd）莫属，而是看似平凡却无所不在的张量（Tensor）。正如编程初学者在控制台输出“Hello World”一样，Tensor是PyTorch的“Hello World”，每个初学者接触PyTorch时，都通过torch.tensor函数创建自己的Tensor。

       编写上述代码时，我们已步入PyTorch的宏观世界，利用其函数创建Tensor对象。然而，Tensor是如何创建、存储、设计的？今天，让我们深入探究Tensor的微观世界。

       Tensor是什么？从数学角度看，Tensor本质上是多维向量。在数学里，数称为标量，一维数据称为向量，二维数据称为矩阵，三维及以上数据统称为张量。维度是衡量事物的方式，例如时间是一种维度，销售额相对于时间的关系可视为一维Tensor。Tensor用于表示多维数据，在不同场景下具有不同的物理含义。

       如何存储Tensor？在计算机中，程序代码、数据和生成数据都需要加载到内存。存储Tensor的物理媒介是内存（GPU上是显存），内存是一块可供寻址的存储单元。设计Tensor存储方案时，需要先了解其特性，如数组。创建数组时，会向内存申请一块指定大小的连续存储空间，这正是PyTorch中Strided Tensor的存储方式。

       PyTorch引入了步伐（Stride）的概念，表示逻辑索引的相对距离。例如，一个二维矩阵的文件展示系统源码Stride是一个大小为2的一维向量。Stride用于快速计算元素的物理地址，类似于C/C++中的多级指针寻址方式。Tensor支持Python切片操作，因此PyTorch引入视图概念，使所有Tensor视图共享同一内存空间，提高程序运行效率并减少内存空间浪费。

       PyTorch将Tensor的物理存储抽象成一个Storage类，与逻辑表示类Tensor解耦，建立Tensor视图和物理存储Storage之间多对一的联系。Storage是声明类，具体实现在实现类StorageImpl中。StorageImp有两个核心成员：Storage和StorageImpl。

       PyTorch的Tensor不仅用Storage类管理物理存储，还在Tensor中定义了很多相关元信息，如size、stride和dtype，这些信息都存在TensorImpl类中的sizes_and_strides_和data_type_中。key_set_保存PyTorch对Tensor的layout、device和dtype相关的调度信息。

       PyTorch创建了一个TensorBody.h的模板文件，在该文件中创建了一个继承基类TensorBase的类Tensor。TensorBase基类封装了所有与Tensor存储相关的细节。在类Tensor中，PyTorch使用代码自动生成工具将aten/src/ATen/native/native_functions.yaml中声明的函数替换此处的宏${ tensor_method_declarations}

       Python中的Tensor继承于基类_TensorBase，该类是用Python C API绑定的一个C++类。THPVariable_initModule函数除了声明一个_TensorBase Python类之外，还通过torch::autograd::initTorchFunctions(module)函数声明Python Tensor相关的函数。

       torch.Tensor会调用C++的THPVariable_tensor函数，该函数在文件torch/csrc/autograd/python_torch_functions_manual.cpp中。在经过一系列参数检测之后，在函数结束之前调用了torch::utils::tensor_ctor函数。

       torch::utils::tensor_ctor在文件torch/csrc/utils/tensor_new.cpp中，该文件包含了创建Tensor的一些工具函数。在该函数中调用了internal_new_from_data函数创建Tensor。

       recursive_store函数的核心在于

       Tensor创建后，我们需要通过函数或方法对其进行操作。Tensor的方法主要通过torch::autograd::variable_methods和extra_methods两个对象初始化。Tensor的函数则是通过initTorchFunctions初始化，调用gatherTorchFunctions来初始化函数，主要分为两种函数：内置函数和自定义函数。

知乎vscode插件修改和重新编译

       为了在VSCode中安装和使用插件，安全扫描app源码首先需要确保你的开发环境已安装Node.js。可以考虑将npm的源切换为中国镜像，通过命令行执行npm config set registry https://registry.npm.taobao.org来实现。

       安装插件开发所需的工具，包括webpack和webpack-cli，通过执行命令npm install webpack webpack-cli。接着，将源代码克隆到本地，运行npm install以安装项目依赖。

       为了配置环境变量，新增NODE_PATH，设置为C:\Users\qing\AppData\Roaming\npm\node_modules，并确保该路径被添加到环境变量的Path字段中。

       进行插件的修改时，可以自行调整TypeScript代码。调试过程中，可以通过获取当前打开文件的完整路径并填充到输入框作为默认值。在CONTRIBUTING.md文档中提到，在编译时需要注释掉/node_modules/uglify-js/tools/node.js:中的一部分代码，以避免编译失败。

       为了实现自动编译，执行npm run develop命令，这会在dist目录下生成编译后的文件。在VSCode的调试面板中，选择"Debug - Launch Extension"，启动新的VSCode窗口并安装你开发的插件。

       完成代码调试后，需生成插件安装包以方便使用或分发。安装vsce命令行工具通过npm i vsce -g。在项目根目录使用vsce package命令生成.vsix文件，该文件可用于VSCode扩展市场的发布或个人使用。

       安装.vsix文件，只需在VSCode扩展窗口中选择"从vsix安装"并选择对应的文件即可。若需修改插件信息，只需在package.json文件中进行相应的修改。

       在开发过程中遇到问题，可以通过查阅微软VSCode插件开发官方文档、生成vsix文档的说明文档，以及VSCode插件开发全攻略（十）来寻求解决方案。这将提供详细的步骤和最佳实践，帮助解决开发过程中遇到的挑战。

从零开始构建向量数据库：Milvus 的源码编译安装（一）

       在知乎上新开了关于“向量数据库”内容的专栏[1]，本文将详细介绍如何在x和ARM架构的Linux系统上编译安装开源项目Milvus，这个项目由Linux Foundation AI & Data基金会支持，常与Weaviate和Elasticsearch相提并论[2][3]。

       由于Milvus主要在GitHub进行开发，中文网络中关于编译安装的教程很少，且大多是过时的1.x版本资料，而Milvus的版本迭代迅速，目前主要提供Docker容器安装，本地开发者或追求透明度的开发者可能会觉得不够友好。本文将从头开始，逐步引导你进行编译安装。

       前置准备

       在开始前，需要确保操作系统、开发环境和必要的依赖已经准备妥当。Linux作为主力生产环境，本文将重点介绍在Ubuntu上编译。macOS和Windows上的步骤类似，但这里主要针对Linux。

       操作系统

       推荐使用Ubuntu，无论是服务器、容器基础镜像，还是个人笔记本。具体配置和安装细节可以参考我在其他文章中介绍的《笔记本上搭建Linux学习环境》[6]。

       开发环境

       Milvus主要使用Golang编写，同时包含C++代码。确保Golang和C++环境可用，参考《搭建Golang开发环境》[8]，并注意Milvus官方推荐的版本。

       源码获取

       获取Milvus源码有两种方式：Git Clone或下载压缩包，其中Git Clone可能需要借助国内镜像加速。具体步骤包括设置代码仓库的上游，确保代码同步。

       编译基础依赖

       项目依赖OpenBLAS加速向量计算，详细安装步骤在《走进向量计算：OpenBLAS编译》[]中有详述。

       准备构建依赖：cmake

       确保cmake版本至少为3.，Ubuntu .需手动安装，而Ubuntu .可直接使用apt。不同版本可能有差异，注意官方文档推荐的版本。

       额外依赖：clang-format和clang-tidy

       项目代码中需要clang-format和clang-tidy，Ubuntu .和.的安装方式各有不同，务必安装正确版本以保持和官方构建一致。

       编译 Milvus

       切换到 Milvus 代码目录，执行make命令编译。整个过程可能耗时，但完成后将在./bin/目录下找到可执行文件。

       总结

       本文详细介绍了在Ubuntu .和.环境中编译安装Milvus的步骤，包括操作系统、开发环境和依赖的安装。后续文章将深入探讨容器镜像构建优化以及在MacOS上的安装指南。

       期待你的反馈，如果觉得有用，请点赞和分享。如有任何问题或需要更新，请关注后续内容更新，感谢支持！

UE4 LevelSequence源码解析

       本文旨在总结UE4中LevelSequence工具的学习理解，内容涉及LevelSequence结构、插值数据提取及数据导出实例，同时也提供了一些实用技巧。

       LevelSequence在UE4中分为运行时Runtime和编辑器Editor两部分。Runtime中，主要文件位于/Runtime/MovieScene和/Runtime/MovieSceneTracks文件夹下，包括了LevelSequence资产在关卡中的组成形式和播放设置。在Editor中，文件位于/Editor/Sequencer文件夹下，包含了Sequence的组成部分和通用方法。每个ALevelSequenceActor包含UMovieSceneSequence和ULevelSequencePlayer，前者存储数据，后者负责播放。

       UMovieSceneSequence和ULevelSequencePlayer的结构，展示了Sequence资产与当前场景之间的关系。Sequence数据按Actor组织，每个Actor可以持有多种UMovieSceneTrack，用于记录不同属性，所有Track均继承自UMovieScenePropertyTrack。Track由多个Section组成，Section由UMovieSceneChannel存储关键帧数据。

       LevelSequence的模拟过程由Evaluation实现，现在主要由EntitySystem负责，以支持多线程提高效率，具体解释见文章：Performance at scale: Sequencer in Unreal Engine 4. - Unreal Engine。

       在实际模拟中，关键数据的提取是重点。对于Transform等float类型数据，Sequence编辑器支持以曲线方式灵活调整关键值之间的变化过程。MovieSceneFloatValue结构体用于存储关键帧数据，通过访问该值即可获得对应数据。

       导出数据的实例是将Sequence内属性（如Transform）导出为曲线。首先获取LevelSequence资产，然后获取绑定的Actor。利用获取的Actor，可以进一步获得轨道，并将对应数据存储到曲线中。

       一些技巧包括：某些特殊Component在Sequence中作为同等层级存在，可通过此方式获取Component的Track；相对位置配置在Instance Data中，可通过变量获取对应数据；实践体验Sequence生成过程，建议通过/Editor/SequencerRecord入手，直观看到生成流程。

       参考文章包括：UE4 LevelSequence源码剖析（一）- 知乎、UE4 LevelSequence源码剖析（二）- 知乎、UE4 LevelSequence源码剖析（三）- 知乎、Performance at scale: Sequencer in Unreal Engine 4. - Unreal Engine。

逆向pyinstaller打包的exe软件，获取python源码(4)

       在之前的文章“ailx：逆向pyinstaller打包的exe软件，获取python源码(1)”中，我们已经成功逆向出了主程序。然而，导入的py文件并未被逆向出来。得益于知乎网友的提醒，我们发现了“PYZ-.pyz_extracted”文件夹，这激发了我们继续探索的兴趣。这个小工具依赖于四个文件，而我们此次成功地还原了pyinstaller打包的exe软件的所有python源码。尽管pyinstaller操作便捷，但在打包过程中，我们仍需注意对python源码进行加密。

       第一步，我们进入“PYZ-.pyz_extracted”文件夹，确实发现了依赖文件。第二步，我们逆向了pyc文件，成功获取到了所有python源代码。第三步，我们在pycharm中打开了这些代码，并解决了所有依赖问题。最后，第四步，我们直接运行了python代码，成功启动了软件。

知乎一天万赞！华为JDK负责人手码JDK源码剖析笔记火了

       探索JDK源码，无疑是提升编程技能的高效路径。随着时间的推移，JDK经过了精心打磨，代码结构紧凑，设计模式巧妙，运行效率卓越，凝聚了众多技术大牛的智慧结晶。要提升代码理解力，深入研究JDK源码是不可或缺的步骤。

       对于初学者来说，借助他人的深度解析文章无疑能事半功倍。这些文章犹如高人的指导，能让你在学习中站得更高，看得更远。现在，就为你推荐一份极具价值的JDK源码剖析资料。虽然由于篇幅原因，这里只能呈现部分精华内容：

       第1章：深入多线程基础

       第2章：原子操作的Atomic类解析

       第3章：Lock与Condition的深入理解

       第4章：同步工具类的实战讲解

       第5章：并发容器的奥秘揭秘

       第6章：线程池与Future的实践指南

       第7章：ForkJoinPool的工作原理

       第8章：CompletableFuture的全面解析

       想要获取完整的详细内容，可以直接点击以下链接获取：[传送门]

       如果你对源码学习有持续的热情，我的GitHub资源库也等待你的探索：[传送门]

你知道知乎上面挣钱的工作是真还是假吗?

       在知乎上，有些用户声称通过各种方法轻松赚钱，比如购买域名并利用色情名称吸引用户安装软件以月入过万。然而，这种做法早已过时，且获取源代码本身就几乎不可能。我尝试了知乎上的一位高赞回答者推荐的教程，花费元建立了一个网站，但发现大多数广告联盟没有适合PC的 product，即使有审核也很严格，除非在自己的网站上展示广告，否则不会获得收入。因此，这种方法的月收入是0元。

       另一种常见的建议是写文章，如头条号、百度号等，声称只要会写字就能月入过万。然而，实际情况是，头条号需要至少一个月的时间才能转正并获得收益，而且要写出阅读量超过W+的爆文并不容易。即使写出高阅读量的文章，收入也不一定可观。例如，我曾在百度百家注册并写出了一篇阅读量达W+的文章，但仅获得-元的收入。因此，这种方法的前半年基本没有收入，后半年的收入也取决于运气。

       还有人建议在知乎上写文章，专注于某个领域，成为大V后就有约稿，转发一次就能获得几千的收入。然而，我尝试了这个方法，一年的努力才积累了万粉，而有些人却通过复制粘贴就能迅速获得大量点赞。这些常见的套路在知乎上欺骗粉丝，而真正能赚钱的方法往往不会公开分享。因此，不要轻信别人的轻松赚钱方法，真正赚钱的方法往往写在刑法里。