1.Vue2.6x源码解析（二）：初始化状态
2.Vue2.6源码（1）：浅析Vue初始化过程
3.从源码build Tensorflow2.6.5的源码记录
Vue2.6x源码解析（二）：初始化状态
深入解析Vue2.6x源码中的初始化状态过程，包括props、源码methods、源码data、源码computed属性与watcher的源码初始化原理与实现。
首先，源码cra源码解析初始化状态涉及的源码props数据传递机制由父组件至子组件，通过props字段选择所需内容。源码Vue.js内部对props进行筛选后，源码将其添加至子组件上下文。源码值得注意的源码是，props的源码规格化处理在子组件实例创建时执行，该步骤发生在initProps函数之前，源码通过mergeOptions方法中的源码normalizeProps函数完成。
测试数据验证了筛选过程，源码数据通过proxy代理方法在子组件实例上定义访问属性，这些属性实际指向了内部_data对象。
初始化方法在initMethods阶段，河南网页直播系统源码主要是遍历methods对象，将方法挂载至vm实例，同时进行合法校验并给出警告提示。
在initData阶段，数据初始化过程简洁高效。首先获取组件中的data对象，然后循环遍历并定义相应的key属性在vm实例上，通过proxy代理指向vm._data对象，实现响应式数据的访问。观察者机制的内部原理将在后续的Observer/Dep/Watcher部分详细阐述。
测试数据显示，data定义的属性通过proxy代理被vm实例化为可访问属性，这些属性实际上指向了真正的响应式数据。
接下来，我们关注initComputed阶段，详细解析计算属性computed的内部原理。computed属性在vm实例上被定义为特殊的配音网站程序源码推荐getter方法，其独特之处在于内部代理函数的使用，结合Watcher实现缓存与依赖收集功能。在定义计算属性前，还涉及到createComputedGetter方法的检查，服务器渲染环境下的特殊处理，以及shouldCache变量的设置。
测试数据再次验证了计算属性的正确实现与功能。
最后，初始化watcher阶段，只有在用户设置了watch选项且不等于浏览器原生watch时才进行初始化。watcher的初始化在最后执行，以确保可以监听到初始化完成的props、data、computed属性。解析watch内部实现，重点在于createWatcher方法，以及$watch方法的合同管理系统源码查询使用。$watch方法创建watcher，观察目标依赖变化，并执行用户传入的回调函数，实现数据响应式更新。
总结，Vue2.6x的初始化状态过程涉及多方面机制，包括数据传递、方法挂载、属性定义以及依赖监听，这些设计与实现共同构成了Vue框架的高效响应式系统。
Vue2.6源码（1）：浅析Vue初始化过程
Vue2.6初始化过程详解
当我们new一个Vue对象时，这个过程包含了初始化的核心步骤。虽然细节繁多，但本文将从全局流程展开，后续会逐步解析深入细节。请持续关注，获取更多内容。恋爱话术源码下载 新项目中常见的初始化代码如下：首先，我们来探究import的Vue从何而来。在Vue的package.json中，可以看到关键配置。通常情况下，import 'vue'会加载main或module对应的js文件。若使用webpack，别名设置可能影响引入文件。
导入的App组件是什么？Vue项目中的xxx.vue文件，实际上是一个Vue实例。浏览器无法直接识别template，Vue实例负责转化这些内容并渲染到DOM中。App组件就是新创建的Vue实例，它构建了页面的主体。
标签#app的作用在于，Vue实例转化的组件最终会替换页面上id为app的DOM元素。
new Vue背后发生了什么？_init方法是关键，它负责将Vue原型和构造函数的能力整合，并在$mount方法中完成实例化和挂载过程。
_init方法执行了三个主要任务：一是继承父构造函数的能力，二是添加实例所需的各种功能，三是通过$mount方法将实例与DOM关联。$mount方法的核心是调用render函数并挂载到指定的DOM节点。 关于$mount方法的详细解析，将在后续文章中展开。在此阶段，理解Vue的初始化过程包括：在实例上添加功能、通过$mount挂载组件为DOM。希望这些信息能帮助你深入理解Vue的初始化流程。如果你对源码或相关技术有兴趣，欢迎关注我的GitHub和微信订阅号“杨艺韬的网络日志”进行进一步交流。从源码build Tensorflow2.6.5的记录
.从源码编译Tensorflow2.6.5踩坑记录，笔者经过一天的努力，失败四次后终于成功。Tensorflow2.6.5是截至.时，能够从源码编译的最新版本。
0 - 前期准备
为了对Tensorflow进行大规模修改并完成科研工作，笔者有从源码编译Tensorflow的需求。平时更常用的做法是在conda环境中pip install tensorflow，有时为了环境隔离方便打包，会用docker先套住，再上conda + pip安装。
1 - 资料汇总
教程参考：
另注：bazel的编译可以使用换源清华镜像（不是必要）。整体配置流程的根本依据还是官方的教程，但它的教程有些点和坑没有涉及到，所以多方材料了解。
2 - 整体流程
2.1 确定配置目标
官网上给到了配置目标，和对应的版本匹配关系（这张表里缺少了对numpy的版本要求）。笔者最后（在docker中）配置成功的版本为tensorflow2.6.5 numpy1..5 Python3.7. GCC7.5.0 CUDA.3 Bazel3.7.2。
2.2 开始配置
为了打包方便和编译环境隔离，在docker中进行了以下配置：
2. 安装TensorFlow pip软件包依赖项，其编译过程依赖于这些包。
3. Git Tensorflow源代码包。
4. 安装编译工具Bazel。
官网的介绍：（1）您需要安装Bazel，才能构建TensorFlow。您可以使用Bazelisk轻松安装Bazel，并且Bazelisk可以自动为TensorFlow下载合适的Bazel版本。为便于使用，请在PATH中将Bazelisk添加为bazel可执行文件。（2）如果没有Bazelisk，您可以手动安装Bazel。请务必安装受支持的Bazel版本，可以是tensorflow/configure.py中指定的介于_TF_MIN_BAZEL_VERSION和_TF_MAX_BAZEL_VERSION之间的任意版本。
但笔者尝试最快的安装方式是，到Github - bazelbuild/build/releases上下载对应的版本，然后使用sh脚本手动安装。比如依据刚才的配置目标，笔者需要的是Bazel3.7.2，所以下载的文件为bazel-3.7.2-installer-linux-x_.sh。
5. 配置编译build选项
官网介绍：通过运行TensorFlow源代码树根目录下的./configure配置系统build。此脚本会提示您指定TensorFlow依赖项的位置，并要求指定其他构建配置选项（例如，编译器标记）。
这一步就是选择y/N基本没啥问题，其他参考里都有贴实例。笔者需要GPU的支持，故在CUDA那一栏选择了y，其他部分如Rocm部分就是N（直接按enter也可以）。
6.开始编译
编译完成应输出
7.检查TF是否能用
3 - 踩坑记录
3.1 cuda.0在编译时不支持sm_
笔者最初选择的docker是cuda.0的，在bazel build --config=cuda //tensorflow/tools/pip_package:build_pip_package过程中出现了错误。所以之后选择了上面提到的cuda.3的docker。
3.2 问题2: numpy、TF、python版本匹配
在配置过程中，发现numpy、TF、python版本需要匹配，否则会出现错误。
4 - 启示
从源码编译Tensorflow2.6.5的过程，虽然经历了多次失败，但最终还是成功。这个过程也让我对Tensorflow的编译流程有了更深入的了解，同时也提醒我在后续的工作中要注意版本匹配问题。
