1.(02)Python密码库Cryptography探究学习---深入理解Fernet
2.CPython源码学习:2、源码使用GDB调试Python
3.Python入门书籍推荐
4.Pytorch源码剖析:nn.Module功能介绍及实现原理
5.PyTorch源码学习系列 - 2. Tensor
6.深入理解 Python 虚拟机:列表(list)的剖析实现原理及源码剖析
(02)Python密码库Cryptography探究学习---深入理解Fernet
本节深入剖析Python密码库Cryptography中的Fernet组件,帮助读者理解其在实际应用中的源码加密和认证机制。 Fernet并非单一的剖析对称加密算法,而是源码密码学原理的综合运用,具备以下核心特性:首先,剖析源码管理的价值它采用密码学安全的源码随机密钥,确保算法的剖析安全性;其次,利用AES加密算法(位密钥)配合PKCS7填充,源码以CBC模式加密数据,剖析提供加密功能;最后,源码利用SHA哈希函数生成消息认证码(HMAC),剖析实现数据的源码认证。 要深入了解,剖析可以参考github.com/pyca/cryptography的源码源代码。其关键点包括:使用符合密码学要求的随机密钥,通常通过操作系统提供的随机数生成器如Unix的/dev/urandom或Windows的CryptGenRandom获取,而非简单的编程函数如Python的rand()。
密钥的生成有两种方式:Fernet自动生成或用户设定密码并使用PBKDF2HMAC生成,后者更具灵活性。
Fernet支持加密和认证,包括数据填充以确保完整,采用AES-CBC模式加密,以及利用HMAC确保数据在传输过程中不被篡改。
总的来说,Fernet的使用涉及随机数的生成、加密算法的选择与应用,以及认证码的生成,这些都是实现cryptographic recipes(密码学配方)不可或缺的步骤。对于不熟悉的概念,可结合实际应用逐步熟悉,我将在后续更深入地探讨。CPython源码学习:2、使用GDB调试Python
在深入探究CPython源码的邮箱的编辑源码过程中,首先要编译出Python的Debug版本,以便后续使用gdb进行调试。
安装gcc、g++、cmake等工具后,可参考Python开发者文档(Python Developer’s Guide)了解编译Python Debug版本的方法。
了解GDB的基本用法是进行调试的先决条件。在终端输入特定命令即可启动Python,并进入监控状态。
在此状态下,GDB会读取Python的符号表,但程序尚未执行。可在main函数设置断点,例如:
通过这种方式,程序会在python.c的第行暂停。断点也可以通过(文件名:行号)的形式设置。
输入特定命令开始执行程序,程序将在设定的断点处暂停。此时,可以使用命令查看代码,或进入tui模式查看。
使用tui模式可以更清晰地看到断点位置,并通过输入tui获取更多使用方法。继续执行程序,Python将进入正常指令模式。
在GDB中,可以使用Python脚本文件进行调试。例如,创建一个名为test.py的Python脚本文件,内容为一个简单的赋值语句。
在GDB中监控Python执行,并给main函数配置输入参数。argc和argv是传奇来了游戏源码main函数的参数,与执行python时携带的参数类似。
配置参数后,在main函数中设置断点,并执行至main函数。此时,argc的参数将显示为2。
通过步进,可以观察到Python实际执行的函数是pymain_main。该函数分为两步:初始化系统参数和执行脚本。
继续步进,将到达pymain_run_python。在约行,有一个分支判断,表示Python可以从命令行、module、import、文件和stdin执行。
使用test.py文件时,将进入pymain_run_file,并最终到达_PyRun__AnyFileObject函数。Python将从该函数开始解析test.py文件内容。
使用特定指令可以查看当前函数调用情况。从_PyRun__AnyFileObject进入后,Python将开始读取文件内容,并使用语法解析器解析文件,建立语法树,最终执行程序。
后续将继续研究Python语法解析器、语法树、符号表、编译器等内容,并通过GDB调试方式研究其原理,与大家共同交流。c nmodbus应用源码
Python入门书籍推荐
来源:酷瓜书单
1. 《Python基础教程》 豆瓣评分:8
python最快的入门是直接看 docs.python.org/tutorial/, 系统学习的话,这本书不错。
2. 《Python学习手册》 豆瓣评分:8
非常全的一个工具书。建议先大致的看完,然后再根据实际使用去某个章节细读。
3. 《Python 3程序开发指南》 豆瓣评分:8
此书深入浅出,适合python初学者学习。书中的内容包含了进行python编程的所有知识,实例经典
4. 《Python源码剖析》 豆瓣评分:8
国内称得上“著”的书不多,这本书不但是著,而是著得不错。
5. 《Python编程(第三版·英文影印版)》 豆瓣评分:8
大而全的一本书,但是个人觉得它的选题很广,但是都不深入;虽然读起来很轻松,但是废话较多;还有就是GUI的篇幅太多,而我又基本不用GUI... 总体来说,和以前读Core Java的感觉比较接近,适合初学者循序渐进。
Pytorch源码剖析:nn.Module功能介绍及实现原理
nn.Module作为Pytorch的核心类,是构建模型的基础。它提供了一系列功能,包括记录模型的参数,实现网络的前向传播,加载和保存模型数据,以及进行设备和数据类型转换等。这些功能在模型的训练和应用中起到关键作用。
在训练与评估模式间切换,模块的行为会有所不同,如rrelu、dropout、batchnorm等操作在两种模式下表现不同。可学习的html 仿淘宝源码参数,如权重和偏置,需要通过梯度下降进行更新。非学习参数,比如batchnorm的running_mean,是训练过程中的统计结果。_buffers包含的Tensor不作为模型的一部分保存。
模块内部包含一系列钩子(hook)函数,用于在特定的前向传播或反向传播阶段执行自定义操作。子模块列表用于存储模型中的所有子模块。
魔术函数__init__在声明对象时自动调用,优化性能的关键在于使用super().__setattr__而非直接赋值。super调用父类的方法,避免不必要的检查,提高效率。使用register_buffer为模块注册可变的中间结果,例如BatchNorm的running_mean。register_parameter用于注册需要梯度下降更新的参数。
递归应用函数用于对模型进行操作,如参数初始化。可以将模型移动到指定设备,转换数据类型,以及注册钩子函数以实现对网络的扩展和修改。
调用魔术方法__call__执行前向传播。nn.Module未实现forward函数,子类需要提供此方法的具体实现。对于线性层等,forward函数定义了特定的运算流程。从检查点加载参数时,模块自动处理兼容性问题,确保模型结构与参数值的兼容。
模块的__setattr__方法被重写,以区别对待Parameter、Module和Buffer。当尝试设置这些特定类型的属性时,执行注册或更新操作。其他属性的设置遵循标准的Python行为。
模块的save方法用于保存模型参数和状态,确保模型结构和参数值在不同设备间转移时的一致性。改变训练状态(如将模型切换到训练或评估模式)是模块管理过程的重要组成部分。
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,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。
深入理解 Python 虚拟机:列表(list)的实现原理及源码剖析
深入剖析 Python 虚拟机中列表(list)的内部机制和源码实现 Python 中列表作为常用的数据结构,支持多种操作。本文将详细揭示 CPython 虚拟机中列表的构造原理,以及关键函数的源码解析。列表结构
在 CPython 中,PyListObject 的结构如下,包含内存管理、长度以及实际存储数据的数组等字段。列表操作函数源码分析
创建列表:通过预先分配内存空间,下次创建新列表时复用旧空间,提高效率。
append 函数:涉及数组扩容,当列表满时,自动扩展容量。
insert 函数:简单实现,通过移动元素实现插入。
remove 函数:删除元素时,调整后续元素位置。
统计与拷贝
-
count 函数统计元素数量,浅拷贝函数 copy 只复制引用,深拷贝需借助 copy 模块的 deepcopy。
清空与反转
-
clear 函数释放列表资源,reverse 函数通过交换数组元素指针实现列表反转。
总结
理解列表的实现细节有助于优化 Python 代码,提升程序效率。深入探索这些内部机制,可以更好地编写和维护 Python 代码。Gevent源码剖析(二):Gevent 运行原理
Gevent的运行原理在python2.7.5版本下,涉及多个关键概念。简单来说,它通过Greenlet类和Hub事件循环实现并发执行。以下是核心步骤:
首先,通过导入gevent模块,引入其初始化设置,greenlet的运行函数通过gevent.spawn()方法注册到Hub,这个过程包括获取Hub实例、初始化greenlet并保存函数和参数。get_hub()利用线程局部存储保证Hub的多线程一致性。
接着,greenlet通过g.start()注册到事件循环,回调事件由switch()控制,而不是直接运行函数,实现了协程的切换。Gevent提供了join()和joinall()两个入口,其中joinall()控制了整个流程。
在详细流程中,iwait()函数扮演重要角色,通过创建Waiter对象,将协程的switch()链接到目标,通过waiter.get()控制协程执行和返回。Hub事件循环与运行协程通过waiter.get()和waiter.switch()协同工作,实现了并发执行。
目标协程的执行涉及事件循环的启动,通过Cython调用libev库执行。目标函数在run()中执行,并通过_report_result()和_report_error()处理结果或异常。"绿化"函数是实现并发的关键,它们允许在等待I/O操作时释放控制权,从而实现多任务并发。
总的来说,Gevent的运行涉及复杂的协程调度和事件驱动,虽然本文仅触及表面,但其背后的并发机制和技术细节更为丰富,包括异常处理和大量"绿化"函数的使用,这将在后续深入探讨。