1.PyTorch 源码解读之 BN & SyncBN：BN 与 多卡同步 BN 详解
2.Flink mysql-cdc connector 源码解析
3.WSL2 安装并下载、无线无线编译AOSP源码
4.Flink源码编译
5.RocketMQ源码分析：Broker概述+同步消息发送原理与高可用设计及思考
6.Miracast技术详解（四）：Sink源码解析

PyTorch 源码解读之 BN & SyncBN：BN 与 多卡同步 BN 详解

       BatchNorm原理

       BatchNorm最早在全连接网络中提出，同步同步旨在对每个神经元的源码源码用输入进行归一化操作。在卷积神经网络（CNN）中，无线无线这一原理被扩展为对每个卷积核的同步同步输入进行归一化，即在channel维度之外的源码源码用c 删除文件 源码所有维度上进行归一化。BatchNorm带来的无线无线优势包括提高网络的收敛速度、稳定训练过程、同步同步减少过拟合现象等。源码源码用

       BatchNorm的无线无线数学表达式为公式[1]，引入缩放因子γ和移位因子β，同步同步作者在文章中解释了它们的源码源码用作用。

       PyTorch中与BatchNorm相关的无线无线类主要位于torch.nn.modules.batchnorm模块中，包括如下的同步同步类：_NormBase、BatchNormNd。源码源码用

       具体实现细节如下：

       _NormBase类定义了BN相关的一些属性。

       初始化过程。

       模拟BN的forward过程。

       running_mean、running_var的更新逻辑。

       γ、β参数的更新方式。

       BN在eval模式下的行为。

       BatchNormNd类包括BatchNorm1d、BatchNorm2d、BatchNorm3d，它们的区别在于检查输入的合法性，BatchNorm1d接受2D或3D的输入，BatchNorm2d接受4D的输入，BatchNorm3d接受5D的输入。

       接着，介绍SyncBatchNorm的实现。

       BN性能与batch size密切相关。在batch size较小的场景中，如检测任务，内存占用较高，qt egl 源码分析单张显卡难以处理较多，导致BN效果不佳。SyncBatchNorm提供了解决方案，其原理是所有计算设备共享同一组BN参数，从而获得全局统计量。

       SyncBatchNorm在torch/nn/modules/batchnorm.py和torch/nn/modules/_functions.py中实现，前者负责输入合法性检查以及参数设置，后者负责单卡统计量计算和进程间通信。

       SyncBatchNorm的forward过程。

       复习方差计算方式。

       单卡计算均值、方差，进行归一化处理。

       同步所有卡的数据，得到全局均值mean_all和逆标准差invstd_all，计算全局统计量。

       接着，介绍SyncBatchNorm的backward过程。

       在backward过程中，需要在BN前后进行进程间通信。这在_functions.SyncBatchNorm中实现。

       计算weight、bias的梯度以及γ、β，进一步用于计算梯度。

Flink mysql-cdc connector 源码解析

       Flink 1. 引入了 CDC功能，用于实时同步数据库变更。Flink CDC Connectors 提供了一组源连接器，支持从MySQL和PostgreSQL直接获取增量数据，如Debezium引擎通过日志抽取实现。以下是Flink CDC源码解析的关键部分：

       首先，MySQLTableSourceFactory是实现的核心，它通过DynamicTableSourceFactory接口构建MySQLTableSource对象，获取数据库和表的信息。MySQLTableSource的查看python模块源码getScanRuntimeProvider方法负责创建用于读取数据的运行实例，包括DeserializationSchema转换源记录为Flink的RowData类型，并处理update操作时的前后数据。

       DebeziumSourceFunction是底层实现，继承了RichSourceFunction和checkpoint接口，确保了Exactly Once语义。open方法初始化单线程线程池以进行单线程读取，run方法中配置DebeziumEngine并监控任务状态。值得注意的是，目前只关注insert, update, delete操作，表结构变更暂不被捕捉。

       为了深入了解Flink SQL如何处理列转行、与HiveCatalog的结合、JSON数据解析、DDL属性动态修改以及WindowAssigner源码，可以查阅文章。你的支持是我写作的动力，如果文章对你有帮助，请给予点赞和关注。

       本文由文章同步助手协助完成。

WSL2 安装并下载、编译AOSP源码

       安装WSL2

       参考链接：安装WSL要求Windows 版本及更高版本（内部版本及更高版本）或Windows 。在power shell或cmd执行如下命令。

       执行完之后就安装了Linux for Windows，并且打开了Windows的虚拟机平台和Linux子系统功能，并设置wsl默认版本为2。也可以手动安装，先在控制面板中找到启用或关闭Windows功能，勾选虚拟机平台和适用于Linux的Windows子系统功能。然后在应用商店找到Linux子系统（例如Ubuntu）进行安装。

       如果是升级安装wsl，可能还需要同时升级linux内核。直接下载msi升级安装文件，点击安装即可。具体可参考：旧版WSL的手动安装步骤

       硬盘设置

       这里分为两类，一是idea看源码图将AOSP源码放在Windows文件系统下，二是将源码放置在WSL中。对于前者，需要修改文件目录的大小写敏感，新建完源码目录后，用管理员身份打开Windows的Powershell，执行以下命令：

       其中的path就是刚新建用来同步AOSP源码的目录，需要注意的是，这个命令只对指定的目录有效，不会改变已存在的子目录的大小写敏感，所以要在同步代码之前设置好。根据文章：WSL编译AOSP必要的几个前置工作，还需要重新挂载磁盘。如果源码放在了Windows驱动器上，比如说F:\aosp，在WSL中的路径应该是/mnt/f/aosp这种形式的，此时需要以drvfs文件系统重新挂载盘符，否则编译到中途会报错：

       注意，每次WSL重启，在编译之前都需要执行这步操作，也可以将它新建成WSL的一个开机服务，确保每次打开WSL都会执行这两段命令。如果是将源码放置在WSL中，需要注意WSL默认占用C盘空间，保证C盘有足够的空间，或者将WSL迁移到别的盘符。因为我的硬盘没有分区，不用担心占满C盘的空间，所以直接将源码放在WSL中编译。WSL安装之后默认是GB大小，对于AOSP的编译是不够的。可通过df命令查看容量，下面是我编译完之后的容量，可以看到占用了GB。

       扩展WSL 2虚拟硬盘的大小 如何管理WSL磁盘空间

       输出如下：

       经过如上操作，将wsl的app挖矿系统源码虚拟磁盘大小调整到1TB。

       源码下载

       创建bin，并加入path：

       下载repo：

       下载代码有两种方式，使用每月更新的初始化包或者传统初始化方式。

       下载mirrors.tuna.tsinghua.edu.cn...，下载完成后记得根据checksum.txt的内容校验一下。由于所有代码都是从隐藏的.repo目录中checkout出来的，所以我们只保留了.repo目录，下载后解压再repo sync一遍即可得到完整的目录。使用方法如下:

       此后，每次只需运行repo sync即可保持同步。

       建立工作目录并初始化仓库: repo init -u mirrors.tuna.tsinghua.edu.cn... 如果需要某个特定的Android版本(列表)： repo init -u mirrors.tuna.tsinghua.edu.cn... -b android-4.0.1_r1 同步源码树（以后只需执行这条命令来同步）： repo sync 详细可见：AOSP | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror Android源码(AOSP)下载与编译 - 掘金

       设置WSL内存大小

       直接编译源码，会因为内存不足导致失败，通过free -m查看内存，只有4GB内存，swap空间只有2GB。可以通过设置WSL配置文件来修改相关配置属性。在用户目录下新建.wslconfig文件，在文件管理器输入%USERPROFILE%可找到用户文件夹。注意这里新建.wslconfig文件不要用新建文本文件的方式，这样文件可能没法被正确识别。可以通过命令行输入code .wslconfig的方式。

       配置文件如下，根据自己的硬件配置尽可能多的分配多点资源，在编译完成后也能修改回来。我电脑是GB内存，所以给WSL配置GB内存，还有GB swap空间。

       编译源码

       编译源码就是常规流程，lunch项根据自己需要进行选择，编译线程数根据机器配置选择。

       编译可能会报错缺少库文件，直接安装即可。sudo apt-get install libncurses5 如果需要编译出CMakeLists文件，方便导入CLion，需要在编译前添加环境变量。

       编译成功！！

       导入Clion效果。

       若需要导入Android Studio中，还需要生成配置索引。

       这一步需要Java环境，提前安装一下。sudo apt install openjdk--jdk

       最终效果如下：

Flink源码编译

       1. 下载Flink稳定版1..2，可以从官方下载链接获取，将源码同步至远程机器，使用Jetbrains Gateway打开。

       2. 以Jetbrains Gateway打开源码，源码目录存放于远程机器，它会自动解析为Maven项目。

       3. 注意事项：在flink-runtime-web/pom.xml文件中，需将部分内容替换，具体如下：

       确保先安装npm，通过命令`yum install npm`。否则编译过程中可能会出现错误。

       为了编译时内存充足，需要调整Maven设置，增加JDK可用内存。在命令行中，可以在/etc/profile中配置，或在Maven配置中指定更大的内存。

       编译命令如下，对于Jetbrains Gateway，需在Run Configurations中新增配置，调整执行参数以执行mvn install或mvn clean。

       编译完成后，每个模块目标文件夹会生成相应的文件。

       4. 接下来进行运行。首先启动JobManager，查看flink-runtime下的StandaloneSessionClusterEntrypoint类，配置文件目录需指定，如`--configDir configpath`，并配置日志参数。

       主类缺失时，需在IDEA的项目结构模块中给flink-runtime添加依赖，从flink-dist/target目录下添加jar包。

       修改配置文件，将允许访问的IP设置为0.0.0.0，以便外部访问。然后映射web端口，启动JobManager后可通过外部IP访问。

       运行TaskManager的参数与JobManager类似，启动后自动注册到JobManager，外部访问验证成功。

       源码编译与启动完成后，其他机器无需重复编译，只需在相应环境中执行预编译的可执行文件，即可实现分布式环境的Flink使用。

RocketMQ源码分析：Broker概述+同步消息发送原理与高可用设计及思考

       Broker在RocketMQ架构中扮演关键角色，主要负责存储消息，其核心任务在于持久化消息。消息通过生产者发送给Broker，而消费者则从Broker获取消息。Broker的物理部署架构图清晰展示了这一过程。

       从配置文件角度，我们深入探讨Broker的存储设计，重点关注以下几个方面：消息发送、消息协议、消息存储与检索、消费队列维护、消息消费与重试机制。深入分析Broker内部实现，包括消息发送过程、获取topic路由信息、选择消息队列以及发送消息至特定Broker。

       消息发送过程包括参数解析、发送方式选择、回调函数配置以及超时时间设定。同步消息发送流程主要分为获取路由信息、选择消息队列、发送消息、更新失败策略与处理同步调用方式。获取路由信息过程包括从本地缓存尝试获取、从NameServer获取配置信息更新缓存，以及针对特定或默认topic的路由信息查询。

       选择消息队列时考虑Broker负载均衡，通过轮询机制获取下一个可用消息队列。选择队列逻辑涉及发送失败延迟规避机制，确保选择的Broker正常，并根据Broker状态进行排序后选择一个队列。消息发送至指定Broker，使用长连接发送并存储消息，同步消息发送包含重试机制，异步消息发送则在回调中处理重试。

       思考题：分析消息发送异常处理，包括NameServer宕机与Broker挂机情况。NameServer宕机时，生产者可利用本地缓存继续发送消息，而Broker挂机会导致消息发送失败，但通过故障延迟机制可确保高可用性设计。理解这些机制与流程，有助于深入掌握RocketMQ的同步消息发送原理与高可用设计。

Miracast技术详解（四）：Sink源码解析

       Miracast Sink端源码最早出现在Android 4.2.2版本中，可通过android.googlesource.com查看。然而，在Android 4.3版本之后，Google移除了这部分源码，详细移除记录可在android.googlesource.com上查阅。尽管Sink端代码被移除，但Source端源码依然存在。通过使用Android手机的投射功能，仍可实现Miracast投屏发送端的功能。

       为了查看源码，推荐使用Android Studio，以便利用IDE的代码提示和类/方法跳转功能。首先新建一个Native Project，将libstagefright相关源码拷贝至cpp目录，并导入必要的include头文件。在CMakeLists.txt中添加这部分源码后，同步环境，以此引用相关类与头文件，提升查看源码的效率。

       Sink端核心类主要包括：WifiDisplaySink.cpp、RTPSink.cpp、TunnelRenderer.cpp。通过分析可得知，初始化操作主要在wfd.cpp中的main()方法内完成，重点关注sink->start()方法启动WifiDisplaySink，进而使用ip和端口参数执行相关操作。

       RTSP通讯涉及关键步骤，包括创建RTSP TCP连接、处理连接状态与数据异步通知。当连接建立后，开始进行RTSP协商与会话建立，处理RTSP M1-M7指令。请求与响应流程需参考前面的RTSP协议分析文章，这里不详细展开。

       处理RTSP消息时，首先判断消息类型，是Request还是Response。对于Request，主要处理Source端M1请求，并响应M2确认。对于Source端M3请求，处理相关属性及能力，如RTP端口号、支持的音频和视频编解码格式等。M4与M5请求则分别进行常规的响应处理。

       在发送完Setup M6请求后，注册onReceiveSetupResponse()回调，用于完成RTSP最后一步，即发送PLAY M7请求。此时，Source端会按照Sink指定的UDP端口发送RTP数据包，包含音视频数据。

       RTSP协商与会话建立完成后，数据流通过RTPSink处理，建立UDP连接并解析RTP数据包。在TunnelRenderer中接收并播放音视频流。流程包括消息处理、环境初始化、TS包解析、音视频裸流解码与播放等。

       源码解析过程中，关键步骤包括初始化RTPSink、建立UDP连接、处理RTP与RTCP数据、解析TS包并获取音视频裸流等。移植Native Sink端难点在于隔离与处理Native相关依赖，如异步消息机制、网络连接实现等。建议在应用层实现RTSP连接、音视频解码与渲染功能，然后移植底层解析代码，以减少依赖，提高移植效率。