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同花顺资金趋势指标源码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，好的箭箭剑源码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，智慧 纪检 源码下载答案非神经网络（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pbootcms源码如何打开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，无声嚎叫源码专精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。