1.Vue源码解析：Vue编译过程的源码设计思路
2.7.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(三)
3.Linux内核 kthread_worker 和 kthread_work 机制
4.详解数据读取--Dataset, Samper, Dataloader
5.PyTorch 源码解读之 torch.utils.data：解析数据处理全流程
6.jquery unbind 和off的区别

Vue源码解析：Vue编译过程的设计思路

       知识要点：

       概览

       在实例化Vue时，首先经过选项合并和数据初始化，分析最后进入挂载阶段。源码此阶段分为编译阶段和更新阶段。分析编译阶段将template编译为生成Vnode的源码render函数，核心是分析goshop 源码下载compile过程。更新阶段则将生成的源码虚拟Dom映射至真实Dom。接下来重点解析编译阶段。分析

       编译原理

       了解Vue编译过程前，源码先学习编译原理。分析编译器结构通常包含词法分析、源码语法分析、分析语义分析、源码中间代码生成、分析代码优化和目标代码生成。源码这些步骤对Vue的编译过程至关重要，如页面渲染、代码转换、Vue代码编译等。

       编译过程

       Vue编译过程由parse、optimize和generate三个阶段组成。parse生成抽象语法树（ast），optimize进行语法树优化，generate将语法树转化为生成Vnode的代码。实际操作以解析简单模板为例，通过ast表示模板字符串，便于后续操作。

       编译入口

       编译入口在$mount函数中，影视站点源码其定义在多个文件中。$mount进行不同处理以适应template的多种写法。编译模板的核心方法compileToFunctions在platforms文件夹下的src/compiler/index.js中。

       函数科里化

       Vue通过函数科里化将代码复用，将baseCompile和baseOptions分离传入，实现不同平台或端的代码封装。这样无需更改内部内容，便于平台间代码适应。

       细节解析

       baseOptions在platforms/web/compiler/options.js文件中定义，包含平台相关方法和属性。baseCompile是编译流程核心实现，compile函数在src/complier/create-compiler.js最内层完成。

       创建编译函数

       createCompileToFunctionFn将编译后的代码缓存，用于下次使用，同时将代码字符串转换为函数形式，生成render函数和静态渲染函数集合。

       总结

       本章从整体上介绍了Vue挂载过程和编译原理，解析了多次回调处理编译函数的原因。下章将结合源码深入学习Vue内部编译过程，了解template如何转换为生成Vnode的render函数。欲了解更多解析，点击这里查看。

7.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(三)

       在上一讲中，我们深入探讨了pf.cpp文件，它将Augmented-MCL算法和KLD-sampling算法融合使用。重点在于pf_pdf_gaussian_sample(pdf)函数、pf_init_model_fn_t初始化模型以及pf->random_pose_fn方法进行粒子初始化。swaggerui源码路由粒子的插入和存储采用kd树数据结构，同时kd树也表达直方图的k个bins，通过叶子节点数展现。

       本讲聚焦kd树在粒子滤波器模型中的作用（pf_kdtree.cpp）、概率密度函数pdf与特征值分解的关系（eig3.cpp、pf_vector.cpp）以及如何利用pdf生成随机位姿（pf_pdf.cpp），同时解释kd树与直方图的对应关系。

       在概率密度函数pdf的创建中，我们首先定义一个高斯PDF结构体pf_pdf_gaussian_t，包含均值和协方差的描述，接着进行协方差矩阵的分解，通过Housholder算子和QR分解完成特征值分解过程。

       通过pdf结构体实现随机位姿的生成，具体在pf_pdf.cpp中pf_pdf_gaussian_sample函数实现，使用无均值带标准差的高斯分布进行生成。

       kd树数据结构在pf_kdtree.cpp中定义，包括节点和树的初始化，以及新位姿的插入。kd树的插入依据树的性质，通过计算max_split、中位数和分支点维数来定位新节点位置。查找节点和计算给定位姿权重则通过kd树结构实现，最终将树中叶子节点打标签，以统计特性如均值和协方差计算整个粒子集。

       kd树在AMCL中承担直方图功能，以叶子节点数目表示bin个数（k），概率密度函数pdf依赖于输入的进程pid源码均值和协方差生成，用于随机位姿的产生。此外，kd树还用于判断粒子集是否收敛。最后，kd树表达直方图的过程在pf.cpp中pf_update_resample函数中实现，而pf_resample_limit函数用于设定采样限制。

       kd树在粒子滤波器模型中的作用包括存储粒子样本集、查找和插入新位姿，以及统计特性计算。概率密度函数pdf的使用除了初始化粒子位姿外，还有判断粒子收敛的作用。下一讲将探讨amcl_node.cpp的处理内容，包括初始位姿、激光数据和坐标系转换，以及粒子滤波器pf的运用。

Linux内核 kthread_worker 和 kthread_work 机制

       探究 Linux 内核中的 kthread_worker 和 kthread_work 机制，始于我在研究最新版 Linux Spi 驱动时对这部分工作流程的深入了解。kthread_worker 和 kthread_work 实际上是内核线程管理和使用的一种方式，与 work_struct 和 workqueue_struct 机制类似。接下来，让我们从数据结构、使用方式，以及具体实现入手，对 kthread_worker 和 kthread_work 进行深入分析。

       1、数据结构

       定义 kthread_worker 和 kthread_work 的数据结构位于 include/linux/kthread.h 中。观察结构体定义，异次元图源码可以看出它们之间的紧密联系。

       2、使用方式

       kthread_worker 作为核心组件，理解其使用方法至关重要。首先，定义并初始化 kthread_worker。接着，为 kthread_worker 创建一个内核线程，用于处理工作。

       2.1 准备 kthread_worker

       定义 kthread_worker 并初始化它。注意，初始化完成后，需要为 kthread_worker 创建一个内核线程。

       2.2 准备 kthread_work

       定义 kthread_work 并初始化。为它指定工作函数。

       2.3 启动工作

       准备好了 worker 和 work 后，如有工作需要处理，将工作挂接到 worker 上。

       2.4 执行指定 worker 上的所有工作

       将指定 worker 上的所有工作全部执行。

       2.5 停止当前线程

       了解 Linux 内核源码学习资源。

       3、实现源码

       分析源码的步骤如下：

       3.1 kthread_init_worker

       初始化 kthread_worker。设置成员变量为零，并初始化工作列表。

       3.2 执行线程 kthread_worker_fn

       定义并初始化 kthread_worker 后，调用 kthread_worker_fn 函数，传入 worker 指针。代码逻辑简单，主要涉及状态设置、工作执行等。

       3.3 kthread_init_work

       清零 kthread_work 类型的工作，并初始化链表元素，最后挂接工作执行函数的指针。

       3.4 kthread_queue_work

       将初始化完成的 kthread_worker 和 kthread_work 推进执行。调用 kthread_insert_work 将工作添加至列表中，唤醒沉睡的执行线程。

       4、总结

       kthread_worker 和 kthread_work 机制为 Linux Kernel 提供了一种高效管理内核线程的手段。它们使得驱动等模块开发者能够简便地实现内核线程的使用。

详解数据读取--Dataset, Samper, Dataloader

       在使用Pytorch进行模型训练时，数据读取过程常涉及到Dataset、Dataloader以及Sampler三个核心组件。通常情况下，我们自定义一个继承自Dataset的类来创建数据集，并作为Dataloader的初始化参数。Dataloader则根据初始化参数如batch_size和shuffle等完成数据加载。本文将深入解析这三个组件如何协同作用，完成数据读取任务。

       在构建Dataloader时，两个关键参数sampler和batch_sampler及collate_fn通常被指定。sampler需要继承自torch.utils.data.Sampler类，而collate_fn通常是一个函数。未指定时它们具有默认值。数据读取流程是由Dataset、Dataloader和Sampler共同完成的。本文章将通过源码解析它们如何协同工作。

       在理解Dataset、Dataloader和Sampler的联动之前，我们先对迭代器和生成器的概念进行梳理。迭代器iterator和可迭代对象iterable是Python中用于数据遍历的基础概念。一个iterable对象能够通过`iter()`函数获取其对应的iterator对象，而iterator对象在遍历时通过`next()`函数获取iterable中的下一个元素。实际上，for循环的`in`操作符在背后依赖于iterable和iterator的相互作用。

       生成器generator是一种特殊的迭代器，具有`yield`关键字，可以实现函数的暂停与恢复，非常适合用于生成序列数据。其操作方式类似于函数调用，但能暂停执行并在需要时恢复，生成序列数据。

       在数据读取流程中，Dataloader创建的迭代器最终指向Dataset。具体实现中，Dataloader首先初始化一个iterator对象，通常基于自定义的Sampler。当使用for循环遍历Dataloader时，实际上在遍历这个迭代器。Sampler负责确定数据读取顺序，而Dataset提供实际的数据点。Dataloader内部实现了一个`_next_data()`函数，负责从Dataset中提取并打包成批次数据，再通过`collate_fn`处理，最终生成训练批次。

       在Dataloader中，`_next_index()`函数用于获取下一个批次的索引。这些索引由Sampler生成，通常基于随机或顺序策略。获取索引后，Dataloader使用`_dataset_fetcher.fetch(index)`从Dataset中读取数据点。Dataset可能根据其类型（如`IterableDataset`或继承自`Dataset`的自定义类）实现具体的读取逻辑，通常通过`__getitem__`方法获取指定索引的数据。

       最后，数据点通过`collate_fn`进行打包，确保批次中的数据结构一致，适应模型训练的需求。整个过程展示了Dataset、Dataloader和Sampler如何协同工作，从数据集读取数据点，确定读取顺序，到最终生成可用于模型训练的批次数据。

       综上所述，理解Dataset、Dataloader和Sampler的协同作用是构建高效数据加载系统的关键。通过精心设计这些组件，可以显著提高数据处理效率，优化模型训练过程。

PyTorch 源码解读之 torch.utils.data：解析数据处理全流程

       文@

       目录

       0 前言

       1 Dataset

       1.1 Map-style dataset

       1.2 Iterable-style dataset

       1.3 其他 dataset

       2 Sampler

       3 DataLoader

       3.1 三者关系 (Dataset, Sampler, Dataloader)

       3.2 批处理

       3.2.1 自动批处理（默认）

       3.2.2 关闭自动批处理

       3.2.3 collate_fn

       3.3 多进程处理 (multi-process)

       4 单进程

       5 多进程

       6 锁页内存 (Memory Pinning)

       7 预取 (prefetch)

       8 代码讲解

       0 前言

       本文以 PyTorch 1.7 版本为例，解析 torch.utils.data 模块在数据处理流程中的应用。

       理解 Python 中的迭代器是解读 PyTorch 数据处理逻辑的关键。Dataset、Sampler 和 DataLoader 三者共同构建数据处理流程。

       迭代器通过实现 __iter__() 和 __next__() 方法，支持数据的循环访问。Dataset 提供数据获取接口，Sampler 控制遍历顺序，DataLoader 负责加载和批处理数据。

       1 Dataset

       Dataset 包括 Map-style 和 Iterable-style 两种，分别用于索引访问和迭代访问数据。

       Map-style dataset 通过实现 __getitem__() 和 __len__() 方法，支持通过索引获取数据。

       Iterable-style dataset 实现 __iter__() 方法，适用于随机访问且批次大小依赖于获取数据的场景。

       2 Sampler

       Sampler 用于定义数据遍历的顺序，支持用户自定义和 PyTorch 提供的内置实现。

       3 DataLoader

       DataLoader 是数据加载的核心，支持 Map-style 和 Iterable-style Dataset，提供单多进程处理和批处理等功能。

       通过参数配置，如 batch_size、drop_last、collate_fn 等，DataLoader 实现了数据的自动和手动批处理。

       4 批处理

       3.2.1 自动批处理（默认）

       DataLoader 默认使用自动批处理，通过参数控制批次生成和样本整理。

       3.2.2 关闭自动批处理

       关闭自动批处理，允许用户自定义批处理逻辑或处理单个样本。

       3.2.3 collate_fn

       collate_fn 是手动批处理时的关键，用于整理单个样本为批次。

       5 多进程

       多进程处理通过 num_workers 参数启用，加速数据加载。

       6 单进程

       单进程模式下，数据加载可能影响计算流程，适用于数据量小且无需多进程的场景。

       7 锁页内存 (Memory Pinning)

       Memory Pinning 技术确保数据在 GPU 加速过程中快速传输，提高性能。

       8 代码讲解

       通过具体代码分析，展示了 DataLoader 的初始化、迭代和数据获取过程，涉及迭代器、Sampler 和 Dataset 的交互。

jquery unbind 和off的区别

       1：unbind()：为每个匹配元素的特定事件绑定事件处理函数。

       ã€€ã€€unbind(type,[data],fn)

       ã€€ã€€type: 含有一个或多个事件类型的字符串，由空格分隔多个事件。

       ã€€ã€€æ¯”如"click"或"submit"，还可以是自定义事件名。

       ã€€ã€€data:作为event.data属性值传递给事件对象的额外数据对象

       ã€€ã€€fn:绑定到每个匹配元素的事件上面的处理函数

       2：off()在选择元素上绑定一个或多个事件的事件处理函数。

       ã€€ã€€off(events,[selector],[data],fn)

       ã€€ã€€events:一个或多个用空格分隔的事件类型和可选的命名空间,如"click"或"keydown.myPlugin" 。

       ã€€ã€€selector:一个选择器字符串用于过滤器的触发事件的选择器元素的后代。如果选择的< null或省略，当它到达选定的元素，事件总是触发。

       ã€€ã€€data:当一个事件被触发时要传递event.data给事件处理函数。

       ã€€ã€€fn:该事件被触发时执行的函数。 false 值也可以做一个函数的简写，返回false。

        对比发现off 和unbind的 差别不大， 但是off多一个[selector] 可以过滤指定元素。

       å¦å¤–，查看jQuery源码可知，.unbind()是通过.off()来实现的