1.快速搭建去中心化视频分享平台peertube
2.天猫 全屏代码切片
3.PyTorch源码学习系列 - 2. Tensor

快速搭建去中心化视频分享平台peertube

       peertube是一款开源去中心化的视频分享平台，允许用户建立自己的平台平台实例。相较于传统平台，源码源码peertube通过webtorrent技术，切片切片开启P2P功能，平台平台当多人观看同一视频时，源码源码卡密获取源码系统自动在用户设备上做种。切片切片此特性在大量用户观看同一视频时能显著减少服务器带宽压力，平台平台提升用户体验。源码源码

       本次教程适用于腾讯云轻量服务器4C4G8M实例，切片切片使用步骤如下：

       源码：使用PeerTube源码。平台平台

       设备：腾讯云轻量服务器4C4G8M。源码源码

       最低需求：2C1G。切片切片注意配置对带宽和存储的平台平台bean实例化源码较高要求。

       云硬盘：挂载并格式化1TB存储。源码源码

       设置代理：使用腾讯云香港服务器搭建tinyproxy，设置GitHub代理。

       安装docker、docker-compose：确保docker服务启动。

       获取配置文件：修改.env文件。

       webserver启动：使用docker-compose启动。

       获取管理员账号密码：账号为PEERTUBE_ADMIN_EMAIL，密码在启动输出中。

       配置网站信息：在管理页面配置信息，支持markdown格式。

       转码：利用ffmpeg对视频进行切片，选择分辨率、智能小程序 源码线程数等参数。

       直播串流：安装4.x版本，开启后台设置。

       自定义修改：调整配置、自定义CSS和JS。

       联邦：关注其他peertube实例或频道，需被关注实例同意。

       上传界面允许修改视频信息，播放页面支持p2p分享同一视频同一分辨率的视频。视频下载可通过复制磁力链接，使用bt软件下载。iframe功能允许在其他网站上分享实例上的视频。注意：商业应用或UCG模式需使用海外服务器或解决相关法律及版权问题。网页后台源码php

天猫 全屏代码切片

       å°±æ˜¯ä¸ªPS切片呀。把图片切好，做好链接，存为WEB模式，打开你存的文件夹，把图片上传，然后打开另外个文件，是网页模式的。点“查看”-“源代码”，复制那些代码到淘宝上，然后按顺序把图片链接上就行了

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，自动发卡源码商业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。