皮皮网

1.Pytorch之Dataparallel源码解析
2.要成为一名专业的策略程序员，从零开始需要怎么一步步来比较好，模型码要把最底层的源码先学精通吗？(个人认为)求学长
3.Barra模型因子的构建及应用系列七之Liquidity因子
4.SWAT模型|源代码编译及主要程序架构的全面介绍
5.量化策略分享之TALIB指标策略
6.怎样在网页中看源码

Pytorch之Dataparallel源码解析

       深入解析Pytorch之Dataparallel源码

       在深入理解Dataparallel原理之前，需要明白它的看策使用场景和目的。Dataparallel设计用于在多GPU环境下并行处理数据，略模提高模型训练效率。型源winpe 源码

       初始化阶段，策略Dataparallel需要实例化一个模型。模型码这一步中，源码模型的看策参数会被复制到所有可用的GPU上，从而实现并行计算。略模

       在前向传播阶段，型源Dataparallel的策略核心作用体现出来。它会将输入数据分割成多个小批次，模型码然后分别发送到各个GPU上。源码在每个GPU上执行前向传播操作后，结果会被收集并汇总。这样，即便模型在多GPU上运行，输出结果也如同在单GPU上运行一样。

       具体实现中，Dataparallel会利用Python的多重继承和数据并行策略。它继承自nn.Module，同时调用nn.DataParallel的构造函数，从而实现并行计算。

       对于那些需要在GPU间共享的状态或变量，Dataparallel还提供了相应的管理机制，确保数据的一致性和计算的正确性。这样的设计使得模型能够高效地在多GPU环境下运行，同时保持代码的简洁性和易读性。

       总结而言，Dataparallel通过分割数据、并行执行前向传播和收集结果的机制，实现了高效的数据并行训练。理解其源码有助于开发者更好地利用多GPU资源，提升模型训练效率。

要成为一名专业的程序员，从零开始需要怎么一步步来比较好，要把最底层的互换交易源码先学精通吗？(个人认为)求学长

       前言

       你是否觉得自己从学校毕业的时候只做过小玩具一样的程序？走入职场后哪怕没有什么经验也可以把以下这些课外练习走一遍（朋友的抱怨：学校课程总是从理论出发，作业项目都看不出有什么实际作用，不如从工作中的需求出发）

       建议：

       不要乱买书，不要乱追新技术新名词，基础的东西经过很长时间积累而且还会在未来至少年通用。

       回顾一下历史，看看历史上时间线上技术的发展，你才能明白明天会是什么样。

       一定要动手，例子不管多么简单，建议至少自己手敲一遍看看是否理解了里头的细枝末节。

       一定要学会思考，思考为什么要这样，而不是那样。还要举一反三地思考。

       注：你也许会很奇怪为什么下面的东西很偏Unix/Linux，这是因为我觉得Windows下的编程可能会在未来很没有前途，原因如下：

       现在的用户界面几乎被两个东西主宰了，1）Web，2）移动设备iOS或Android。Windows的图形界面不吃香了。

       越来越多的企业在用成本低性能高的Linux和各种开源技术来构架其系统，Windows的成本太高了。

       微软的东西变得太快了，很不持久，他们完全是在玩弄程序员。详情参见《Windows编程革命史》

       所以，我个人认为以后的趋势是前端是Web+移动，后端是Linux+开源。开发这边基本上没Windows什么事。

       启蒙入门

       1、 学习一门脚本语言，例如Python/Ruby

       可以让你摆脱对底层语言的恐惧感，脚本语言可以让你很快开发出能用得上的小程序。实践项目:

       处理文本文件，或者csv (关键词 python csv, python open, python sys) 读一个本地文件，逐行处理（例如 word count，或者处理log）

       遍历本地文件系统 (sys, os, path)，例如写一个程序统计一个目录下所有文件大小并按各种条件排序并保存结果

       跟数据库打交道 (python sqlite)，漂亮的flash源码写一个小脚本统计数据库里条目数量

       学会用各种print之类简单粗暴的方式进行调试

       学会用Google (phrase, domain, use reader to follow tech blogs)

       为什么要学脚本语言，因为他们实在是太方便了，很多时候我们需要写点小工具或是脚本来帮我们解决问题，你就会发现正规的编程语言太难用了。

       2、 用熟一种程序员的编辑器(不是IDE) 和一些基本工具

       Vim / Emacs / Notepad++，学会如何配置代码补全，外观，外部命令等。

       Source Insight (或 ctag)

       使用这些东西不是为了Cool，而是这些编辑器在查看、修改代码/配置文章/日志会更快更有效率。

       3、 熟悉Unix/Linux Shell和常见的命令行

       如果你用windows，至少学会用虚拟机里的linux， vmware player是免费的，装个Ubuntu吧

       一定要少用少用图形界面。

       学会使用man来查看帮助

       文件系统结构和基本操作 ls/chmod/chown/rm/find/ln/cat/mount/mkdir/tar/gzip …

       学会使用一些文本操作命令 sed/awk/grep/tail/less/more …

       学会使用一些管理命令 ps/top/lsof/netstat/kill/tcpdump/iptables/dd…

       了解/etc目录下的各种配置文章，学会查看/var/log下的系统日志，以及/proc下的系统运行信息

       了解正则表达式，使用正则表达式来查找文件。

       对于程序员来说Unix/Linux比Windows简单多了。（参看我四年前CSDN的博文《其实Unix很简单》）学会使用Unix/Linux你会发现图形界面在某些时候实在是太难用了，相当地相当地降低工作效率。

       4、 学习Web基础（HTML/CSS/JS) + 服务器端技术 (LAMP)

       未来必然是Web的世界，学习WEB基础的最佳网站是W3School。

       学习HTML基本语法

       学习CSS如何选中HTML元素并应用一些基本样式（关键词：box model）

       学会用 Firefox + Firebug 或 chrome 查看你觉得很炫的网页结构，并动态修改。

       学习使用Javascript操纵HTML元件。理解DOM和动态网页（Dynamic HTML: The Definitive Reference, 3rd Edition - O'Reilly Media) 网上有免费的章节，足够用了。或参看 DOM 。

       学会用 Firefox + Firebug 或 chrome 调试Javascript代码（设置断点，查看变量，性能，控制台等）

       在一台机器上配置Apache 或 Nginx

       学习PHP，让后台PHP和前台HTML进行数据交互，提卡网站源码对服务器相应浏览器请求形成初步认识。实现一个表单提交和反显的功能。

       把PHP连接本地或者远程数据库 MySQL（MySQL 和 SQL现学现用够了）

       跟完一个名校的网络编程课程（例如：(升级版为Kyoto Cabinet)、Flare、MongoDB、CouchDB、Cassandra、Voldemort等。

Barra模型因子的构建及应用系列七之Liquidity因子

       在构建Barra模型系列文章的篇章中，我们深入探讨了因子构建及应用，前文已详尽地介绍了Size、Beta、Momentum、Residual Volatility、NonLinear Size及Book-to-Price因子的构建与应用。此系列文章的第七部分，我们将关注于Liquidity因子的构建与应用。

       Liquidity因子在Barra模型中的计算方法包含三个关键子因子：月度换手率、季度换手率与年度换手率，各子因子权重分别为0.、0.、0.3。该因子的换手率通过成交量与流通股本的比率计算，通过T天的加总求得对数形式，具体换手率的计算周期分别为月度天、季度天、年度天。

       通过使用alphalens对Liquidity因子进行分析（年-年3月5日），我们发现：各调仓周期下的alpha收益均为负数，而5天调仓周期下的beta收益为正且最高；Liquidity因子的最大分组与最小分组均贡献负收益，且最大分组的负收益远超最小分组。进一步分析信息系数，IC均值与IC标准差在不同调仓频率下差异不大，平均IC仅为-0.，低于0.的阈值，显示了该因子的选股能力有限。从分组收益图可见，Liquidity因子表现出两端负收益、c 无锁源码中间正收益的特征，这表明过高的或过低的换手率均会导致平均收益的下降。

       基于因子分析，Liquidity因子的收益能力不佳，若作为单因子策略应用，预期回测收益同样较差。然而，为了后续对Barra模型个因子进行综合分析，我们依然编写了代码以备后续使用。接下来，我们将深入探讨Liquidity因子的回测分析。

       回测时间设定为年1月1日至年3月5日，采用全A股作为回测品种（剔除ST股、停牌股与一年内的次新股），初始资金设定为万。手续费采用双边万二佣金与单边千一印花税（总计千1.4，即双边万7）作为计算依据，滑点设定为双边千1.，最大持仓数量限制为只股票。

       策略净值曲线显示波动较小，在下跌阶段（年7月-月）具备较强的抗跌能力，在随后的反弹阶段亦展现良好的进攻能力，整体表现较为稳健。然而，从历史回测数据来看，Liquidity因子的收益虽能跑赢大盘指数，但未能创造正收益。年化收益率为-1.%，最大回撤率为-.%，夏普比率-0.，胜率仅.%。总体而言，尽管Liquidity因子在构建与应用中展现出一定的分析价值，其收益表现与预期仍有较大差距。

       总结而言，本期文章详细探讨了Liquidity因子在Barra模型中的构建与回测分析，揭示了其在策略应用中的收益特点与潜在局限性。读者可通过掘金量化社区获取本期策略源码，进一步探索因子在实际投资决策中的应用与优化。

SWAT模型|源代码编译及主要程序架构的全面介绍

       本文全面介绍SWAT模型的源代码编译及程序架构。首先，需从SWAT官网获取原始SWAT代码，或付费购买，代码为Fortran语言。

       下载代码后，进行编译是关键步骤。编译Fortran代码，我们推荐使用Visual Studio 和LHF。B站有相关安装教程，关键词为“Fortran编译器”与“软件安装”。编译成功后，应能顺利运行并输出“hello，world!”，验证环境搭建无误。

       本文附有Visual Studio软件及SWAT代码下载链接，方便读者获取开发工具和学习资源。

       编译完成后，我们将深入探讨SWAT模型的运行流程。模型运行分为三大步骤：读取工程文件、模型计算与结果输出。本文着重讲解模型计算过程，力求让读者对SWAT有直观理解，并附上全代码程序的调用思维导图，助于学习与实践。同时，SWAT原理概述帮助读者全面理解模型工作机理。

       本文内容深入浅出，旨在为水文模型学习者提供全面指导，包含从代码获取、编译到模型运行的完整流程。更多相关资料与支持，请关注“水文模型小管家”。

量化策略分享之TALIB指标策略

       本篇文章将介绍技术分析指标，并探讨一些基于技术指标构建的策略。

       量化投资中的技术分析指的是利用数学模型和算法对市场数据进行分析和交易决策的投资方法。作为量化投资的一个重要分支，技术分析通过分析历史价格和交易量数据来预测未来的价格走势。技术分析的理论基础是市场信息都反映在价格中，价格走势存在一定的规律和模式，因此可以通过数学方法进行分析和预测。

       技术分析运用多种数学方法和指标对市场数据进行分析，以帮助投资者识别市场趋势和交易信号。TA-Lib库提供了丰富的技术分析函数，便于投资者进行量化分析和策略开发。掌握这些技术指标的使用方法及其投资意义对于量化投资者来说至关重要。

       常用的技术分析工具和指标包括移动平均线、相对强弱指数（RSI）、布林带（Bollinger Bands）等。这些工具帮助投资者识别市场趋势、超买超卖状态以及价格波动区间，从而制定相应的交易策略。

       TA-Lib（Technical Analysis Library）是一个用于金融数据技术分析的开源库，它包含了众多常用的技术指标计算的Python函数。以下是一些常用函数的介绍。

       BigQuant将常用的TA-Lib技术指标算子移植到了DAI平台，使得在编写策略时可以在“输入特征（DAI SQL）”模块中的“表达式特征”一栏中直接调用算子，计算出技术指标。这些技术指标算子都是以“m_ta”开头的，常见的有：

       本文将详细介绍一个基于TALIB指标的选股策略，该策略的买入条件包括：（1）今日开盘价大于昨日收盘价；（2）5日收盘价均线大于日收盘价均线的股票。买入后，如果5日收盘价均线小于日收盘价均线，则次日卖出。

       策略的具体实现过程包括筛选条件的实现和信号设定的实现。在“输入特征（DAI SQL）”模块中，“表达式过滤条件”一栏中添加相应的表达式即可实现筛选条件。信号设定的实现可以通过设置买入和卖出信号来实现。

       在策略回测的实现过程中，可以在“BigTrader”模块中，选择调仓周期类型为“交易日”，并在“调仓周期日期”一栏中填入，表示持仓天数为。卖出操作针对已持仓且卖出信号为1的股票，买入操作针对未持仓且买入信号为1的股票。

       策略的源码可以在BigQuant平台中克隆。对于详细使用和策略分享，可以前往BigQuant平台进行模拟测试。BigQuant量化交易平台是一个AI人工智能量化投资交易平台。

怎样在网页中看源码

       要查看网页的源代码，通常可以在浏览器中使用“查看源代码”或“检查元素”的选项。

       1. 查看源代码的方法

       在大多数现代浏览器（如Chrome，Firefox，Safari和Edge）中，查看网页源代码的方法相当直接。以下是一般步骤：

        首先，打开您想要查看源代码的网页。

        然后，右键点击页面的任何部分，选择“查看源代码”或“检查元素”。在某些浏览器中，您也可以使用快捷键。例如，在Windows系统中，Chrome和Firefox的快捷键是Ctrl+U。在Mac上，使用Command+Option+U。

        这将打开一个新的窗口或面板，显示当前页面的HTML代码。这就是网页的源代码。

       2. 检查元素的功能

       与查看源代码不同，“检查元素”工具提供的不仅仅是HTML代码。这个工具让您可以看到并操作页面的HTML，CSS和JavaScript代码。以下是使用“检查元素”工具的一般步骤：

        打开您想要检查的网页。

        右键点击页面上的任何元素，然后选择“检查”或“检查元素”。您也可以使用快捷键F（在大多数浏览器中）或Ctrl+Shift+I（在Chrome中）。

        这将打开开发者工具窗口，其中的“Elements”面板显示了页面的HTML代码。在这里，您可以实时编辑HTML和CSS代码，并立即看到结果。这是开发人员常用的工具，用于调试代码或理解页面的布局和设计。

       请注意，“检查元素”工具显示的代码可能包含一些在查看源代码时看不到的动态生成代码。这是因为“检查元素”工具显示的是当前DOM（文档对象模型），它是浏览器根据HTML代码、CSS样式和JavaScript行为动态构建的。

       总的来说，查看源代码和检查元素是理解和操作网页的两种重要方式。无论您是普通用户、设计师还是开发人员，这些工具都可以帮助您更深入地了解网页是如何工作的。

MMDet——Deformable DETR源码解读

       Deformable DETR: 灵活与精准的检测架构

       Deformable DETR是对DETR模型的革新，通过引入Deformable结构和Multi-Scale策略，实现了性能提升与训练成本的优化。它解决了DETR中全像素参与导致的计算和收敛问题，通过智能地选取参考点，实现了对不同尺度物体的高效捕捉。这种结构弥补了Transformer在视觉任务上的局限，如今已经成为业界标准。

       核心改进在于对Attention机制的重塑，Deformable DETR基于Resnet提取的特征，融入了多尺度特征图和位置编码，生成包含目标查询的多层次特征。其架构由Backbone（Resnet提取特征）、Transformer编码器（MSdeformable self-attention）和解码器（MultiheadAttention和CrossAttention）组成，每个组件都发挥关键作用：

Backbone：Resnet-作为基础，提取来自第一到第三阶段的特征，第一阶段特征被冻结，使用Group Normalization。

Neck：将输入通道[, , ]映射到通道，利用ChannelMapper，生成4个输出特征图。

Bbox Head：采用DeformableDETRHead类型的结构，负责目标检测的最终预测。

       Deformable Attention的核心在于其创新的处理方式：参考点（Reference Points）作为关键元素，预先计算并固定，offsets由query通过线性层生成，Attention权重由query通过线性变换和Softmax函数确定。而在Value计算上，输入特征图通过位置选择，结合参考点和offset，实现精确特征提取。最后，Attention权重与Value的乘积经过Linear层，得出最终输出。

       在Decoder部分，Self-Attention模块关注对象查询，Cross-Attention则在对象查询与编码器输出间进行交互，生成包含物体特征的query。输入包含了query、值（编码器特征图）、位置编码、padding mask、参考点、空间形状等信息，输出则是每层decoder的object query和更新后的参考点。

       简化后的代码，突出了关键部分的处理逻辑，如Encoder使用Deformable Attention替换传统的Self Attention，输入特征map经过处理后，参考点的初始化和归一化操作确保了模型的高效性能。Decoder中的注意力机制和输入输出细节，都展现出模型灵活且精准的检测能力。

       Deformable DETR的设计巧妙地融合了Transformer的灵活性和Transformer架构的效率，为目标检测任务提供了全新的解决方案，展现出了其在实际应用中的优越性。