1.LuaJIT源码分析（二）数据类型
2.源码分析：遥感图像数据集-DOTA（DOTA.py）
3.Android Adb 源码分析(一)
4.Python数据分析系列读取Excel文件中的数据数据多个sheet表（案例+源码）
5.VGGish源码学习
6.[UVM源代码研究] 当我们调用uvm_config_db里的函数时uvm内部都是怎么工作的

LuaJIT源码分析（二）数据类型

       LuaJIT，作为Lua的分析分析高性能版本，其源码分析中关于数据类型处理的源码源代细节颇值得研究。它在数据结构的学习定义上与Lua 5.1稍有不同，通过通用的数据数据数据结构TValue来表示各种Lua数据类型，但其复杂性体现在了内含的分析分析大庆pc源码若干宏上，增加了理解的源码源代难度。这些宏如LJ_ALIGN、学习LJ_GC、数据数据LJ_ENDIAN_LOHI、分析分析LJ_FR2等，源码源代分别用于内存对齐、学习GC模式的数据数据选择、大小端判断以及浮点数编码格式的分析分析选择。

       LJ_ALIGN宏用于确保struct内存对齐，源码源代以提高内存访问效率。LJ_GC宏在当前平台为位且无强制禁用的情况下生效，表明LuaJIT支持位GC（垃圾回收）模式。LJ_ENDIAN_LOHI宏则根据平台的字节顺序来确定结构的布局，而x平台采用小端序。

       对于TValue结构的定义，通过处理宏后可以简化为一个位的结构体，包含一个union，用于统一表示Lua的各种数据类型。这种设计利用了NaN Boxing技术，即通过在浮点数编码中预留空间来实现不同类型数据的紧凑存储。每个类型通过4位的itype指针来标识，使得数据的解析与存储变得高效。

       对于number数据类型，其值被存储在一个double中，而其他类型如nil、true、false等则利用剩余的空间来标识其类型。这种设计允许LuaJIT在内存中以一种紧凑且高效的方式存储各种数据类型，同时通过简单的位操作就能识别出具体的数据类型。

       对于GC对象（如string、table等），LuaJIT通过特定的itype值来区分它们与普通数据类型，以及与值类型（如nil和bool）和轻量级用户数据的基本网站源码差异。通过宏判断，LuaJIT能够快速识别出TValue是否为GC对象，以及具体是哪种类型的GC对象。

       在开启LJ_GC模式下，GC对象的地址被存储在TValue的特定字段gcr中，提供位的地址支持。虽然前位用于标识数据类型，但实际使用时仅利用了低位的地址空间，对于大多数实际应用而言，这部分内存已经绰绰有余。

       在GCobj数据结构中，通过union的特性实现不同类型对象的共通性与特定性。GChead提供了通用的接口来获取对象的通用信息，而nextgc、marked等字段用于实现垃圾回收机制。通过gct字段，LuaJIT能够将一个GCObj转换为实际的类型对象，进一步增强了内存管理的灵活性。

       对于整数类型，默认情况下LuaJIT使用double进行存储以确保精度，但在实际应用中，频繁使用的整数通过宏LJ_DUALNUM启用，以int类型存储，提高了数据处理的效率。此时，TValue的i字段用于保存int值，同时通过位移操作确保了数据的正确存储与解析。

源码分析：遥感图像数据集-DOTA（DOTA.py）

       DOTA.py源码解析：用于读取和显示遥感图像数据集中的标注信息。在Windows环境下运行代码时，需在Linux源码基础上做适当调整，如在结尾添加特定路径，并确保已安装shapely库。代码的主要功能包括初始化对象，获取文件夹内指定后缀的文件路径，以及解析信息，如名称、难度、坐标和面积。六仔统计源码函数通过遍历文件，解析每张的物体信息，包括中的对象列表、对象出现的列表，以及根据Python版本处理文件读取。读取过程中，会去掉文件名的后缀，提取名称、难度、坐标点和区域面积。对于类别筛选，可以返回所有名称或指定类别的。代码还涉及图像显示，包括坐标轴设置、颜色随机化以及边界、面积和原点的绘制。

Android Adb 源码分析(一)

       面对Android项目的调试困境，我们的团队在项目临近量产阶段，将userdebug版本切换为了user版本，并对selinux权限进行了调整。然而，这一转变却带来了大量的bug，日志文件在/data/logs/目录下，因为权限问题无法正常pull出来，导致问题定位变得异常困难。面对这一挑战，我们尝试了两种解决方案。

       首先，我们尝试修改data目录的权限，使之成为system用户，以期绕过权限限制，然而数据目录下的logs文件仍保留了root权限，因此获取日志依然需要root权限，这并未解决问题。随后，我们找到了一个相对安全的解决办法——通过adb命令的后门机制，将获取root权限的命令修改为adb aaa.bbb.ccc.root。这一做法在一定程度上增加了后门的课堂网站html源码隐蔽性，避免了被窃取，同时对日常开发的影响也降至最低。

       在解决这一问题的过程中，我们对Android ADB的相关知识有了更深入的理解。ADB是Android系统中用于调试的工具，它主要由三部分构成：adb client、adb service和adb daemon。其中，adb client运行于主机端，提供了命令接口；adb service作为一个后台进程，位于主机端；adb daemon则是运行于设备端（实际机器或模拟器）的守护进程。这三个组件共同构成了ADB工具的完整框架，且它们的代码主要来源于system/core/adb目录，用户可以在此目录下找到adb及adbd的源代码。

       为了实现解决方案二，我们对adb的代码进行了修改，并通过Android SDK进行编译。具体步骤包括在Windows环境下编译生成adb.exe，以及在设备端编译adbd服务。需要注意的是，在进行编译前，需要先建立Android的编译环境。经过对ADB各部分关系及源代码结构的梳理，我们对ADB有了更深入的理解。

       在后续的开发过程中，我们将继续深入研究ADB代码，尤其是关于如何实现root权限的功能。如果大家觉得我们的分享有价值，欢迎关注我们的微信公众号“嵌入式Linux”，一起探索更多关于Android调试的技巧与知识。

Python数据分析系列读取Excel文件中的多个sheet表（案例+源码）

       在Python中使用pandas库，读取Excel文件中的多个sheet表变得极其便捷。假设有一个名为“光谱响应函数.xlsx”的Excel文件，其中包含多个sheet表。

       Excel文件，如同数据库，存储着一张或多张数据表。本文将展示如何依次读取Excel文件中的读源码的技巧每一个sheet表。

       首先，定义excel文件路径，通过pd.ExcelFile()创建一个Excel文件对象xls。利用该对象的sheet_names方法获取所有sheet表名称。然后，借助pd.read_excel函数，逐一读取每一个sheet表，并进行后续的统一处理。

       以sheet_name为“ch”的读取结果为例，展示读取后的数据内容。

       作者拥有丰富的科研经历，期间在学术期刊发表六篇SCI论文，专注于数据算法研究。目前在某研究院从事数据算法相关工作，致力于分享Python、数据分析、特征工程、机器学习、深度学习、人工智能等基础知识与实际案例。撰写内容时坚持原创，以简洁的方式解释复杂概念，欢迎关注公众号“数据杂坛”，获取更多数据和源码学习资源。

       欲了解更多详情，请参考原文链接。

VGGish源码学习

       深入研究VGGish源码，该模型在模态视频分析领域颇为流行，尤其在生成语音部分的embedding特征向量方面。本文旨在基于官方源码进行学习。

       VGGish的代码库结构简洁，仅包含几个.py文件。文件大体功能明确，下文将结合具体代码进行详述。在开始之前，需要预先下载两个预训练文件，与.py文件放在同一目录。

       VGGish的环境安装过程简便，对依赖包的版本要求宽松。只需依次执行安装命令，确保环境配置无误。运行vggish_smoke_test.py脚本，如显示"Looks Good To Me"则表明环境已搭建完成。

       着手VGGish模型的拆解，以vggish_inference_demo.py中的main函数为起点，分为两大部分：数据准备与前向推理获得Embedding特征及特征后处理。

       在数据准备阶段，首先确认输入是否为.wav文件，若非则自行生成。接着，使用vggish_input.py模块将输入数据调整为适用于模型的batch格式。假设输入音频长1分秒，采样频率为.1kHz，读取的wav_data为（，）的一维数组（若为双声道，则调整为单声道）。

       进入前向推理阶段，初始化特征处理对象pproc及记录器对象writer。通过vggish_slim.py模块构建VGG模型，并加载预训练权重。前向推理生成维的embedding特征向量。值得注意的是，输入数据为[num_samples, , ]的三维数据，在推理过程中会增加一维[num_samples，num_frames，num_bins，1]，最终经过卷积层提取特征，FC层压缩，得到的embedding_batch为[num_samples，]。

       后处理环节中，应用PCA（主成分分析）对embedding特征进行调整。这一步骤旨在与YouTube-8M项目兼容，后者已发布用于数百万YouTube视频的PCA/whitened/quantized格式的音频和视觉嵌入。不过，若无需使用官方发布的AudioSet嵌入，则可直接使用网络输出的原始嵌入，无需进行PCA操作。

       本文旨在为读者提供深入理解VGGish源码的路径，通过详述模型的构建、安装与应用过程，旨在促进对模态视频分析技术的深入学习与应用。

[UVM源代码研究] 当我们调用uvm_config_db里的函数时uvm内部都是怎么工作的

       了解uvm_config_db的内部工作原理，我们首先应明确其包含的四个静态方法。接下来，本文将逐一解析这四个方法，揭开uvm_config_db的神秘面纱。

       当我们调用uvm_config_db的set函数时，其实际作用是什么？答案在于uvm_config_db继承自uvm_resource_db。进一步探究，uvm_resource_base是一个虚拟类，继承自uvm_object，并且uvm_resource_db通过typedef定义了一个参数化的uvm_resource类型rsrc_t。因此，无论uvm_config_db使用哪个具体方法，其返回值或中间数据都是rsrc_t类型，本质上都是uvm_resource。

       回到问题的核心，当我们调用set函数时，所设置的变量存储在哪里？答案在于uvm_config_db内部的m_rsc数组。这是一个由string作为键，uvm_resource#(T)作为值的静态键值对数组，以uvm_component为索引。这意味着，m_rsc数组实际上是一个以uvm_component为键，联合数组为值的结构，其中联合数组内部包含了key（string类型）和value（uvm_resource#(T)类型）。

       接下来，我们分析set函数的内部执行逻辑。在函数的前半部分，会进行变量声明并获取全局变量，如uvm_top、phase、目标路径inst_name等。然后，检查发送路径cntxt是否发起过set操作，若未执行，则创建键值对，并将其赋值给uvm_pool。这一步实质上为m_rsc数组中的键值对添加了key。随后，生成联合数组的value，即uvm_pool。这个过程确保了set到的位置和内容根据uvm_component的层级和执行顺序进行优先级替换。

       总结而言，通过uvm_config_db的set函数，我们能够将变量设置到m_rsc数组中。这个数组是静态的，意味着通过uvm_config_db类的任何实例都可以访问。设置过程已经包含了优先级判断，因此，数据被安全地存储和更新。

       接下来，我们将讨论get函数。其工作原理相对简单，主要是在m_rsc数组中查找并返回对应的值。此外，exists和wait_modified函数负责处理m_rsc数组中键值对的存在性和状态判断，用于进一步的逻辑操作。

       为了更直观地理解uvm_config_db的set和get过程，我们参考了cluelogic中的图示。通过这些图示，我们能够清晰地看到在env和agent层次上执行set和get操作的过程。

       最后，参考UVM Tutorial for Candy Lovers - . Configuration Database，读者可以进一步深入了解uvm_config_db的具体应用和最佳实践，以增强对配置数据库的理解和使用能力。

从分析 SkyAPM-dotnet 源码学习现代 APM 探针设计理念（一）

       在后端软件行业的快速变迁中，从SOA到微服务、从业务一体化到中台战略、从虚拟化到云原生，技术更新速度日新月异。这种变革背后的核心动力在于硬件发展的瓶颈，促使行业转向追求软件的规模化效益。现代后端软件工程师面临的挑战之一是如何对服务性能有全面的理解，而APM（Application Performance Monitoring）工具成为了解决这一问题的关键。

       APM的基本构成包括指标性统计、分布式追踪和日志记录。指标性统计，如服务的吞吐量、成功率、流量等，是对单个指标或数据库的分析。分布式追踪则关注一次请求的全过程，从客户端发起到服务完成，甚至涉及业务流程，如商品订购流程，追踪请求的流转轨迹。日志记录则是程序运行过程中产生的信息收集，提供实时的事件记录。

       随着技术的发展，性能监控工具的使用变得越来越普遍。早期，开发人员可能需要自己构建监控系统，但这既耗时又费力。SkyWalking等APM系统应运而生，旨在简化性能监控的实现，减少重复工作。

       在SkyWalking中，dotnet探针的设计遵循核心规范。dotnet探针主要基于DiagnosticSource实现，这提供了一种消息的生产者消费者模型，使得事件可以在任意地方被接收。微软官方库中，如HttpContext、HttpClient、SqlClient等，都预留了性能打点，以捕获关键事件。第三方库如gRPC、CAP、SmartSql也提供了同样的功能。

       开发人员可以通过适配SkyWalking，为自己的库添加性能打点，即向DiagnosticSource发送事件信息。这涉及到创建自定义采集器，监听特定事件，并将数据发送到数据中心。

       探针的核心代码在于监听消息，其关键在于DiagnosticListener，它实现了消息的监听与数据的上报。监听的事件由特定的Processor负责处理，这些Processor实现了ITracingDiagnosticProcessor接口，具体负责数据的收集与转换。

       两个有代表性的Processor示例展示了如何实现这一过程。一个针对AspNetCore请求管线，监听并收集请求相关的事件；另一个是针对System.Net下的通用httpclient，同样监听特定事件，以构建完整的请求上下文，并生成标准的tracing信息。

       通过安装SkyWalking并加入探针，后端服务的性能数据将被收集并上传至OAP平台进行分析，最终提供直观的APM信息。这一过程不仅简化了性能监控的实施，还极大地提高了数据分析的效率与准确性。建议读者亲自尝试安装SkyWalking，体验探针在实际服务中的应用。