深入 Python —— 切片（Slice）原理

       在深入探讨 Python 切片原理之前，电影电影我们先检验一下对切片的源码源码用基本理解。请尝试回答以下几个问题：

       不借助Python解释器，切片切片能迅速给出答案的电影电影，说明你对切片掌握得不错。源码源码用许多人可能对其中一个问题不完全确定。切片切片android相册源码没关系，电影电影本文将从底层实现角度全面掌握切片机制，源码源码用学完之后，切片切片再回头来看这些问题就不再是电影电影难题。

       让我们从字节码层面开始。源码源码用这段字节码分为两部分，切片切片前半部分构建列表 a，电影电影后半部分通过 a 切片得到列表 b。源码源码用与本文主题相关的切片切片关键字节码指令在后半部分，它们是：

       BUILD_SLICE

       在执行 BUILD_SLICE 之前，解释器将切片的两个关键参数 start 和 stop 压入栈，然后执行 BUILD_SLICE 指令。传入参数为 2，这意味着构建的切片对象只包含两个参数，即没有指定第三个参数 step。

       这段代码简明，首先根据传入参数个数判断切片是否包含 step，如果有，它会成为最后一个被压入栈的参数。接下来，从栈中取出 start 和 stop，并将这三个参数传入 PySlice_New 函数创建切片对象，斐讯 源码再将此对象放回栈中。

       现在，让我们进一步探索切片对象的内部结构：

       现在明白了吗？当我们对序列进行切片时，解释器会根据传入的 start、stop、step 创建切片对象，该对象与要切片的原序列之间没有直接关联。

       Python 提供内置函数 slice 来创建切片对象：

       这两种获取切片方式等价：

       BINARY_SUBSCR

       这个指令称为二元下标，即 a[0] 的方式是一元下标。那么，通过切片对象对序列进行切片与通过索引对序列取值是否有关联？继续查看源码：

       从栈中取出的对象是前面构建的切片对象，而 container 对象则是要切片的原列表，它们被传给了 PyObject_GetItem 函数。

       答案显而易见，二元下标即切片通过 PyObject_GetItem 函数处理，它同样用于处理一元下标！

       PyObject_GetItem 实现了多态性，根据要切片的对象不同，调用对象的特定函数以进行不同的处理。列表的处理将在后续讨论，现在我们需要理解，序列的下标可以是整数或切片对象，它们的处理接口相同。

       切片参数的处理涉及 start、stop 和 step 的值，这些值可以是整数，可以是订单源码破解负数，start 和 stop 可能超过列表长度。特殊 step、stop 值决定了切片结果，这些处理在 PySlice_GetIndicesEx 函数中完成。理解切片行为的核心在于理解这个函数的逻辑。

       记住以下几点：

       深入列表切片处理：

       切片适用于所有序列对象：列表、字符串、元组。我们日常最常使用的列表切片就在这里进行深入探讨，其他两种处理方式也类似。

       通过查看列表对象源码，我们发现， o->ob_type->tp_as_mapping->mp_subscript 和 list.__getitem__ 指向同一个函数——list_subscript，列表切片正是在这里处理的：

       其中的 list_slice 函数在 step 等于 1 时简化版：

       总结：

       本文从源码层面深入分析了切片对象、对 start、stop、step 值的处理，以及虚拟机生成列表切片的全过程。理解 Python 对 start、stop、step 的处理逻辑后，文章开始处的问题将不再能给出答案。

SRS(simple-rtmp-server)流媒体服务器源码分析--HLS切片

       SRS流媒体服务器支持rtmp和hls协议，满足PC和移动端直播需求。

       .m3u8文件作为播放控制文件，记录地址与播放参数；.ts文件存储视频内容。

       SRS源码中，linux 实例源码HLS处理框架在RTMP消息处理后执行。重点关注的是HLS切片处理。

       进入on_video()函数，主要执行以下步骤：

       1. 获取并处理H编码信息SPS和PPS。

       2. 检测视频压缩编码格式为H，否则退出。

       3. 执行RTMP抖动矫正（具体操作略）。

       4. 进行HLS切片处理。

       HLS切片处理涉及两个主要部分：

       1. 首次或.ts文件时间溢出时，执行reap_segment()函数，负责.m3u8和.ts文件的创建、打开与关闭。.m3u8文件在ts文件写入完成后，一次性写入播放参数等信息。

       2. 其他时间，直接进入flush_video()函数，负责ts流编码与.ts文件写入。

       ts流编码包含多个步骤：根据音视频类型获取PID、TS编码、PAT帧与PMT帧（TS流前两个包）以及音视频数据编码。

       总结：SRS源码中的HLS处理流程覆盖了.m3u8与.ts文件的管理、编码与切片，确保了视频流的正确播放。

       学习资源：可查阅相关教程与文章，了解FFmpeg/WebRTC/RTMP/NDK/Android音视频流媒体开发的高级知识。

       学习地址：[学习地址]

Cesium地形切片--CTB(cesium-terrain-builder)填坑指南

       面临全中国Cesium地形数据制作需求，原计划使用cesiumlab进行操作，php汇报 源码但处理数千张DEM数据时，面临性能和数据管理问题，导致项目效率低下。

       随后发现CTB（cesium-terrain-builder）工具，能有效提升处理速度，且不占用个人办公资源，便于数据处理与后期发布。然而，使用过程中遇到编译问题，GDAL环境部署后，CTB的cmake编译不通过，经排查后发现是GDAL版本与CTB需求不符，调整至GDAL-2.4.4后，问题解决。

       在验证CTB使用效果时，发现cesium无法直接使用CTB输出的gzip压缩地形文件，为了解决瓦片压缩问题，通过修改CTB源代码，将CTBZFileOutputStream改为CTBFileOutputStream，完成对输出文件格式的调整，使cesium能直接利用输出结果进行数据展示。

       对于多数据同时处理问题，采用Python脚本按顺序处理文件夹下数据，并结合GDAL生成虚拟数据集（vrt）的方法，以简化层.json文件的合并过程，提升工作效率。最终，通过此方案，不仅成功解决了技术难题，还有效提升了项目处理效率，实现自动化与标准化流程。

DEM数字高程数据切片Cesium

       在处理DEM数字高程数据切片时，首要解决的环境问题涉及基础环境配置、GDAL版本选择与错误处理。确保使用官方推荐的GDAL版本（2.2），遵循正确顺序安装依赖（sqlite3、tiff、proj），避免遇到如FlushCache override错误等问题。服务代理设置中，需注意GZIP压缩可能导致的RangError错误，推荐不修改源码，以保持性能稳定。

       在Cesium场景中加载地形时，通过获取DEM数据、安装切片工具（CTB）并发布服务的流程实现。对于获取DEM数据，推荐使用地理空间数据云，提供国内米精度的数字高程信息。Cesium-terrain-builder作为切片工具，适配Cesium需求，支持加载切片成果至Cesium场景中。

       对于小白用户，采用Docker容器安装Cesium-terrain-builder更为便捷，确保版本与仓库分支（master-quantized-mesh）匹配，支持Cesium两种地形格式。安装前，需确保基础环境（如Debian最小环境）与工具准备（版本选择为3.4.2，避免更新至3.8引发错误）。

       源码安装时，下载最新源码后需切换至特定分支或应用PR以确保兼容性。编译正式切片服务时，配置响应头中GZIP以优化数据传输。同时，处理跨域访问问题，确保CORS设置，以实现服务的广泛可用性。

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，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。