ios bugly如何定位崩溃

本文介绍了一种使用二进制地址信息定位iOS应用崩溃位置的方法。通过将二进制地址转换为16进制,结合otool和dwarfdump工具,最终精确到发生崩溃的具体代码行。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

ios接了bugly,可是崩溃的时候显示的都是二进制的地址信息,无法定位问题,可是bugly的符号表上传工具总是上传失败,怎么办呢?今天摸索出一个新的办法。

 如图,怎么定位上面的崩溃发生在代码的哪一行呢?

首先,238788是地址偏移量,这个是二进制数字,我们先转换到16进制,为0x3A4C4。

接着,获取符号表TEXT段的起始地址,通过otool命令获取

需要找到对应上线包的dsym所在路径,在xcode-window-Organizer里面对应的Archives上面右键show in finder就可以看到

otool -l project.app.dSYM/Contents/Resources/DWARF/project

崩溃地址=起始地址+偏移地址,即0x0000000100000000+0x3A4C4=0x10003A4C4

最后,通过dwarfdump命令找到崩溃的代码行

dwarfdump --arch=arm64 --lookup 十六进制崩溃地址  project.app.dSYM/Contents/Resources/DWARF/project

--arch在bugly崩溃信息的其他信息里可以看到App Arch: arm64

 

 最后一行可以看到,是对应文件的64行发生了崩溃,定位完毕

### 大模型对齐微调DPO方法详解 #### DPO简介 直接偏好优化(Direct Preference Optimization, DPO)是一种用于改进大型语言模型行为的技术,该技术通过结合奖励模型训练和强化学习来提升训练效率与稳定性[^1]。 #### 实现机制 DPO的核心在于它能够依据人类反馈调整模型输出的概率分布。具体来说,当给定一对候选响应时,DPO试图使更受偏好的那个选项具有更高的生成概率。这种方法不仅简化了传统强化学习所需的复杂环境设置,而且显著增强了模型对于多样化指令的理解能力和执行精度[^2]。 #### PAI平台上的实践指南 为了便于开发者实施这一先进理念,在PAI-QuickStart框架下提供了详尽的操作手册。这份文档覆盖了从环境配置直至完成整个微调流程所需的一切细节,包括但不限于数据准备、参数设定以及性能评估等方面的内容。尤其值得注意的是,针对阿里云最新发布的开源LLM——Qwen2系列,文中给出了具体的实例说明,使得即使是初次接触此类工作的用户也能顺利上手。 ```python from transformers import AutoModelForCausalLM, Trainer, TrainingArguments model_name_or_path = "qwen-model-name" tokenizer_name = model_name_or_path training_args = TrainingArguments( output_dir="./results", per_device_train_batch_size=8, num_train_epochs=3, ) trainer = Trainer( model_init=lambda: AutoModelForCausalLM.from_pretrained(model_name_or_path), args=training_args, train_dataset=train_dataset, ) # 假设已经定义好了train_dataset trainer.train() ``` 这段代码片段展示了如何使用Hugging Face库加载预训练模型并对其进行微调的过程。虽然这里展示的例子并不完全对应于DPO的具体实现方式,但它提供了一个基础模板供进一步定制化开发之用[^3]。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值