weixin_43752269的博客

原创 Rust 编译优化选项

这样你可以在性能测试时仍保留符号信息，便于使用perf或flamegraph分析性能瓶颈。在大型工程中，自定义 Profile 能显著简化构建流程，使得性能优化与调试更加灵活。Rust 的编译优化选项，是连接“安全”与“性能”的桥梁。计算密集型应用嵌入式或体积敏感场景通用服务器端应用同时，Rust 的优化体系是渐进式的：你可以先通过 PGO（Profile-Guided Optimization）采样运行数据，再结合 LTO 与硬件特性调优，以实现“全流程优化闭环”。一句话总结。

原创 Rust Profile-Guided Optimization 实践

PGO 是 Rust 性能优化中一项“低频但高效”的武器。长生命周期、性能关键的后端服务；数据规模和访问模式稳定的计算任务；对启动时间或 CPU 占用率有严格要求的程序。采样阶段的运行场景要尽量接近真实负载，否则优化方向可能偏离；对快速迭代的项目，PGO 的维护成本较高；并非所有程序都能从 PGO 中获益，I/O 密集型应用效果有限。一句话总结：PGO 让编译器“用数据指导优化”，是 Rust 性能调优中真正让“编译器变聪明”的一步。

原创 Rust SIMD指令优化

Rust 通过std::arch和std::simd为 SIMD 编程提供了强大的底层控制与安全封装能力。与 C/C++ 的内联汇编不同，Rust 的 SIMD 编程仍保持了类型安全与内存安全的特性。在性能敏感场景（如科学计算、图像处理、深度学习推理、加密算法等），合理利用 SIMD 能带来数量级的性能提升。但同时，开发者也需权衡复杂度、可读性与跨平台兼容性。一句话总结：Rust 的 SIMD 编程，不只是性能的加速器，更是对系统性能与安全边界的精准掌控。

原创 Rust 内存对齐与缓存友好设计

内存对齐和缓存友好设计是 Rust 高性能编程的基石。通过深入理解硬件特性,合理使用 Rust 的类型系统和内存管理能力,我们可以编写出既安全又高效的代码。关键在于根据实际访问模式选择合适的数据布局,在内存占用和访问效率之间找到平衡点。这需要测量、分析和持续迭代,但回报是实实在在的性能提升。

原创 Rust 中的枚举与结构体

结构体和枚举是 Rust 类型系统的基石，它们各自表达不同的数据语义——结构体表达"并且"，枚举表达"或者"。通过合理使用这两种类型，我们可以在编译时精确表达业务逻辑，让类型系统帮助我们捕获错误。掌握结构体和枚举的深层机制，理解它们与模式匹配、所有权系统的结合，是编写高质量 Rust 代码的必经之路。

原创 Rust 中的方法与关联函数

方法和关联函数是 Rust 提供面向对象风格编程的核心机制。通过self参数的不同形式，方法精确表达了对实例的访问语义；通过关联函数，类型获得了命名空间和多样的构造方式。这些特性与 Rust 的所有权系统、trait 系统深度整合，提供了既安全又灵活的抽象能力。掌握方法和关联函数的设计模式，是编写符合 Rust 习惯的代码的重要一步。

原创 Rust 中的 trait 定义与实现

trait 是 Rust 类型系统的核心抽象机制，它通过定义行为而非继承关系实现多态和代码复用。通过默认实现、trait 约束、关联类型等特性，trait 提供了强大而灵活的抽象能力。理解 trait 的设计哲学和实现机制，是掌握 Rust 泛型编程、理解标准库、设计优雅 API 的基础。

原创 Rust 泛型参数的实践与思考

Rust 的泛型系统是一个精心设计的整体，它通过零成本抽象、trait bounds、生命周期参数和型变规则的配合，实现了类型安全与性能的完美平衡。掌握泛型需要理解编译器的单态化过程、借用检查器的工作原理，以及类型系统的各种约束机制。在实践中，好的泛型设计应该遵循"让不正确的代码无法编译"的原则。通过精确的 trait bounds 和生命周期标注，我们可以在编译期捕获大量潜在错误。同时，要避免过度泛型化——并非所有代码都需要泛型，保持简单性和可读性同样重要。

原创 Rust 闭包：定义、捕获(深入理解)

闭包是一种匿名函数，可以捕获其定义时上下文中的变量。println!// 输出 5与普通函数不同，闭包可以隐式推导参数与返回值类型，这种灵活性让它在迭代器链、并发任务或回调函数中更自然。编译器会为每一个闭包自动生成一个结构体类型，用来存储它捕获的变量。不捕获任何变量的闭包实现Fn；可变捕获的闭包实现FnMut；通过移动捕获的闭包实现FnOnce。Rust 的闭包不仅仅是“匿名函数”，它体现了 Rust 在所有权安全、类型推断与性能控制之间的精妙平衡。

原创 Rust 中的注释与文档注释实践指南

注释与文档注释，是 Rust 代码质量的外在体现。普通注释记录“思考过程”，文档注释展示“设计结构”，两者共同构成了项目的知识基石。Rust 用工具化、系统化的方式，让注释不再是开发者的“良心工程”，而是一种被语言强制执行的质量保证。当我们在写下一行///时，不仅是在记录代码的功能，更是在为未来的自己与他人搭建理解的桥梁。

原创 Rust 依赖管理与版本控制

Rust 的依赖管理体系是现代软件工程理念的一个缩影。它不仅解决了版本混乱、依赖地狱等老问题，更通过语义化版本控制、可重现构建与模块化特性管理，实现了“安全升级”与“可预测演进”的理想状态。在 Rust 世界中，依赖管理不只是技术细节，而是一种工程信任机制。它让每一个都是一种契约——对代码质量、版本稳定与协作精神的共同承诺。

原创 Rust 深入理解 cargo build 的编译流程

看似一个简单命令，却是 Rust 工程化能力的缩影。它隐藏了复杂的依赖解析、类型系统与 LLVM 优化细节，让开发者专注于逻辑本身。理解其内部流程，不仅能帮助我们更好地优化编译性能，也能深入体会 Rust “安全、确定、高效”的设计理念。每一次执行，其实都是一次从语义到机器的完整旅程。

原创 Rust cargo run与cargo test命令

cargo run与cargo test并不仅仅是运行与测试的命令，更是 Rust 工程化体系的两大支柱。前者确保代码高效执行，后者保证逻辑可靠性。理解它们的工作机制，不只是掌握工具使用，更是理解 Rust 如何在语言层面实现“从源码到可验证软件”的闭环过程。这种一体化的理念，是 Rust 在现代系统编程语言中脱颖而出的根本原因之一。

原创 Rust Workspace 构建多项目体系

Rust 的 Workspace 并不只是管理多个 crate 的手段，而是 Rust 工程化理念的体现——通过显式的结构化组织，实现可靠、可重现的系统构建。无论是个人项目还是企业级工程，Workspace 都能在项目演化过程中提供清晰的边界与高效的协作基础。它让我们从“编译一个程序”走向“管理一个系统”，这正是现代软件工程的核心方向。在掌握 Workspace 之后，Rust 不再只是一个语言，而成为一个可以支撑大型生态协同开发的完整工程平台。

原创 Rust 中的控制流

Rust 的控制流设计将传统的控制结构提升到了新的高度。通过将控制流设计为表达式、与所有权系统深度整合、提供丰富的迭代器抽象，Rust 在保持代码清晰性的同时提供了强大的表达能力和安全保证。理解这些控制流结构的深层机制，是编写地道 Rust 代码的基础，也是充分利用语言特性的关键。

原创 仓颉的设计基石：静态类型系统理念探析

静态类型的另一个巨大优势是性能。因为编译器在编译时就“知道”了所有数据的类型、大小和内存布局，它才能进行激进的优化（如内联、寄存器分配、消除动态派发）。仓颉追求的不是“抽象”，而是“零成本抽象这意味着我们编写高层抽象代码（如泛型、接口）时，不应该比手写底层的、具体实现的代码有任何运行时性能损失。当仓颉（推测）使用泛型List<T>时，如果T是一个struct（值类型），编译器很可能会采用**泛型特化（Momorphization）**。和List<Int>在编译后，会被生成为两份不同。

原创 仓颉：Result 类型的错误处理模式

Result类型在仓颉中的应用，是一种深刻的编程范式革命。**显式化* API 签名必须“诚实”地反映所有可能的失败。错误不再是模糊的字符串或Exception，而是可被match的精确类型。通过?mapandThen，错误处理被无缝地编织进了业务逻辑的数据流中。在仓颉中，**错误处理不再是“事补”，而是“先验设计”**。这，就是构建“永不崩溃”的健壮系统的真正秘诀。加油！掌握了Result，你就掌握了仓JG仓颉安全编程的另一半江山！💪。

原创 仓颉：内存布局优化技巧

仓颉作为一门着眼于未来的语言，它对内存布局的控制必然是深刻且安全的。它通过struct提供了数据局部性的基础，通过类型系统支撑了 SoA 这种高级模式，并通过Layout和Align等注解，提供了在专家手中解决 C FFI 和并发难题的“手术刀”。掌握这些技巧，真正做到“与硬件共鸣”（Mechanical Sympathy），是仓颉开发者从“能用”走向“精通”的必经之路。

原创 仓颉的空安全基石：Option类型的设计与实践

Option<T>Option类型是仓颉（推测）空安全设计的核心。它绝不仅仅是一个“工具类”，而是一种设计思想的转变**明确性： 它强迫开发者在 API 层面就思考“值是否可能缺失”。它将“空指针”这个运行时炸弹，转变成了“None未处理”这个编译期错误。它通过mapandThen等 API，提供了强大而优雅的组合能力，让代码在处理复杂逻辑时依然保持极高的可读性和健壮性。在仓颉的世界里，我们不再需要战战兢兢地“防御”null；我们只需要相信编译器，它会引导我们写出绝对安全的代码。

原创 仓颉技术探析：Union 类型的定义与应用实践

大家好！在探索仓颉语言特性的过程中，我们经常讨论它如何提升代码的安全性和表达力。今天，我们要深入探讨一个在我看来极具革命性的特性——Union 类型（联合类型）。在很多传统语言中，当我们想表达一个变量“可能是这几种类型之一”时，往往只能退而求其次：使用一个共同的父类、一个标记接口，甚至是万能的ObjectAny类型。过于僵化，需要设计一个（有时并不存在的）“共同基类”。仅是标记，无法携带“类型信息”，仍然需要丑陋的instanceof和强制类型转换。Any。

原创 仓颉并发编程：Actor模型实现机制探析

简单回顾一下，Actor 模型的核心思想是“万物皆 Actor”。Actor 内部维护私有状态，外界绝对无法直接访问。Actor 之间通过异步发送消息进行通信，消息被放入接收方的邮箱队列中。Actor 依次处理邮箱中的消息，并根据消息内容更新自己的状态或向其他 Actor 发送新消息。无共享状态，自然无竞态条件。仓颉通过actor关键字，提供了一个远超“语法糖”的并发模型。它是一个由编译器静态保障和运行时高效调度共同构成的完整体系：1.通过严格的状态隔离检查，将并发错误在编译期就彻底消除。2.

原创 Rust：借用检查器（Borrow Checker）的机制与实战

借用检查器曾被戏称为"编译器的暴君"（The Borrow Checker Tyrant），因为它会无情地拒绝任何不符合规则的代码。但随着 NLL 和未来 Polonius 的引入，它正在变得越来越智能、越来越"善解人意"。更重要的是，理解借用检查器的工作原理，不仅能让我们写出更好的 Rust 代码，还能让我们更深刻地理解"内存安全"和"并发安全"的本质。它不是在限制我们，而是在编译期就帮我们消灭了那些可能在运行时引发灾难的 bug。将痛苦前置到编译期，换取运行时的绝对安心。

原创 Rust 深度解读：Rc 与 Arc 引用计数机制的权衡与实战

Rc和Arc是 Rust 在"单一所有权"之外提供的"共享所有权"工具。它们通过引用计数机制，让多个所有者可以安全地共享同一份数据，同时保持 Rust 的内存安全承诺。运行时开销：引用计数需要在堆上分配额外的内存，并在每次克隆或释放时修改计数器。循环引用风险：开发者必须小心避免循环引用，或使用Weak<T>来打破循环。不可变性限制Rc<T>和Arc<T>默认只提供不可变访问，需要结合RefCellMutex实现内部可变性。

原创 Rust：借用分割 (Borrow Splitting)使用技巧与实战

借用分割（也常被称为“字段敏感的借用检查”）是 Rust 编译器的一项能力。它允许你在同一时间，对同一个struct的不同字段（Fields）进行独立的、互不干扰的借用。换句话说，编译器足够智能，它能够理解：即使你对进行了一个可变借用 (&mut)，你仍然可以安全地对进行一个不可变借用 ()，只要field_a和field_b是不相交 (disjoint)的。编译器不再是粗粒度地锁定整个struct，而是细粒度地分析到字段级别。

原创 Rust 语法糖：if let 与 while let 的深度解析与实战

if let和while let是 Rust 送给开发者的两颗"小而美"的语法糖。它们让单一分支的模式匹配变得简洁优雅，让状态驱动的循环逻辑变得清晰直观。通过深入理解它们的使用场景、与迭代器的边界、以及在并发中的应用，我们不仅能写出更简洁的代码，还能更深刻地领悟 Rust"专注、安全、高效"的设计美学。下次在写match时发现只关心一个分支，或者在用loop处理迭代时感到繁琐，不妨试试if let和while let——它们会让你的代码更加 Rusty！

原创 Rust 深度探索：匹配守卫 (Match Guards) 的精妙用法与所有权洞察

匹配守卫是在match的 的分支（arm）上附加的一个if条件语句。只有当pattern匹配成功并且if后面的condition(守卫) 表达式求值为true时，该分支才会被执行。("Found 7!🎉"),// 输出: Found 7!🎉匹配守卫 (Match Guards) 是 Rust 模式匹配工具箱中一把锋利的“解剖刀”。它允许我们在匹配“结构”的同时，优雅地附加“值”的逻辑判断。通过深入理解其**“先借用，后移动”**的所有权模型，我们不仅能写出更简洁、更扁平、可读性更高的match。

原创 2025年 VS Code远程连接Remote SSH错误(完美解决)

此外，在设置里要禁止VS Code的自动更新。以及插件里禁止Remote-SSH 的自动更新。安装旧版本VS Code，并安装旧版本Remote SSH插件 即可解决问题。通过上面步骤，就可以完美解决VS Code远程链接服务器报错的问题。希望微软尽快修复该问题，最新版的VS Code还是有很多功能的。（2）把 Remote-SSH 插件回退到 版本。版本VS Code客户端的链接。，这个版本比较稳定。

原创 pFedES: 模型异构个性化联邦学习中的通用代理特征提取器共享

原创 (论文阅读)FedIOD:基于输入-输出协同蒸馏的联邦学习

原创 (论文分享)-FLoRA:具有异构低秩自适应的联邦微调大型语言模型

原创 Overleaf编译超时，超出免费计划编译时限（已解决）

解决办法：选取快速(draft) 模式，即可成功编译出不带图片的文字版PDF，然后再更改为常规模式，重新编译即可完全显示带图片的完整版PDF。使用Overleaf进行论文修改时，突然遇到“您的编译超时，您的项目超过了我们的免费计划编译时限。

原创 （论文阅读）异构联邦学习综述：最新进展与研究挑战（武汉大学-叶茫）

题目：

原创 (论文分享)pFedClub：面向个性化联邦学习的可控异构模型聚合

原创 (手把手教你跑通)Faster-RCNN训练自定义COCO数据集(模型对比必备)

2.2 环境配置MMDetection是基于Pytorch框架实现的，需要安装torch。可以使用之前配置的YOLO环境， 除此之外，还需要安装，和2.3数据集准备MMDetection支持训练VOC和COCO两种格式数据集，我这里使用的是COCO格式。如果没有COCO格式数据集，可以参考这篇文章，将YOLO格式的数据集转化为COCO格式。[YOLO转COCO数据集]└─datasets└─COCO└─val2017├─002.jpg└─....jpg。

原创 (论文阅读)FedViT:边缘视觉转换器的联邦持续学习

(北京理工大学-2023年发表于《Future Generation Computer Systems》中科院二区)•提出一种轻量级的客户端联合持续学习方法。•通过将签名任务的知识整合到客户端上，防止灾难性遗忘。•减少负面知识转移，无需频繁与服务器通信。•理论上保证了我们方法更快的训练收敛。•适用于多任务、多客户端、多ViT的场景。

原创 Elsevier爱斯维尔期刊Latex模板使用APA标准格式参考文献

使用Elsevier爱斯维尔期刊Latex模板进行论文排版时，有些期刊需要用APA格式的Author-Year格式的参考文献，本文将教你如何设置才能正确使用APA格式的参考文献。其中reference代表reference.bib文件，里面存放的是本文所有的BibTex文本格式的参考文献。\citep{} 和 \cite{}有细微的区别，主要就是引用处括号的位置是否将作者括起来。其中，\citep{smith2020}代码表示插入smith2020这篇参考文献。3.结尾加入下面代码。

原创 (保姆级)Windows11安装GPU版本Pytorch2.3、CUDA12.6

可以看到我这个电脑CUDA版本是11.1，驱动版本是457.51，比较低，与最新的Pytorch不适配，因此需要安装高版本的驱动和CUDA。下滑找到V2.3.1或其他版本，如下图所示，找到Windows版本的，CUDA版本选择12.几的，复制这行命令。打开Anaconda Prompt，输入： nvidia-smi命令，查看目前电脑的驱动版本和CUDA版本。中可以查看不同CUDA版本对应的驱动版本，我这里安装CUDA12.6，最低的驱动版本是560.76。在命令行输入一下代码，正常输出内容即为安装成功。

原创 Jetson Xavier NX安装CUDA加速的OpenCV

我们使用SDKManager刷机完成后，使用jtop查看，发现OpenCV 是不带CUDA加速的，因此，我们需要安装CUDA加速的OpenCV，这样后续在使用的时候速度会快很多。

原创 Jetson Xavier NX 刷机SDKManager全流程(详细小白必看)

系统烧录完毕后，将SSD固态硬盘插入Jetson中，并将存储在eMMC中的系统迁移至SSD中，设置从SSD启动系统。在此过程中，弹出如下界面，忘记截图了，（找的网图），选择USB、其他都不需要改变，输入jetson的账户和密码即可。将jetson的跳线帽去掉，usb线继续连接虚拟机，打开sdkmanager，这次选择其他组件，不选择os。首先进入jetson刷机后的系统，找到disk磁盘工具，找到插入的ssd硬盘，格式化，然后进行分区。（2）之前板子有系统，但是系统有点旧，版本老，不适用于目前的主流模型。

原创 YOLOv11改进-添加自适应阈值焦点损失ATFL函数（解决类别不平衡）

焦点损失（Focal Loss）的核心思想是对那些容易分类的负样本减少损失权重，增强难分类样本的损失。ATFL扩展了这一机制，使得不同难度的样本能够根据自适应的阈值进行不同的损失加权，从而提高训练的效果。在数据中某些类别样本较少或较难分类时，ATFL会自动增强对这些类别的关注，从而改善模型的性能，特别是在目标检测、分类任务中应用时。：通过动态调整阈值，ATFL不仅可以减少对易分类样本的过度训练，还能加强对困难样本的训练，从而提升模型在难样本上的性能。添加完毕后，保存，正常进行训练即可调用ATFL损失。