QT6 源（20）：宏 Q_LIKELY(expr) = __builtin_expect(!!(expr), true)

最新推荐文章于 2025-12-01 13:38:27 发布
原创 最新推荐文章于 2025-12-01 13:38:27 发布 · 147 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#qt

（1）
在这里插入图片描述
在这里插入图片描述

++ 翻译：

提示编译器，所包围的条件 expr 很可能评估为 true。使用此宏可以帮助编译器对代码进行优化
（2）

谢谢

gcc: builtin函数: __builtin_unreachable __builtin_constant_p；__atomic_load_n
mzhan017的博客
11-20 1927
gcc 内建函数汇总
Qt之提高程序维护性（断言）
Black_Silencer的博客
05-13 730
最简单的Q_ASSERT #include <QtGlobal> int divide(int a, int b) { Q_ASSERT(b != 0); return a / b; } Q_ASSERT 有个缺点，就是定位程序致命错误的，一旦发生，程序就无法运行。意味着程序不能正常运行。对于不是致命错误如何进行快速定位呢？那就自定义断言 实现一个 #pragma once namespace Utils { void writeAssertLo
qt相关宏
cai742925624的专栏
12-05 516
qt相关宏
Qt之QMutexLocker解读
luozhibin_code的博客
10-16 5155
Qt之QMutexLocker解读 Qt帮助文档关于QMutexLocker的说明 QMutexLocker类用途说明 QMutexLocker是一个非常方便的类，用于简化加锁和解锁的互斥锁 该类中的所有函数均为线程安全 QMutexLocker类的成员函数 构造函数：QMutexLocker(QMutex *mutex) 析构函数：~QMutexLocker() 析构并将已加锁的Mute...
Qt对编译器的识别
一个人，在路上
12-25 7221
/**************************************************************************** ** ** Copyright (C) 2013 Digia Plc and/or its subsidiary(-ies). ** Copyright (C) 2012 Intel Corporation ** Contact: ht
【QT】Qt Compiler Detection（编译）
Making Life Better. Making Others Better.
08-08 6141
1、Compiler&GNUQt是跨平台的，从下面的编译配置选项（宏）中可以看出Qt支持的编译环境。// qcompilerdetection.h /* The compiler, must be one of: (Q_CC_x) SYM - Digital Mars C/C++ (used to be Symantec C++) MSVC - Micros
【Linux】gcc中__builtin_expect的作用
weixin_28925169的博客
09-04 416
引入代码学习的时候，遇到了__builtin_expect这个之前从来没有遇到过的东西，网上搜了一下，发现纯C语言实现的GCD（Grand Central Dispatch）中就有定义过这个宏登录后复制 #define _safe_cast_to_long(x) \ ({ _Static_assert(s...
关于__builtin_expect的理解
Tracytang97的博客
02-05 463
在代码中经常看到LIKELY和UNLIKELY这样的宏，查看它们的定义如下，可以发现想要弄懂这两个宏的含义，就是要明白 __builtin_expect 的意思 #define LIKELY(expr) (__builtin_expect (!!(expr), 1)) #define UNLIKELY(expr) (__builtin_expect (!!(expr), 0)) 网上也有很多关于 __builtin_expect 的介绍，我还是直白一点吧，就是在代码中不论是碰到LIKELY(expr)
C++编译期优化 ---分支预计__builtin_expect
weixin_43868793的博客
02-11 287
在编写程序逻辑的时候，使用了大量的if-else 分支，为了程序尽可能的高效运行，会考虑把可能性更高的条件写在前面，这样程序的平均运行时间会更短。,这是告诉编译器expr为真的可能性更大，编译后这个分支会在前面。,这是告诉编译器expr为真的可能性很小，编译后这个分支会在后面。这是c/c++中表达式转成bool类型的一种技巧，这一分支在编译成汇编时会放在后面，会优先判断。gcc提供了一种方式，可以让编译器自行优化。
__builtin_expect 解惑
croop520的专栏
02-26 690
转载自：https://my.oschina.net/moooofly/blog/175019最近看 GLib 的代码遇到这个东东，网上搜索一圈，发现很多人都写过这个，自己今天才研究到，汗颜一下，扫盲一个点，留此记录为证！ 首先看一篇最官方的讲解： ====== likely() and unlikely() What are they ?       In Linux kernel code, ...
if (__builtin_expect(dataLength != 66, 0)) { // __builtin_expect 告诉编译器这是异常分支 deleteFrontItem(queue, offset + 1); return ERROR; }
10-22
- `__builtin_expect(expr, expected_value)` 是 GCC 的一个内置宏，用于告诉编译器某个条件表达式的**期望值**，以便生成更高效的指令顺序（比如将“热路径”放在前面）。 - 语法：`__builtin_expect(expression, ...
gcc: builtin函数
07-22
#define likely(x) __builtin_expect(!!(x), 1) #define unlikely(x) __builtin_expect(!!(x), 0) if (likely(condition)) { // 预期为真的分支 } else { // 预期为假的分支 } ``` 通过这种方式，编译器会将更...
基于Qt5.14.2和mingw的Qt源码学习（五） — 事件循环之windows事件循环基础和控制台中的事件循环
coding-hwz
02-02 1935
基于Qt5.14.2和mingw的Qt源码学习（五） — 事件循环之windows事件循环基础和控制台中的事件循环
Qt AFSim雷达探测显示
雨田哥的博客
11-29 844
本文介绍了基于Qt框架实现的AFSim雷达探测范围显示功能。该系统通过GraphicsSensorCoverageItem类在战术地图上可视化显示雷达传感器的探测区域，采用扇形区域表示波束覆盖范围。核心功能包括：支持多传感器、多波束显示；根据平台航向自动调整方向；比例尺自适应缩放；半透明显示不遮挡地图元素。系统基于EntityData数据结构管理平台和传感器信息，包含Sensor、SensorMode、Beam等层级结构，完整描述雷达探测参数。关键技术涉及Qt图形绘制、坐标转换和路径合并，适用于战术仿真系统
Qt 多线程
weixin_45598837的博客
11-29 679
Qt多线程 正点原子
qt使用osg显示pcd点云的例子
xhamigua
11-29 210
qt使用osg显示pcd点云的例子
Qt分类下拉框（SectionComboBox）的实现
u011186532的专栏
11-30 59
本文介绍了一个基于QComboBox改进的分类下拉框控件SectionComboBox的实现方法。该控件通过在标准QComboBox基础上继承扩展，使用QStandardItemModel作为数据容器，并采用事件过滤技术实现分类标题行的特殊处理。关键特性包括：分类标题行显示为禁用状态且不可选中，鼠标和键盘事件自动跳过分类行，支持为选项添加额外数据，并能查询选项所属分类。通过重写showPopup方法和事件过滤器，实现了分类行的视觉区分和交互控制，提升了大量数据项的组织性和用户体验。
Qt 6 详细介绍
2301_76542477的博客
11-30 694
Qt6是新一代跨平台C++开发框架，提供完整的GUI和应用开发解决方案。其核心优势包括：模块化架构（QtCore/QtWidgets/QtQuick等）、多平台支持（Windows/macOS/Linux/移动端）、高性能RHI图形渲染引擎、现代化的QML界面开发方式，以及信号槽机制等特色功能。相比Qt5，Qt6在图形性能、QML引擎和多媒体支持等方面有显著提升。适用于桌面软件、嵌入式系统、Web混合应用等多种场景，是目前跨平台开发的优选方案。学习路线建议从基础模块入手，逐步掌握UI开发、数据处理和部署打包
【Qt】OpenGL渲染框架
最新发布
weixin_47564581的博客
12-01 879
本文介绍了一个基于Qt和OpenGL 3.3 Core Profile的轻量级3D渲染框架。该框架实现了坐标轴显示、OBJ模型导入与管理、鼠标交互操作和基础颜色配置功能。文章详细阐述了OpenGL核心流程，包括初始化配置、着色器程序编写、VAO/VBO机制以及渲染循环实现。重点讲解了关键OpenGL API的使用方法，如资源创建、状态绑定和数据上传等操作。框架采用模块化设计，将渲染核心、坐标轴模块、模型数据管理和交互系统分离，展示了现代OpenGL在Qt环境下的基本应用模式。
(abinet) D:\Desktop\ABINet-main>python main.py --config=configs/train_abinet.yaml D:\Anaconda\envs\abinet\lib\site-packages\fastai\imports\core.py:29: UserWarning: pkg_resources is deprecated as an API. See https://setuptools.pypa.io/en/latest/pkg_resources.html. The pkg_resources package is slated for removal as early as 2025-11-30. Refrain from using this package or pin to Setuptools<81. import pkg_resources D:\Anaconda\envs\abinet\lib\site-packages\torchvision\io\image.py:13: UserWarning: Failed to load image Python extension: [WinError 127] 找不到指定的程序。 warn(f"Failed to load image Python extension: {e}") [2025-09-26 17:01:10,888 main.py:215 INFO train-abinet] ModelConfig( (0): dataset_case_sensitive = False (1): dataset_charset_path = data/charset_36.txt (2): dataset_data_aug = True (3): dataset_eval_case_sensitive = False (4): dataset_image_height = 32 (5): dataset_image_width = 128 (6): dataset_max_length = 25 (7): dataset_multiscales = False (8): dataset_num_workers = 14 (9): dataset_one_hot_y = True (10): dataset_pin_memory = True (11): dataset_smooth_factor = 0.1 (12): dataset_smooth_label = False (13): dataset_test_batch_size = 384 (14): dataset_test_roots = ['data/evaluation/IIIT5k_3000', 'data/evaluation/SVT', 'data/evaluation/SVTP', 'data/evaluation/IC13_857', 'data/evaluation/IC15_1811', 'data/evaluation/CUTE80'] (15): dataset_train_batch_size = 384 (16): dataset_train_roots = ['data/training/MJ/MJ_train/', 'data/training/MJ/MJ_test/', 'data/training/MJ/MJ_valid/', 'data/training/ST'] (17): dataset_use_sm = False (18): global_name = train-abinet (19): global_phase = train (20): global_seed = None (21): global_stage = train-super (22): global_workdir = workdir\train-abinet (23): model_alignment_loss_weight = 1.0 (24): model_checkpoint = None (25): model_ensemble = (26): model_iter_size = 3 (27): model_language_checkpoint = workdir/pretrain-language-model/pretrain-language-model.pth (28): model_language_detach = True (29): model_language_loss_weight = 1.0 (30): model_language_num_layers = 4 (31): model_language_use_self_attn = False (32): model_name = modules.model_abinet_iter.ABINetIterModel (33): model_strict = True (34): model_use_vision = False (35): model_vision_attention = position (36): model_vision_backbone = transformer (37): model_vision_backbone_ln = 3 (38): model_vision_checkpoint = workdir/pretrain-vision-model/best-pretrain-vision-model.pth (39): model_vision_loss_weight = 1.0 (40): optimizer_args_betas = (0.9, 0.999) (41): optimizer_bn_wd = False (42): optimizer_clip_grad = 20 (43): optimizer_lr = 0.0001 (44): optimizer_scheduler_gamma = 0.1 (45): optimizer_scheduler_periods = [6, 4] (46): optimizer_true_wd = False (47): optimizer_type = Adam (48): optimizer_wd = 0.0 (49): training_epochs = 10 (50): training_eval_iters = 3000 (51): training_save_iters = 3000 (52): training_show_iters = 50 (53): training_start_iters = 0 (54): training_stats_iters = 100000 ) [2025-09-26 17:01:10,890 main.py:222 INFO train-abinet] Construct dataset. [2025-09-26 17:01:10,895 main.py:92 INFO train-abinet] 15895356 training items found. [2025-09-26 17:01:10,895 main.py:94 INFO train-abinet] 7248 valid items found. [2025-09-26 17:01:10,895 main.py:226 INFO train-abinet] Construct model. [2025-09-26 17:01:11,029 model_vision.py:37 INFO train-abinet] Read vision model from workdir/pretrain-vision-model/best-pretrain-vision-model.pth. Traceback (most recent call last): File "D:\Desktop\ABINet-main\main.py", line 246, in <module> main() File "D:\Desktop\ABINet-main\main.py", line 227, in main model = _get_model(config) File "D:\Desktop\ABINet-main\main.py", line 103, in _get_model model = cls(config) File "D:\Desktop\ABINet-main\modules\model_abinet_iter.py", line 15, in __init__ self.vision = BaseVision(config) File "D:\Desktop\ABINet-main\modules\model_vision.py", line 38, in __init__ self.load(config.model_vision_checkpoint) File "D:\Desktop\ABINet-main\modules\model.py", line 19, in load state = torch.load(source, map_location=device) File "D:\Anaconda\envs\abinet\lib\site-packages\torch\serialization.py", line 1553, in load raise pickle.UnpicklingError(_get_wo_message(str(e))) from None _pickle.UnpicklingError: Weights only load failed. This file can still be loaded, to do so you have two options, do those steps only if you trust the source of the checkpoint. (1) In PyTorch 2.6, we changed the default value of the `weights_only` argument in `torch.load` from `False` to `True`. Re-running `torch.load` with `weights_only` set to `False` will likely succeed, but it can result in arbitrary code execution. Do it only if you got the file from a trusted source. (2) Alternatively, to load with `weights_only=True` please check the recommended steps in the following error message. WeightsUnpickler error: Unsupported global: GLOBAL numpy.core.multiarray.scalar was not an allowed global by default. Please use `torch.serialization.add_safe_globals([numpy.core.multiarray.scalar])` or the `torch.serialization.safe_globals([numpy.core.multiarray.scalar])` context manager to allowlist this global if you trust this class/function. Check the documentation of torch.load to learn more about types accepted by default with weights_only https://pytorch.org/docs/stable/generated/torch.load.html. 这是什么问题
09-27
weights = pickle.load(f, encoding='bytes', fix_imports=True) ``` #### 步骤5：重建虚拟环境 若上述无效，重建虚拟环境： ```bash conda create -n abinet_new python=3.8 conda activate abinet_new pip ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

zhangzhangkeji

谢谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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