1.做一个小程序大概多少钱?源码 - 知乎
2.从零开始构建向量数据库：Milvus 的源码编译安装（一）
3.主流的软件开发平台有哪些? - 知乎
4.在微软开源后,请问大家如何深入的学习C ? - 知乎
5.哪里可以找到app开源代码知乎
6.PyTorch源码学习系列 - 2. Tensor

做一个小程序大概多少钱? - 知乎

       在探索小程序制作成本时，我们需考虑到不同路径的管理成本差异。以下将对两种常见方式及其价格范围进行简要分析。知乎

       首先，源码自行开发代码并搭建服务器、管理注册域名等基础操作，知乎netty内存管理源码成本相对较高，源码涉及步骤繁多。管理此路径下，知乎开发者需具备较强的源码技术实力与细致的项目管理能力，同时承担起全部开发与维护工作。管理成本主要包括人力投入、知乎服务器租赁、源码域名注册等，管理具体金额因开发难度、知乎技术投入等因素而异。

       其次，选择使用成熟的呱呱赞小程序制作平台，提供零代码解决方案，适合常见功能小程序的快速搭建。这种方式简化了开发流程，通过平台提供的模板与功能组件，降低技术门槛与成本。相对成本较低，易于操作，适合预算有限、功能需求明确的用户。

       此外，购买正版源码与外包开发也是两种高成本选择。购买源码需关注版权问题，确保合法合规使用，714源码避免法律纠纷。外包开发则涉及与第三方团队的合作，项目管理与沟通成本较高，且费用相对较高。此路径适用于对功能定制度有较高要求、预算充足的用户。

       综上所述，小程序制作的成本范围广泛，从几千元到几十万元不等，具体取决于用户的技术实力、需求复杂度、预算与期望的定制化程度。明智地根据自身条件与需求选择合适方案，是实现高效、经济的小程序开发的关键。

从零开始构建向量数据库：Milvus 的源码编译安装（一）

       在知乎上新开了关于“向量数据库”内容的专栏[1]，本文将详细介绍如何在x和ARM架构的Linux系统上编译安装开源项目Milvus，这个项目由Linux Foundation AI & Data基金会支持，常与Weaviate和Elasticsearch相提并论[2][3]。

       由于Milvus主要在GitHub进行开发，中文网络中关于编译安装的教程很少，且大多是过时的1.x版本资料，而Milvus的版本迭代迅速，目前主要提供Docker容器安装，本地开发者或追求透明度的开发者可能会觉得不够友好。本文将从头开始，逐步引导你进行编译安装。

       前置准备

       在开始前，需要确保操作系统、开发环境和必要的finderweb源码依赖已经准备妥当。Linux作为主力生产环境，本文将重点介绍在Ubuntu上编译。macOS和Windows上的步骤类似，但这里主要针对Linux。

       操作系统

       推荐使用Ubuntu，无论是服务器、容器基础镜像，还是个人笔记本。具体配置和安装细节可以参考我在其他文章中介绍的《笔记本上搭建Linux学习环境》[6]。

       开发环境

       Milvus主要使用Golang编写，同时包含C++代码。确保Golang和C++环境可用，参考《搭建Golang开发环境》[8]，并注意Milvus官方推荐的版本。

       源码获取

       获取Milvus源码有两种方式：Git Clone或下载压缩包，其中Git Clone可能需要借助国内镜像加速。具体步骤包括设置代码仓库的上游，确保代码同步。

       编译基础依赖

       项目依赖OpenBLAS加速向量计算，详细安装步骤在《走进向量计算：OpenBLAS编译》[]中有详述。

       准备构建依赖：cmake

       确保cmake版本至少为3.，Ubuntu .需手动安装，而Ubuntu .可直接使用apt。不同版本可能有差异，注意官方文档推荐的版本。

       额外依赖：clang-format和clang-tidy

       项目代码中需要clang-format和clang-tidy，Ubuntu .和.的安装方式各有不同，务必安装正确版本以保持和官方构建一致。

       编译 Milvus

       切换到 Milvus 代码目录，执行make命令编译。ares源码整个过程可能耗时，但完成后将在./bin/目录下找到可执行文件。

       总结

       本文详细介绍了在Ubuntu .和.环境中编译安装Milvus的步骤，包括操作系统、开发环境和依赖的安装。后续文章将深入探讨容器镜像构建优化以及在MacOS上的安装指南。

       期待你的反馈，如果觉得有用，请点赞和分享。如有任何问题或需要更新，请关注后续内容更新，感谢支持！

主流的软件开发平台有哪些? - 知乎

       以下是近段时间本人对几十家软件开发平台的筛选，选出以下家供您参考。

       1、FastReport . NET

       FastReport . NET是一款全功能的解决方案，适用于 . NET Core 3、ASP . NET 和 Windows窗体。提供源码，允许工程师自定义功能。在新版本中，它支持 . NET 5。

       2、织信Informat低代码快速开发平台

       作为火爆的低代码平台，它简化了程序员的工作，让专业人士和非专业人士都能快速构建企业管理系统，包括权限控制、流程审批和数据统计分析等。

       3、Stimulsoft Reports . Net

       Stimulsoft Reports . Net是寄存源码一个基于.NET框架的报表生成器，界面友好且操作便捷，支持各种数据源和多种报表类型。

       4、ActiveReports

       ActiveReports专注于.NET和.NET Core平台，提供Excel表格、Word文档、图表等报表类型，适用于多种开发环境。

       5、DevExpress Reporting

       DevExpress Reporting是.NET Framework下的全面报表平台，包含易于使用的报表设计器和丰富的控件。

       6、FastReport VCL

       FastReport VCL是集成商务智能的现代解决方案，提供可视化模板设计器和多格式导出功能。

       7、QuickReport

       QuickReport是一个Delphi代码编写的分栏报表生成器，与Delphi和C++Builder兼容，支持表单设计器。

       8、Stimulsoft Reports . JS

       Stimulsoft Reports.JS是一个使用JavaScript和HTML5生成报表的平台，提供报表设计、编辑和查看功能。

       9、Stimulsoft Reports . Java

       Stimulsoft Reports.Java是一个面向Java应用的报表工具，支持跨平台和多操作系统。

       、NCReport

       NCReport是一个基于Qt的跨平台报告引擎库，适用于Qt应用程序，支持多平台和C++开发。

       这些平台覆盖了不同语言和应用场景，提供高效、灵活的开发解决方案。希望对您的工作有所帮助！

       结语：

       合理使用低代码软件开发平台能够提高工作效率，实现团队目标。推荐织信Informat，它提供多个应用模板，适用于多种企业应用场景。点击一键安装，即刻免费试用，注册即可享受终身免费权益。织信是企业数字化转型的重要工具！

在微软开源后,请问大家如何深入的学习C ? - 知乎

       阅读微软开源的C代码，实际上已经公开了三年有余。如果你感到无法找到相关资源，使用百度等搜索引擎通常可以解决问题。许多人已经提到了微软的Reference Source网站，然而你似乎仍然在寻找如何将代码集成到Visual Studio中查看的方法。实际上，这信息在网站上已经明确标注。

       对于阅读源代码的初学者来说，可能存在理解上的困难，如果只是简单浏览或集成代码查看，可以按照指示操作。如果你认为需要查找特定类的源代码时，搜索格式应为“C# 类名 source code”，这通常会直接导向所需的页面。若你希望直接在Visual Studio中查看源代码，搜索“view .net source code in visual studio”将提供解决方案。

       对于直接浏览源代码的需求，通过搜索“view .net source code”可以访问到Reference Source站点。如果你需要下载整个源代码包，搜索“.net source code download”将引导你至Reference Source站点，提供源代码下载选项。这些步骤和资源都清晰地显示在网站上，因此问题可能在于个人搜索技巧或对信息的利用。

       综合来看，提供的问题解决方案似乎较为直接，关键在于正确使用搜索引擎和理解所提供的资源。如果你仍然感到困惑或无法找到所需信息，可能需要重新审视搜索策略或寻求更具体的指导，以便更好地利用提供的资源。

哪里可以找到app开源代码知乎

       开放源代码也称为源代码公开，指的是一种软件发布模式。一般的软件仅可取得已经过编译的二进制可执行档，通常只有软件的作者或著作权所有者等拥有程序的原始码。有些软件的作者会将原始码公开，此称之为“源代码公开”，但这并不一定符合“开放原代码”的定义及条件，因为作者可能会设定公开原始码的条件限制，例如限制可阅读原始码的对象、限制衍生品等，好的源码基本都要收费或者有其他条件。商业源码：源代码类型区分软件，通常被分为两类：开源源码和商业源码。 开源源码一般是不仅可以免费得到，而且公开源代码；相对应地，商业源码则是不公开源代码，即收费购买或者有条件公开源码。社交app源码：专门针对社交领域的app开源产品，目前国内比较少，从开源中国社区、各大网站统计的数据来看，ThinkSNS算是其中做的比较好的产品。

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。