1.掩码简介
2.Linux C/C++源码实现常见命令mkdir
3.UE4-Slate源码学习（六）slate渲染Part2-Paint控件绘制
4.BitMask 位掩码浅析
5.bert源码解析
掩码简介
掩码，源码实质上是转掩一个二进制代码序列，它通过与目标字段进行位与操作，源码对输入的转掩位进行控制和筛选。这种操作在计算机编程中扮演着重要角色，源码主要用于数据处理和字段选择。转掩dw的源码
它的源码主要应用是通过位运算，如按位或（OR）和按位与（AND）等，转掩对源代码进行转换或处理。源码例如，转掩在ASCII码的源码处理中，掩码可以用来实现字符大小写的转掩转换。通过与特定掩码进行位与运算，源码可以保留需要的转掩字符信息，同时屏蔽或改变其他位，源码从而实现字符大小写的切换。
掩码操作直观且高效，常用于数据处理的各个环节，如数据校验、数据隐藏、字段提取等，是程序员在编程中的一项重要技能。通过巧妙运用掩码，可以简化复杂的数据处理过程，提高代码的可读性和效率。
Linux C/C++源码实现常见命令mkdir
Linux系统的结构由文件和目录构成。在使用过程中，我们经常需要创建目录来存储各类文件。此时，我们会使用Linux系统的内置命令mkdir，该命令用于在操作系统中创建目录或文件夹。本文将探讨如何使用具有不同命令行选项的mkdir命令及其代码实现。
mkdir命令代码实现
在Linux系统中，ipp opencv源码虽然可以使用rm命令删除目录，但首先需要使用mkdir命令来创建目录。下面是mkdir命令的实现方法：
编译运行：
my_mkdir将创建一个名为path的新目录。新目录的文件权限位将从模式初始化，mode参数的这些文件权限位将由进程的文件创建掩码修改。
mkdir代码实现相对简单，主要用于在Linux操作系统中创建目录。通过代码实现创建目录后，我们可以使用选项来查看其效果。
创建多目录
当需要创建多个目录时，只需指定要创建的目录名称。需要注意的是，在创建多个目录时，需要在目录名称之间添加空格。以下是一个创建多个目录的示例命令：
./my_mkdir aaa bbb ccc
创建父目录
./my_mkdir a/b
上述命令将在目录a中创建名为b的目录。如果目录a不存在，则会显示错误信息。
如果父目录不存在，可以使用-p选项创建它。如果目录a不存在，mkdir命令将创建目录a，并在目录a内创建一个名为b的目录。
如何在详细模式下创建目录？
我们可以使用-v选项以详细模式创建新目录。当使用此选项创建新目录时，它将在屏幕中生成以下详细输出。
总结
通过代码实现mkdir命令，并结合各种命令行选项使用。本文展示了mkdir命令的简单性和易用性。
UE4-Slate源码学习（六）slate渲染Part2-Paint控件绘制
上一篇文章介绍了绘制一个SWindow的初期步骤，即计算整个UI树的控件大小，为绘制做准备。文章随后深入探讨了绘制流程的jq click源码第二步，即执行FSlateApplication::PrivateDrawWindows()后，开始调用SWidget::Paint()函数，每个控件随后实现其虚函数OnPaint()。
在这一过程中，绘制参数被封装在FPaintArgs中，作为Paint和OnPaint过程中的关键引用参数。FSlateRHIRenderer与FSlateDrawBuffer是继承自FSlateRenderer的类，作为FSlateApplicationBase的全局变量，在构造时创建。在绘制过程中，通过GetDrawBuffer()函数可获取到FSlateDrawBuffer对象。
FSlateDrawBuffer实现了Slate的绘制缓冲区，内部封装了FSlateWindowElementList数组，用于存储多个SWindow下的绘制元素列表。每个SWindow通过AddWindowElementList()返回一个元素列表。
FSlateWindowElementList负载了SWindow内的所有图元信息，内部封装了FSlateDrawElement的数组，包含Cached和Uncached元素，以及SWindow的指针和用于渲染的批处理数据FSlateBatchData。
FSlateDrawElement是构建Slate渲染界面的基本块，封装了UI树节点控件需要渲染的相关信息，如渲染变换、位置、大小、层级ID、绘制效果等，以及后续渲染阶段需要的相关数据。
在Paint流程中，处理当前传入的SWindow和ChildWindows，首先判断窗口是否可见和是否最小化，然后从参数封装的OutDrawBuffer中获取WindowElementList。调用SWindow的wike php 源码PaintWindow()函数开始绘制窗口，并最终返回所有子控件计算完的最大层级。接着，子窗口递归绘制。
PaintWindow()函数在绘制窗口时，首先调用SetHittestArea()设置点击区域，HittestGrid会判断窗口大小是否改变，若不变则仅更新窗口在屏幕中的位置。构造FPaintArgs参数后，将其封装到FSlateInvalidationContext中。
FSlateInvalidationRoot类的PaintInvalidationRoot()函数可以作为控件树的根节点或叶子节点（SInvalidationPanel），构建快速路径避免每次绘制都计算大小和Paint函数，有利于优化。本篇文章主要分析正常慢速路径调用流程，优化相关将另文分析。
PaintSlowPath()函数从SWindow开始调用Paint()函数，并定义LayerId从0开始作为参数，进行实际的绘制相关计算。
Paint()函数首先处理裁剪、透明度混合、坐标转换等代码。若SWidget包含NeedsTick掩码，则调用Tick函数，我们在日常开发中通过蓝图或lua使用Tick函数时即调用到这里，通过SObjectWidget::Tick调用到UUserWidget::NativeTick供实现Tick。构造FSlateWidgetPersistentState PersistentState作为SWidget的变量，表示Paint时的状态。
PersistentState.CachedElementHandle将当前SWidget存储到FSlateWindowElementList中的WidgetDrawStack数组中。
更新FPaintArgs中的父节点参数和继承可点击测试参数，判断点击测试状态，然后将当前SWidget添加到点击测试中。调用虚函数OnPaint，由控件自己实现。linux mmap 源码
OnPaint()函数参数包括绘制参数引用、几何体、裁剪矩形、缓冲元素列表、层级、控件风格、父节点状态等。最后处理重绘标签、延迟绘制相关内容、UpdateWidgetProxy()根据缓存句柄更新快速路径中需要处理标记设置为Volatile不稳定状态的SWidget。
虚函数OnPaint()由子类自己实现，本文列举了SImage、SButton、SCompoundWidget和SConstraintCanvas的OnPaint()示例代码学习。
在SImage中，简单判断Brush是否存在以及BrushDrawType的类型，然后调用FSlateDrawElement::MakeBox将控件添加到缓冲区元素列表中。
SButton继承自SCompoundWidget，GetBorder()根据当前按钮状态返回ui中设置的Enabled、Press、Hover、Disabled等状态的Brush。
SCompoundWidget作为合成节点，有且只能有一个子节点，且在Paint时强制将子节点的LayerId+1，同时SCompoundWidget可以单独设置混合颜色和透明度，影响子节点。
SConstraintCanvas作为SWidget的基类对应UMG中常用的UCanvasPanel，通过ArrangeLayeredChildren()对孩子进行层级排序，并根据孩子的层级是否相同存储bool值在ChildLayers中。遍历所有孩子，判断是否开启新层级，递归调用Paint函数，最后返回最大层级。
SConstraintCanvas::ArrangeLayeredChildren函数中，获取设置bExplicitChildZOrder，表示可以将同层一次渲染，有利于提高渲染器批处理。对所有孩子排序，排序规则为FSortSlotsByZOrder。遍历所有孩子，判断可见性掩码、计算偏移、锚点、位置、拉伸缩放等，封装成FArrangedWidget存储到ArrangedChildren中，用于OnPaint时有序遍历。判断每个孩子ZOrder是否相同，相同则bNewLayer为false，大于LastZOrder则将bNewLayer设置为true，最终存储到ArrangedChildLayers中，用于OnPaint函数判断是否将layerId+1。
FSlateDrawElement::MakeBox()函数在OnPaint之后调用，将绘制控件的相关信息通过创建FSlateDrawElement绘制元素对象，添加到SWindow管理的FSlateWindowElementList元素列表中。创建Payload用于存储贴图等相关信息，根据控件Paint过程中的参数调用Element.Init初始化绘制元素，得到为该控件绘制创建的FSlateDrawElement对象。
总结整个Slate绘制流程的第二步，我们没有分析快速处理和优化细节，而是按照正常绘制流程分析代码。通过从PaintWindow开始遍历整个控件树，处理每个空间节点的Paint、OnPaint函数，最终目的是给每个控件创建一个FSlateDrawElement对象，存储渲染线程绘制所需的相关信息，并添加到FSlateWindowElementList中。理解了整个调用流程，整个过程较为清晰，本文基于UE4版本4..2。
BitMask 位掩码浅析
理解 BitMask 在代码中的应用，如在 React-DOM 源码中的检查掩码方法所示，其背后的逻辑和作用需从基础开始解读。首先，让我们深入探讨按位与运算的原理。
按位与运算，指的是对两个操作数进行二进制位的“与”运算，负数则以补码形式参与运算。运算遵循“两位同时为1，结果为1，否则为0”的规则。以示例说明，例如的二进制表示为，的二进制表示为，按位与运算结果为。
接着，我们探讨位掩码的用途。在OA系统中，假设功能包括增、删、改、查。用对象定义用户权限时，实现直观且清晰。然而，利用位掩码，我们能够以更紧凑的方式表示功能组合。比如，用整数的不同位表示不同的权限。
采用位掩码的益处在于，它有助于设置状态，并对状态进行高效查询、增加和清除操作。代码简洁性显著提升，且二进制运算速度极快。
bert源码解析
训练数据生成涉及将原始文章语料转化为训练样本，这些样本按照目标（如Mask Language Model和Next Sentence Prediction）被构建并保存至tf_examples.tfrecord文件。此过程的核心在于函数create_training_instances，它接受原始文章作为输入，输出为训练instance列表。在这一过程中，文章首先被分词，随后通过create_instances_from_document函数构建具体训练实例。构建实例流程如下：
确定最大序列长度后，Next Sentence Prediction任务被构建。选取文章的开始位置至结尾，确保生成的句子集长度至少等于最大序列长度。在此集合中随机挑选一个位置（a_end），将句子集分为两部分：前部分作为序列A，而后部分有%的概率成为序列B，剩余%则随机选择另一篇文章的句子集（总长度不小于「max_seq_length-序列A」），形成Next Sentence Prediction任务。
Mask language model任务构建通过将序列A和序列B组合成一个训练序列tokens，并对其进行掩码操作实现。掩码操作以token为单位，利用WordPiece进行分词，确保全词掩码模式下的整体性，无论是全掩码还是全不掩码。每个序列以masked_lm_prob（0.）概率进行掩码，对于被掩码的token，%情况下替换为[MASK]，%保持不变，%则替换为词表中随机选择的单词。返回结果包括掩码操作后的序列、掩码token索引及真实值。
训练样本结构由上述处理后形成，每条样本包含经过掩码操作的序列、掩码token的索引及真实值。
分词器包括全词分词器（FullTokenizer），它首先使用BasicTokenizer进行基础分词，包括小写化、按空格和标点符号分词，以及中文的字符分词，随后使用WordpieceTokenizer基于词表文件对分词后的单词进行WordPiece分词。
模型结构从输入开始，经过BERT配置参数，包括WordEmbedding、初始化embedding_table、embedding_postprocessor等步骤，最终输出sequence和pooled out结果。WordEmbedding负责将输入token（input_ids）转换为其对应的embedding，包括token embedding、segment embedding和position embedding。embedding_postprocessor在得到的token embedding上加上position embedding和segment embedding，然后进行layer_norm和dropout处理。
Transformer Model中的attention mask根据input_mask构建，用于计算attention score。self attention过程包括query、key、value层的生成，query与key相乘得到attention score，经过归一化处理，并结合attention_mask和dropout，形成输出向量context_layer。随后是feed forward过程，包括两个网络层：中间层（intermediate_size，激活函数gelu）和输出层（hidden_size，无激活函数）。
sequence和pooled out分别代表最后一层的序列向量和[CLS]向量的全连接层输出，维度为hidden_size，激活函数为tanh。
训练过程基于BERT产生的序列向量和[CLS]向量，分别训练Mask Language Model和Next Sentence Prediction。Mask Language Model训练通过get_masked_lm_output函数，主要输入为序列向量、embedding table和mask token的位置及真实标签，输出为mask token的损失。Next Sentence Predication训练通过get_next_sentence_output函数，本质为一个二分类任务，通过全连接网络将[CLS]向量映射，计算交叉熵作为损失。
