1.如何拿chromeium开发自己的源码浏览器?
2.从源码build Tensorflow2.6.5的记录
3.[推理部署]👉Mac源码编译TensorFlow C++指北
4.GUN make 入门到精通
5.MacOS 下交叉编译的折腾笔记

如何拿chromeium开发自己的浏览器?

       配置电脑环境，是源码搭建Chromium浏览器开发基础的第一步。首先，源码确保电脑上安装有C++编译器，源码然后从Chromium官方仓库下载源代码。源码接着，源码websocket源码解读依据操作系统的源码不同，配置相应的源码编译参数，例如在Windows系统中使用CMake进行编译，源码Linux和macOS则可以直接使用GNUMake。源码编译过程中可能遇到问题，源码如依赖库缺失、源码版本不兼容等，源码需要根据错误信息查找解决方案。源码通常，源码官方文档或在线论坛能提供大量帮助。

       第二步是根据个人需求和设想，逐步修改Chromium源代码。这需要对浏览器架构有深入理解，包括渲染引擎、脚本引擎、网络栈、UI框架等模块。通过阅读源代码，理解各个组件的实现细节和交互机制。开发者可以添加新功能、优化现有功能、改进用户界面、易看app源码调整性能表现等。此阶段，开发者需要具备扎实的编程能力和对浏览器内核原理的深刻理解。由于Chromium源代码庞大且复杂，寻找合适的修改点可能需要时间，建议从简单的功能入手，逐步积累经验。

       对于不同类型的修改需求，开发者应查阅相关文档和社区资源，了解最佳实践和潜在风险。使用版本控制工具（如Git）跟踪代码变更，确保开发过程的可追溯性和协作性。编写详尽的测试用例，覆盖各种边界情况和异常场景，确保修改后的代码稳定性和安全性。

       在完成核心功能开发后，可以考虑引入自动化构建系统（如Bazel或CMake）来简化编译流程，并使用持续集成工具（如Jenkins或Travis CI）进行自动化测试和发布。此外，为了提高用户体验，优化浏览器的性能、资源消耗和稳定性至关重要。通过性能分析工具（如Chrome DevTools）定位瓶颈并实施优化措施。

       最后，确保遵循开源许可协议（如Apache License或GNU GPL）发布自己的浏览器，提供明确的使用文档和社区支持。通过用户反馈不断迭代改进，红单推荐源码最终实现一款具有独特特性和良好用户体验的浏览器。

从源码build Tensorflow2.6.5的记录

       .从源码编译Tensorflow2.6.5踩坑记录，笔者经过一天的努力，失败四次后终于成功。Tensorflow2.6.5是截至.时，能够从源码编译的最新版本。

       0 - 前期准备

       为了对Tensorflow进行大规模修改并完成科研工作，笔者有从源码编译Tensorflow的需求。平时更常用的做法是在conda环境中pip install tensorflow，有时为了环境隔离方便打包，会用docker先套住，再上conda + pip安装。

       1 - 资料汇总

       教程参考：

       另注：bazel的编译可以使用换源清华镜像（不是必要）。整体配置流程的根本依据还是官方的教程，但它的教程有些点和坑没有涉及到，所以多方材料了解。

       2 - 整体流程

       2.1 确定配置目标

       官网上给到了配置目标，和对应的版本匹配关系（这张表里缺少了对numpy的版本要求）。笔者最后（在docker中）配置成功的版本为tensorflow2.6.5 numpy1..5 Python3.7. GCC7.5.0 CUDA.3 Bazel3.7.2。

       2.2 开始配置

       为了打包方便和编译环境隔离，在docker中进行了以下配置：

       2. 安装TensorFlow pip软件包依赖项，其编译过程依赖于这些包。

       3. Git Tensorflow源代码包。

       4. 安装编译工具Bazel。

       官网的介绍：（1）您需要安装Bazel，才能构建TensorFlow。您可以使用Bazelisk轻松安装Bazel，华为透明中心源码并且Bazelisk可以自动为TensorFlow下载合适的Bazel版本。为便于使用，请在PATH中将Bazelisk添加为bazel可执行文件。（2）如果没有Bazelisk，您可以手动安装Bazel。请务必安装受支持的Bazel版本，可以是tensorflow/configure.py中指定的介于_TF_MIN_BAZEL_VERSION和_TF_MAX_BAZEL_VERSION之间的任意版本。

       但笔者尝试最快的安装方式是，到Github - bazelbuild/build/releases上下载对应的版本，然后使用sh脚本手动安装。比如依据刚才的配置目标，笔者需要的是Bazel3.7.2，所以下载的文件为bazel-3.7.2-installer-linux-x_.sh。

       5. 配置编译build选项

       官网介绍：通过运行TensorFlow源代码树根目录下的./configure配置系统build。此脚本会提示您指定TensorFlow依赖项的位置，并要求指定其他构建配置选项（例如，编译器标记）。

       这一步就是选择y/N基本没啥问题，其他参考里都有贴实例。笔者需要GPU的支持，故在CUDA那一栏选择了y，其他部分如Rocm部分就是N（直接按enter也可以）。

       6.开始编译

       编译完成应输出

       7.检查TF是否能用

       3 - 踩坑记录

       3.1 cuda.0在编译时不支持sm_

       笔者最初选择的docker是cuda.0的，在bazel build --config=cuda //tensorflow/tools/pip_package:build_pip_package过程中出现了错误。所以之后选择了上面提到的cuda.3的docker。

       3.2 问题2: numpy、TF、php外卖程序源码python版本匹配

       在配置过程中，发现numpy、TF、python版本需要匹配，否则会出现错误。

       4 - 启示

       从源码编译Tensorflow2.6.5的过程，虽然经历了多次失败，但最终还是成功。这个过程也让我对Tensorflow的编译流程有了更深入的了解，同时也提醒我在后续的工作中要注意版本匹配问题。

[推理部署]👉Mac源码编译TensorFlow C++指北

       在Mac环境下编译TensorFlow C++源码，需要完成以下步骤，以避免可能的编译问题，确保顺利构建。

       首先，确认系统环境满足要求。需有Xcode和Command Line Tools，JDK 1.8.0版本以支持编译过程中所需的Java环境，以及Bazel工具，TensorFlow依赖此工具进行编译。特别注意Bazel版本需与TensorFlow对应，如TensorFlow 1.对应Bazel 0..1。

       接下里，安装依赖，包括JDK和Bazel。JDK安装时需检查电脑中是否已安装，并确保正确安装。使用HomeBrew安装Bazel，通过命令行接受协议，并使用`--user`指令确保安装在个人目录的`bin`文件夹下，同时设置`.bazelrc`路径为`$HOME/.bazelrc`。

       安装自动化工具`automake`和使用Python3.7.5在虚拟环境中构建TensorFlow C++源码。推荐使用清华镜像源加速`pip`的安装过程。通过`git clone`方式下载TensorFlow源码，确保checkout至r1.分支。调整域名映射以提升`git clone`速度。

       进行编译选项配置，通常在TensorFlow文件夹内运行命令，根据提示选择默认选项。

       开始编译TensorFlow，此过程可能需要较长时间，完成后，应在`bazel-bin/tensorflow`目录下找到编译好的`libtensorflow_cc.so`和`libtensorflow_framework.1.dylib`文件。

       若遇到`Undefined symbols for architecture x_: “_CFRelease”`错误，这通常与创建软连接有关，无需特别处理。若需要手动安装额外依赖库，如Eigen3，可参考相关指南。

       编译完成后，可对C++接口进行测试，验证编译过程的正确性。通常情况下，Mac下的TensorFlow 1. C++源码编译完成。

       最后，编译TFLite，生成的动态链接库将保存在指定目录下。在`CMakelists.txt`文件中增加对应配置项，以完成TFLite的构建。

       总结而言，Mac下TensorFlow 1. C++源码编译及TFLite的构建，需要遵循上述步骤，并确保环境与工具版本的兼容性，以顺利进行编译过程。Linux系统下的编译方式相似，但具体细节可能有所不同。

GUN make 入门到精通

       深入理解GUN Make：从入门到精通

       GUN Make，作为构建C语言软件的主力工具，广泛应用于Linux内核和GNU/Linux项目。尽管面临诸多替代方案，其特性与广泛支持使其在软件构建中占据一席之地。本文将带你逐步探索Make的基本概念、使用场景和关键特性。

       什么是GUN Make

       GUN Make是一种自动化程序，它能根据文件的依赖关系自动运行shell命令，常用于文件转换，比如源代码编译。它通过检测先决条件和执行命令层次结构来生成目标。

       何时选择Make

       对于小型C/C++项目或库，Make是构建的理想选择，尤其当它们集成在大项目中的时候。然而，随着项目规模的扩大，现代构建系统如CMake、Bazel或Meson可能更为适合，特别是在涉及大量目标、配置需求、跨平台构建或调试复杂性时。

       如何使用和调用Make

       运行make会加载当前目录的Makefile，并默认执行默认目标。Make会搜索不同命名的Makefile。你可以指定特定的Makefile，指定目标，甚至通过-C选项更改工作目录。并行调用Make时，可以设置工作数量以提高效率。

       Makefile的构建逻辑

       Makefile由规则组成，包括变量、变量赋值、环境变量，以及目标和它们的先决条件。规则的执行通过recipe实现，其中变量会自动展开，而先决条件确保只有当必要时才执行。

       提高Make的效率

       要充分发挥Make的潜力，建议目标对应真实文件，使用并行选项，清晰注释Makefile，避免使用touch命令来跟踪，以及利用verbose选项进行调试。

       额外资源

       对于更高级的实践，如自动化配置工具automake，以及GUN Make的现代竞争对手，如CMake、Bazel和Meson，都值得深入研究。

MacOS 下交叉编译的折腾笔记

       探索 MacOS 下的交叉编译技巧

       本文作为系列 “折腾笔记” 的一部分，旨在以直白的方式展示交叉编译过程中的实际操作，而非追求最佳实践。本教程将为初学者提供一个直观理解交叉编译的基本框架，并在后续篇章中深入探讨基于 Bazel 的交叉编译最佳实践，以及如何在树莓派等目标平台上运行包含深度学习模型的小程序。

       值得注意的是，尽管 MacOS 广为人知，但并不等同于 Linux。在 MacOS 上进行交叉编译时，往往面临着一些挑战。例如，某些 TensorFlowLite 提供的交叉编译工具或 Linaro 系列工具仅在 Linux 环境下可用。因此，建议在进行 MacOS 下的交叉编译时，采用 Docker 技术运行 Linux 系统，从而有效绕过这些平台限制。

       对于交叉编译的入门理解与实践思路，我们需要明确其本质是利用能将源代码转换为目标平台机器语言的编译器。在进行树莓派等目标平台的交叉编译时，通常需要使用特定于目标架构（如 ARM）的编译器，例如 arm-linux-gnueabihf-gcc。

       实际操作中，交叉编译流程可以概括为以下步骤：

       1. **依赖环境安装**：利用 Homebrew 等包管理工具安装必要的依赖项。

       2. **环境准备**：从树莓派设备上复制相关 gcc 及其配套环境。

       3. **环境检查**：确保当前工作目录正确无误。

       4. **源代码准备**：编写或获取待编译的源代码文件，如 `hello_cross_comile.cc`。

       5. **交叉编译执行**：利用 LLVM 工具链结合 arm-linux-gnueabihf-binutils 进行交叉编译。

       6. **构建输出**：运行特定编译脚本（通常封装为 `.sh` 文件）生成目标平台可执行文件（如 `hello`），随后将该文件传输至树莓派等目标平台进行执行。

       推荐阅读资源：

       4. **[野火]i.MX Linux开发实战指南**：该文档提供了一个全面且详细的交叉编译指南，虽然不直接支持 MacOS，但通过开启 Docker 环境，可以轻松实现 MacOS 下的交叉编译。

       Crosstool-ng：尽管这是 MacOS 下公认的交叉编译解决方案，但其操作复杂，且存在系统崩溃风险。对于坚持使用此方案的开发者，可参考他人提供的 Docker 镜像，例如 **Dockfile**，但同样建议考虑使用更易管理的 Linux 操作系统（如 Ubuntu）作为 Docker 容器的基础环境。