1.Angular测试
2.Ray 源码解析（一）：任务的量化量化状态转移和组织形式
3.[fastllm]fastllm源码结构解析
4.量化交易Python实用功能函数（6）
5.TracedModule: 更友好的模型表示方案，模型训练到部署的源码源码桥梁

Angular测试

       Angular单元测试

       Angular测试包含多个测试分类，按开发阶段划分，主图指标按是公式否运行划分，按是量化量化否查看源代码划分。测试类型包括ATDD、源码源码unity 休闲 单机源码TDD、主图指标BDD、公式DDD等。量化量化ATDD是源码源码验收测试驱动开发，TDD是主图指标测试驱动开发，强调需求分析、公式设计、量化量化质量控制量化的源码源码过程。BDD是主图指标行为驱动开发，强调系统行为。DDD是领域驱动开发，关注Service层的设计和业务实现。单元测试（Unit Test）对项目进行测试是必要的，使用TDD方法能带来很多好处。

       Karma是一个基于Node.js的JavaScript测试执行工具，可测试所有主流Web浏览器，集成到CI工具，c# 串口源码与代码编辑器一起使用。它能监控文件变化，自动执行测试，并显示结果于控制台。Jasmine是一个用于编写JavaScript测试的框架，不依赖任何其他框架，也不需要对DOM。它有清晰的语法，易于编写测试代码。Jasmine的结构包括测试集、测试用例和断言，通过beforeEach和afterEach函数管理测试前和测试后的工作。使用Jasmine和Karma创建Angular项目时，通过Angular CLI来创建应用程序，安装依赖关系，包括测试所需的一切。运行测试时，使用命令“ng test”，测试执行为监视模式，当修改代码后，测试结果自动更新。

       单元测试带来诸多好处，httpclient+源码解析包括提高代码质量、减少错误解决时间、节省重构时的开发成本。创建Angular单元测试的例子涉及到使用Jasmine和Karma，修改app.component.ts、app.component.html和app.component.spec.ts文件来创建测试。使用ng test命令执行测试，结果显示于控制台和浏览器报告中。测试包括检查组件属性是否正确呈现、组件行为是否符合预期、服务是否正确工作等。单元测试代码使用Jasmine的describe、it、expect、beforeEach和afterEach函数编写，确保测试的组织和可读性。常见测试用例覆盖表单提交、服务依赖性等场景。

       通过使用Jasmine和Karma，我们可以为Angular应用程序创建全面的单元测试，确保代码质量和功能正确性。这些工具简化了测试的netty+源码+报错创建和执行过程，有助于提高开发效率和代码可靠性。

Ray 源码解析（一）：任务的状态转移和组织形式

       Ray源码解析系列的第一篇着重于任务的状态管理和组织形式。Ray的核心设计在于其细粒度、高吞吐的任务调度，依赖于共享内存的Plasma存储输入和输出，以及Redis的GCS来管理所有状态，实现去中心化的调度。任务分为无状态的Task和有状态的Actor Method，后者包括Actor的构造函数和成员函数。

       Ray支持显式指定任务的资源约束，通过ResourcesSet量化节点资源，用于分配和回收。在调度时，需找到满足任务资源要求的节点。由于Task输入在分布式存储中，调度后需要传输依赖。对于Actor Method，其与Actor绑定，会直接调度到对应的节点。

       状态变化如任务状态转移、资源依赖等信息，都存储在GCS中。rsi+tb源码任务状态更改需更新GCS，失联或宕机时，根据GCS中的状态信息重试任务。通过GCS事件订阅驱动任务状态变化。

       文章主要讲述了任务状态的组织方式，如任务队列（TaskQueue）和调度队列（SchedulingQueue）的运作，以及状态转移图和状态枚举类的定义。例如，TaskQueue负责任务的增删查改，其中ReadyQueue通过资源映射优化调度决策。此外，文中还解释了一些关键概念，如Task Required Resources、Task argument、Object、Object Store、Node/Machine等。

       后续文章将深入探讨调度策略和资源管理。让我们期待下篇的精彩内容。

[fastllm]fastllm源码结构解析

       fastllm源码结构解析

       主要文件结构和继承关系如下：

       main包含factoryllm工厂，用于生成各种llm模型实例，basellm作为基类，包含通用方法和参数，所有模型使用相同的命名空间，fastllm为基本类，定义数据格式、权重映射和基础算子操作。

       fastllm类属性解析：

       SetThreads(int t): 设置线程数

       SetLowMemMode(bool m): 设置低内存模式

       LowBitConfig: 包含量化参数，提供量化与反量化方法

       DataType: 包括浮点、int8、int4等数据类型

       DataDevice: 包含CPU与CUDA

       WeightType: 包括LINEAR、EMBEDDING和None

       Data: 包括形状、大小、扩容信息，量化配置等，提供复制、分配、预扩容等功能

       Tokenizer: 包含TrieNode链表和token-to-string字典，提供插入、编码和解码函数

       WeightMap: 存储模型名称与数据内存，支持从文件加载和保存低位量化权重

       core类操作分析：

       Embedding: 根据输入与权重计算输出

       RMSNorm: L2归一化后乘以权重

       LayerNorm: 使用gamma、beta进行层归一化

       Linear: 线性变换

       Split: 按轴分割数据

       Cat: 按轴拼接数据

       MatMulTransB: 多线程下矩阵转置乘法

       Softmax: 激活函数

       Silu: SiLU激活函数

       GeluNew: 新型Gelu激活函数

       Mul: 矩阵与浮点数乘法

       MulTo: 点乘

       AddTo: 点加操作（带alpha和不带alpha）

       AttentionMask: 根据mask值替换

       Permute: 数据通道转换

       ToDevice: 数据迁移至GPU

       basellm作为抽象类，继承自fastllm，包含纯虚函数如加载权重、模型推理、保存低比特模型、热身等。

       chatglm、moss和vicuna继承自basellm，实现具体模型，函数与basellm类似。

       fastllm结构体与属性解析：

       FileBuffer: 文件读写操作，包括读取各种类型数据和文件写操作

       Data操作: 包括数据拷贝、统计、扩容、转置、计算权重和等

       Tokenizer方法: 包括初始化、清空、插入、编码和解码

       WeightMap方法: 包括从文件加载和保存低位量化权重

       fastllm方法: 包括矩阵转置、通道转换、数据迁移、多线程乘法、激活函数等

量化交易Python实用功能函数（6）

       量化交易的一大功能是“回测”，通过回测可以直观检验策略的有效性及存在问题。

       上篇文章《大牛量化：量化双均线策略回测效果如何？》对双均线策略的回测分析，总结经验，量化交易不再迷茫，将不确定行情转化为可操作交易。

       已介绍的代码功能包括：

       获取股票上市时间（get_open_date()）

       判断回测模式（ContextInfo.do_back_test）

       设置回测基准（ContextInfo.benchmark）

       设定回测系统日志显示级别（ContextInfo.data_info_level）

       获取特定记录（get_result_records()）

       接下来，将分享QMT量化平台的行情函数：

       (一) 设置定时器（ContextInfo.run_time(funcName,period,startTime)）

       实现：设置定时器执行指定函数

       参数：funcName回调函数名称，period执行周期，startTime开始时间

       示例：ContextInfo.run_time('funcName', '1min', '--')

       (二) 创建板块（create_sector(parent_node,sector_name,overwrite)）

       实现：在指定节点下创建板块

       参数：parent_node根节点，sector_name板块名称，overwrite覆盖已有板块

       示例：create_sector('root', 'my_sector', True)

       (三) 创建板块目录节点（create_sector_folder(parent_node,folder_name,overwrite)）

       实现：在指定目录下创建节点

       参数：parent_node根节点，folder_name节点名称，overwrite覆盖已有节点

       示例：create_sector_folder('root_folder', 'my_subfolder', True)

       (四) 获取板块目录信息（get_sector_list(node)）

       实现：获取指定节点下的所有板块信息

       参数：node目标节点

       示例：get_sector_list('root')

       (五) 设置板块成分股（reset_sector_stock_list(sector,stock_list)）

       实现：更新板块内成分股

       参数：sector板块名称，stock_list股票代码列表

       示例：reset_sector_stock_list('my_sector', ['AAPL', 'GOOGL'])

TracedModule: 更友好的模型表示方案，模型训练到部署的桥梁

       由曹文刚，旷视 MegEngine 架构师介绍的 TracedModule，作为模型训练到部署的关键桥梁，提供了一种更为友好的模型表示方案。它并非普通 Module 的简单替代，而是通过 TracedModule IR 描述模型运行过程，区别于通过用户实现的 forward 方法。IR 由基础数据类型和 Node、Expr 构成，其中，Expr 分类描述对 Tensor 或 Module 的操作，使得模型脱离源码后仍能有效表达。

       TracedModule 的引入源于低级 IR 在表达模型时存在的问题，如复杂性和缺乏高层语义。为了解决这些问题，MegEngine 采用了类似 torch.fx 和 pnnx 的高阶 IR，使其结构更清晰，更符合算法工程师的视角，便于模型分析、优化和转换。TracedModule 的优势在于它基于 MegEngine 的 python 层 op 构造，使得模型表示更直观、易于理解，便于用户进行模型分析和调试。

       比如，relu6 之类的函数在底层可能被拆分为多个算子，但在 TracedModule 中，其原始结构得以保留，便于模型作者跟踪。图手术方面，TracedModule 使得在不同框架间转换模型变得简单，只需理解基本组件，便能进行模型修改。在量化部署上，TracedModule 支持多种量化方法，包括自定义算法，简化了将 MegEngine 训练的模型部署到第三方平台的过程。

       总结来说，TracedModule 通过提供用户友好的 op 粒度和便捷的工具，简化了模型表示、图手术和部署流程。MegEngine 团队将持续优化和扩展基于 TracedModule 的工具，期待大家的试用和反馈，共同提升模型开发和部署的效率。GitHub、Gitee 和 MegEngine 官网提供了更多资源，欢迎大家参与交流。