- 博客(92)
- 收藏
- 关注
RSS订阅原创 深度实践：基于昇腾CANN oam-tools实现大规模NPU集群智能运维管理
在人工智能算力需求爆发式增长的今天，大规模昇腾NPU集群的运维管理已经成为深度学习平台团队面临的核心挑战之一。传统的人工巡检与被动响应式运维模式，在面对数十乃至数百张NPU加速卡组成的异构集群时，显得越来越力不从心。固件版本不一致导致的兼容性问题、隐性硬件故障潜伏引发的训练中断、功耗与温度异常未能及时发现造成的热损伤，这些风险无时无刻不在威胁着生产环境的稳定性。oam-tools 是昇腾CANN生态中专门为硬件运维场景打造的管理工具集，托管于 atomgit.com/cann/oam-tools 仓库。
2026-06-10 21:16:51
41
原创 面向昇腾AI处理器的CANN进阶指南：amct模型压缩工具量化原理、校准算法与端到端部署实战全流程深度解析
在深度学习模型从实验室走向生产环境的过程中，模型体积与推理延迟始终是横亘在开发者面前的两座大山。当你在GPU集群上调出一份精度漂亮的模型之后，面对昇腾AI处理器的实际部署场景，往往发现原始浮点模型根本无法满足延迟和功耗的约束。Ascend Model Compression Toolkit（amct）正是在这一背景下诞生的模型压缩工具集。
2026-06-10 21:15:25
30
原创 昇腾CANN辅助工具集asc-tools实战详解：从日志分析到性能优化与Ascend C开发的全流程调试指南
在昇腾AI生态中，昇腾CANN作为异构计算架构神经网络的核心，承担着连接上层AI框架与底层昇腾NPU硬件的关键职责。然而在实际开发过程中，开发者往往面临着工具分散、调试信息难以获取、性能瓶颈定位困难等诸多挑战。asc-tools仓库的出现正是为了解决这些痛点，它集成了多种实用辅助工具，为基于昇腾CANN的应用开发提供了强有力的支持。asc-tools作为昇腾CANN的瑞士军刀，将日志分析、内存检测、性能采集、模型转换辅助等功能有机整合在一起。
2026-06-10 21:14:26
37
原创 深入解析昇腾CANN graph-autofusion：算子自动融合框架的工作原理与实践指南
在深度学习模型部署到昇腾NPU的场景中，算子融合是提升执行效率的关键手段之一。当开发者将 PyTorch 模型通过 torch_npu 迁移到昇腾平台时，计算图里通常包含大量细粒度的逐元素（Elementwise）算子和向量（Vector）算子，这些算子彼此之间存在大量的中间张量读写操作，造成显著的内存搬运开销。
2026-06-10 21:13:17
46
原创 基于昇腾CANN的Triton推理服务器GE后端架构剖析 -- 从生产部署视角拆解请求流转与图执行调度
NVIDIA Triton Inference Server 在 GPU 推理部署领域几乎是事实标准，很多团队的线上服务都在用它管理模型版本、处理并发请求、做动态 batching。但当你把硬件换成昇腾 NPU，这套东西就没法直接跑了——Triton 的后端（Backend）抽象层天然面向 CUDA 生态设计，它的 CUDA Backend 和 TensorRT Backend 都绑定在 NVIDIA 的软件栈上。
2026-06-10 21:11:04
43
原创 SIP服务推理平台深度实战：大规模语言模型部署与服务化完整指南
在昇腾CANN软件栈的完整生态中，SIP作为服务推理平台承担着将模型转化为可上线服务的关键职责。对于从事模型部署的工程师而言，理解SIP的设计理念和使用方法是构建生产级推理服务的必经之路。SIP提供了完整的模型管理、请求调度、负载均衡、监控运维等能力，是昇腾NPU上构建企业级推理服务的核心平台。本文将从平台架构出发，系统讲解SIP的部署方法、配置技巧、服务化实践以及运维监控，帮助开发者掌握从模型到服务的完整流程。理解SIP的价值，需要从模型部署的实际挑战说起。
2026-06-09 21:17:17
148
原创 昇腾CANN Transformer加速库AscendTransformerBoost深度实践：大模型推理的算子级优化
在昇腾CANN软件栈中，AscendTransformerBoost是专门用于Transformer模型加速的算子库。它针对大模型推理场景优化，提供了一系列高性能的Transformer算子，可以显著提升推理性能。本文采用深度实践的工程报告风格，深入剖析AscendTransformerBoost的技术原理和性能表现。在当前的大模型时代，Transformer模型的推理性能是关键瓶颈。传统的通用算子无法充分发挥硬件性能。
2026-06-09 21:16:03
182
原创 GE图编译引擎深度解析：昇腾NPU模型优化与执行的核心原理
在昇腾CANN软件栈的完整生态中，GE（Graph Engine）作为图编译引擎承担着模型优化与执行调度的核心职责。对于从事深度学习编译器开发的工程师而言，理解GE的设计理念和实现机制是深入掌握昇腾NPU编程的关键。这个引擎负责将高层模型描述转换为底层可执行指令，是连接模型开发者和硬件能力的桥梁。本文将从计算图优化、算子融合、内存优化、调度策略等维度，系统讲解GE的核心能力和技术实现，帮助开发者理解昇腾NPU的模型编译流程。理解GE的价值，需要从深度学习编译器的演进说起。
2026-06-09 21:15:06
176
原创 metadef元数据定义框架深度解读：自定义算子开发与昇腾NPU扩展完全指南
在昇腾CANN软件栈的完整生态中，metadef作为元数据定义框架承担着自定义算子开发和算子库扩展的关键职责。对于需要在昇腾NPU上实现特殊算子的开发者而言，理解metadef的设计理念和使用方法是掌握昇腾算子开发的核心。这个框架提供了算子的元数据定义、注册管理、版本控制等能力，是昇腾NPU算子生态开放扩展的核心支柱。本文将从元数据模型、算子定义、注册机制、版本管理等维度，系统讲解metadef的核心能力和技术实现，帮助开发者掌握昇腾NPU的自定义算子开发技术。
2026-06-09 21:13:56
199
原创 昇腾CANN数学算子库ops-math：从标量运算到NPU向量化的深度优化实践
深度学习推理中，矩阵乘法虽然是计算量最大的操作，但数量最多的操作反而是各种标量和向量级的数学运算——指数运算、对数运算、三角函数、取整、比较等。一个Transformer Block里，LayerNorm需要求均值和方差（ReduceSum + 除法 + 开方），Softmax需要指数运算和归一化（Exp + ReduceSum + 除法），激活函数需要GELU或SiLU（Sigmoid + 乘法）。这些运算单个的计算量很小，但调用频率极高——一个7B模型的一次推理可能执行上百万次这类运算。
2026-06-09 21:12:58
340
原创 asnumpy 零拷贝桥接层架构剖析——昇腾 NPU 张量与 NumPy 数组的高效互操作设计
在深度学习推理与训练的工程实践中，Host 侧与 Device 侧之间的数据搬运一直是影响端到端性能的关键瓶颈。当模型输出的张量需要交给下游的后处理逻辑时，传统做法往往需要将数据从昇腾 NPU 设备回传到 Host 内存，再转换为 Python 生态中最为通用的 NumPy 数组格式。这一来一回的数据拷贝开销，在高吞吐场景下会迅速累积，成为拖累整体流水线的木桶短板。
2026-06-08 09:19:36
141
原创 昇腾CANN共享内存通信库shmem：单机多卡数据共享的深度优化实践
单机8卡的推理集群里，模型参数需要在所有卡之间共享——每张卡运行相同的模型副本，推理时各自独立处理不同的请求。如果把模型参数在每个卡的HBM上各存一份，8张卡就需要8倍的显存——一个7B模型的FP16权重约14GB，8份就是112GB，而每张Ascend 910只有64GB HBM。shmem（Shared Memory）是昇腾CANN生态里的单机共享内存通信库，它允许多张NPU卡共享同一块Host Memory区域，通过PCIe DMA按需读取共享数据，避免在每张卡的HBM上都存一份完整模型。
2026-06-08 09:18:34
174
原创 ops-rand 随机数生成算子库架构剖析——昇腾 NPU 上高性能伪随机与真随机引擎的设计与实现
随机数生成是深度学习训练、蒙特卡洛模拟、数据增强等场景的核心基础能力。在传统 CPU 计算范式下，开发者习惯于调用标准库的随机函数，但在异构计算架构中，随机数生成的位置、效率和统计质量直接影响整体系统的性能表现与结果可靠性。昇腾NPU上的CANN 作为华为全栈 AI 解决方案的基础软件栈，针对昇腾 NPU 的硬件特性，专门构建了 ops-rand 算子库，旨在为上层框架和应用提供高性能、高可靠性的随机数生成能力。
2026-06-08 09:17:21
191
原创 昇腾CANN Python加速库pyasc：用Python调用昇腾NPU算力的实战入门
昇腾NPU的开发通常需要用C/C++写Ascend CL代码，门槛较高——光是初始化ACL运行时、分配Device Memory、管理Stream和Event这些样板代码就得写上百行。很多数据科学家和算法工程师更习惯用Python，希望用NumPy/Pandas的风格来调用NPU算力，不想碰C代码。pyasc是昇腾CANN生态里的Python加速库，它提供了Python接口来调用昇腾NPU的算子和运行时能力——从基本的张量运算到模型推理，都可以用纯Python代码完成。
2026-06-08 09:16:21
224
原创 昇腾CANN高性能通信库hixl：PD分离架构下的RDMA通信原理解析
大模型推理有一个越来越流行的架构叫PD分离——Prefill（预填充）和Decode（解码）分别部署在不同的NPU集群上。Prefill阶段处理用户输入的完整prompt，计算密集、延迟要求不高；Decode阶段逐个生成token，访存密集、对延迟极其敏感。把两者分开部署，可以针对各自的负载特征独立优化硬件配置。但PD分离引入了一个新问题：Prefill集群计算完的KV Cache需要传给Decode集群，数据量大（数十GB）且延迟要求高（传输时间直接加到首token延迟上）。
2026-06-08 09:14:57
359
原创 HCCL 集合通信库架构剖析——昇腾 NPU 多机多卡训练的通信拓扑与协议栈
在深度学习分布式训练领域，多机多卡协同计算已成为支撑大规模模型训练的基础能力。无论是自然语言处理中的千亿参数大模型，还是计算机视觉中的超分辨率网络，其训练过程都不可避免地需要面对数据并行与模型并行的通信挑战。华为自研的异构计算框架CAN（Compute Architecture for Neural Networks，以下简称CANN）作为昇腾（）NPU的软件底座，提供了完整的AI计算能力支撑。
2026-06-07 22:51:57
179
原创 CANN Runtime 架构深度剖析——从 Host 端到 Device 端的命令流水线与内存管理最佳实践
昇腾 NPU 的软件开发体系里，ops-math 是承上启下的关键一层。它处在应用框架（PyTorch、MindSpore、TensorFlow）和底层驱动之间，负责把上层发来的计算任务翻译成 NPU 能执行的命令，同时管理设备内存、调度算子执行、处理 Host 和 Device 之间的数据搬运。如果你在用昇腾 NPU 做推理或训练，不管你用的是什么前端框架，最终都要经过 CANN Runtime 这一层。理解 ops-math 的架构设计，对于排查性能问题、做内存优化、理解算子执行机制，都有直接帮助。
2026-06-07 22:51:01
205
原创 昇腾 CANN ops-math 数学算子库深度解析——高性能数学计算与数值优化实战
ops-math 是昇腾 CANN 生态中专门用于数学计算的算子库。它提供了大量数学函数（如三角函数、指数函数、对数函数、统计函数等）在昇腾 NPU 上的高性能和数值稳定实现。对于需要进行大规模数学计算、科学计算、或者优化数学算子性能的场景，ops-math 是核心工具库。理解 ops-math 的实现原理和优化技巧，对于在昇腾 NPU 上进行高效数学计算非常重要。本文将基于 ops-math 的实际代码，详细讲解其核心模块、性能优化方法、数值稳定性保证，以及如何使用和优化这些数学算子。
2026-06-07 22:49:47
212
原创 昇腾CANN视觉算子库ops-cv：从通用图像处理到NPU加速的架构设计与实现原理
计算机视觉领域的模型部署有一个独特的挑战：推理流程不只是模型前向计算，还包含大量的前处理（图像解码、缩放、归一化、色彩空间转换）和后处理（NMS、Anchor生成、特征图上采样）。这些前后处理的算子计算量不大，但调用频繁，而且涉及大量的内存排布转换——CPU上这些操作用OpenCV几行代码就能搞定，但在NPU上要把这些操作加速起来并不容易，因为它们的访存模式和矩阵乘法截然不同，无法直接复用Cube单元的算力。
2026-06-07 22:48:43
184
原创 昇腾CANN神经网络算子库ops-nn：从基础算子到融合优化的推理加速实战
深度学习推理的性能瓶颈往往不在几个大算子上，而在于大量小算子的调度开销。一个BERT模型推理，MatMul和FlashAttention这些大算子只占总算子数的20%，但80%的算子是LayerNorm、GELU、Softmax、Dropout这些小算子——它们单个计算量不大，但如果每个都独立调度一次，Global Memory的访问次数就会爆炸式增长。
2026-06-07 22:47:27
322
原创 昇腾 CANN hixl 自定义算子开发框架深度实战——Ascend C 编程模型与 NPU 极致性能优化指南
hixl（Heterogeneous Intermediate Representation for Accelerated Learning）是昇腾 CANN 生态中专门用于自定义算子开发的编程框架。它提供了一套完整的 C++ 编程接口（Ascend C），让开发者能够编写在昇腾 NPU 上高效执行的自定义算子。对于需要优化模型性能、实现标准算子库不支持的算子、或者进行硬件相关优化的场景，hixl 是核心开发工具。理解 hixl 的编程模型和运行机制，对于在昇腾 NPU 上进行高性能算子开发非常重要。
2026-06-06 22:02:43
359
原创 昇腾CANN集合通信库HCCL：从Ring到Tree的通信算法深度实践
分布式训练中，梯度同步的效率直接决定了训练的扩展性。8卡训练比单卡快7倍，这是理想情况；实际往往只能快5-6倍，那30%的差距主要来自通信开销。HCCL（Huawei Collective Communication Library）是昇腾CANN生态里的集合通信库，负责多卡之间的AllReduce、AllGather、Broadcast等集合通信操作，是昇腾NPU分布式训练的通信基础设施。
2026-06-06 22:01:09
200
原创 AMCT 模型压缩工具箱导读——从量化到剪枝的一站式解决方案（昇腾CANN生态下模型轻量化全链路实践指南）
在人工智能推理落地的工程实践中，模型体积过大、推理延迟过高、内存占用过高始终是制约端侧和边缘侧部署的核心瓶颈。昇腾CANN作为全栈AI异构计算架构，为昇腾NPU提供了从模型训练、压缩、转换到推理部署的全链路工具链支持，覆盖训练框架适配、算子库、运行时引擎、性能分析等全场景需求。
2026-06-06 21:59:54
218
原创 graph-autofusion 入门详解——CANN 图自动融合工具帮你消除算子间冗余显存搬运开销
在昇腾NPU上执行推理时，一个典型的深度学习模型的计算图中相邻算子之间的数据搬运往往占据了总耗时的相当比例。假设一个卷积层后面紧跟 BatchNorm 和 ReLU，原始计算图会分别执行三个独立算子，每个算子都需要把输入从显存读进来、计算、再把结果写回显存。三次读写意味着三次完整的显存访问周期，而实际上卷积的输出完全可以留在片上缓存中直接交给 BatchNorm 处理，BatchNorm 的结果再直接送给 ReLU。
2026-06-06 21:58:38
200
原创 昇腾CANN图编译引擎GE：从计算图到可执行指令的编译全流程实战
用PyTorch训练模型的时候，我们写的代码是动态图——每条语句即时执行，调试方便但执行效率不是最优。把模型部署到昇腾NPU上做推理时，需要先把动态图转成静态图，然后经过一轮编译优化，生成NPU可以直接执行的离线模型文件（om文件）。GE（Graph Engine）就是CANN生态里负责这个编译过程的图编译引擎，它把前端框架（PyTorch/MindSpore）导出的计算图，经过算子融合、内存规划、Tiling计算等优化Pass，最终生成可以在昇腾NPU上高效运行的执行计划。
2026-06-06 21:57:32
197
原创 昇腾SIP系统级指令处理器：深度解析与实战指南，深入剖析SIP的系统架构设计、编译原理与CANN异构计算生态集成实践
SIP是CANN生态中连接高层模型与底层硬件的关键桥梁。在人工智能算力需求爆发式增长的今天，深度学习模型的部署和优化已经成为业界最核心的挑战之一。当开发者将一个训练好的神经网络模型迁移到昇腾NPU等异构硬件平台时，往往会面临指令集不兼容、算子无法直接映射、硬件资源利用率低下等一系列棘手问题。传统的解决方案需要开发者深度介入底层硬件细节，手写高度定制化的加速代码，这不仅大幅提升了开发门槛，也使得模型在不同硬件平台之间的可移植性极差。
2026-06-05 10:36:42
211
原创 深入解析 shmem 对称内存通信库：昇腾 NPU 分布式训练场景下的跨设备间高速数据交换实战完全指南
在昇腾 NPU 的多机多卡分布式训练场景中，跨设备的数据传输与内存共享始终是影响整体算力利用率的关键瓶颈。传统的 MPI 通信模式虽然通用，但在面对昇腾硬件特有的 DMA 引擎和内存层次结构时，往往无法充分利用硬件能力，导致通信开销居高不下。CANN 生态开源的shmem。
2026-06-05 10:35:29
173
原创 昇腾Runtime运行时引擎：从硬件调度到算子编排的全链路实战——深入理解CANN Runtime如何连接应用层与昇腾NPU的计算能力
CANN（Compute Architecture for Neural Networks）是昇腾AI处理器的整套软件栈，而Runtime是这套软件栈中距离硬件最近的软件层之一。很多开发者对CANN的理解停留在"训练框架调ATC转换模型，然后拿aclmdl推理"的阶段，但对Runtime究竟做了什么、怎么用、什么时候该用哪个API，并不清楚。这种模糊直接导致几个常见问题：推理延迟比预期高、显存占用异常、算子融合没有生效、多模型并发时互相阻塞。
2026-06-05 10:34:04
268
原创 深入剖析昇腾ATVC算子编译器：从CANN软件栈体系定位、自定义IR设计原理、完整编译优化流程详解、Pass开发机制实践到手把手实战自定义算子开发全流程与效率对比全解析
在人工智能算力需求持续爆发的今天，华为昇腾（Ascend）系列AI处理器凭借其达芬奇架构和强大算力，正在成为越来越多开发者和企业的首选。然而，要让算法真正在昇腾NPU上高效运行，仅仅有硬件是不够的——还需要一套完整、开放、可定制的编译工具链。这正是CANN（Compute Architecture for Neural Networks）生态的核心价值所在。CANN作为昇腾AI处理器的软件栈，承载着从上层AI框架到底层NPU硬件之间的全部编译与运行时支撑。
2026-06-05 10:32:34
372
原创 ATB昇腾Transformer加速库：高性能大模型推理优化实战指南
随着大语言模型参数量从数十亿跃升至千亿级别，Transformer 架构已成为现代深度学习模型的事实标准。然而，庞大的计算量和内存消耗使得模型部署成为工程实践中的核心挑战。在昇腾AI处理器生态中，ATB（Ascend Transformer Boost，昇腾Transformer加速库）作为面向Transformer类模型的高性能推理优化库，提供了一套从算子融合到内存优化的全栈加速方案。ATB并非简单的单点优化工具，而是一套覆盖计算图改造、算子调度、内存管理和并行策略的综合加速框架。
2026-06-04 12:37:29
191
原创 昇腾NPU原生数值计算：asnumpy快速上手与性能迁移指南——从NumPy零改造迁移到昇腾硬件加速实战
在昇腾NPU上做数值计算，长期以来存在一个尴尬的断层：开发者习惯了NumPy的API和生态，但NumPy只能在CPU上运行；要把计算搬到NPU上，要么学一套全新的框架，要么手写CANN算子。两条路都不轻松。asnumpy的出现就是为了填平这个断层——它提供了一套与NumPy高度兼容的API，让已有的Python数值计算代码几乎零改造就能在昇腾NPU上跑起来，获得硬件加速能力。
2026-06-04 12:35:50
184
原创 asnumpy 深度：昇腾原生 NumPy 兼容层的实现边界与性能真相
在昇腾 CANN 生态中，asnumpy 扮演着一个特殊角色——它既不是传统意义上的算子库，也不是单纯的加速框架，而是一座横跨 CPU 与 NPU 两个世界的桥梁。昇腾 NPU 的计算能力需要被释放，但绝大多数算法工程师的日常工作都在 NumPy 生态中完成，两套体系之间的鸿沟需要被填平。asnumpy 的出现，正是为了解决这个核心矛盾：让 NumPy 代码在昇腾 NPU 上跑起来，而且要跑得快、跑得稳。
2026-06-04 12:34:05
195
原创 Ascend Boost Comm昇腾通信加速库：从源码到手把手实战开发自定义算子
在大规模分布式训练和推理场景下，昇腾NPU（Ascend NPU）凭借其高算力密度和专用硬件架构，已经成为国产AI基础设施的重要选择。而CANN（Compute Architecture for Neural Networks）作为昇腾AI计算的核心软件栈，向下驱动硬件、向上支撑AI框架，承担着算子编译、调度、执行等关键职责。
2026-06-04 12:30:09
164
原创 深入解析昇腾开发工具集 asc-tools：架构设计与应用实践
在人工智能技术飞速发展的今天，深度学习模型的规模与复杂度持续攀升，对底层计算硬件和软件栈提出了更高要求。华为发布的昇腾NPU（Neural Processing Unit）系列作为国产AI算力的重要代表，已经在训练、推理等场景中得到广泛应用。而CANN（Compute Architecture for Neural Networks）作为昇腾NPU的异构计算架构，承上启下连接了上层AI框架与底层硬件，成为释放昇腾芯片算力的关键平台。
2026-06-04 12:28:21
163
原创 用 JiuwenClaw 打造合同审查辅助Agent Swarm：从条款提取到风险标注的实践记录
本文介绍了使用JiuwenSwarm构建合同审查辅助Agent Swarm的实践。通过多Agent协作模式，将合同审查拆解为条款提取、法律风险审查、商务风险审查、版本比对等专业分工，形成可复用的审查流水线。文章详细阐述了JiuwenSwarm环境搭建、TeamSkill创建流程，以及如何通过Coordination Engineering设计稳定的多Agent协作系统。该方案旨在将重复性工作前置处理，让专业人员专注于决策判断，提高合同审查效率。
2026-05-19 18:10:39
2267
原创 【精通篇】打造React Native鸿蒙跨平台开发高级复合组件库开发系列：点击组件（跳转快应用)
接下来通过打包命令npn run harmony将reactNative的代码打包成为bundle，这样可以进行在开源鸿蒙OpenHarmony中进行使用。
2026-02-25 20:02:05
544
原创 【精通篇】打造React Native鸿蒙跨平台开发高级复合组件库开发系列：Sidebar 侧边导航（绑定当前选中项的索引）
开源鸿蒙跨平台开发者社区诚邀开发者共建生态，提供React Native侧边栏组件代码示例。该组件包含可折叠侧边栏功能，支持自定义图标（以Base64格式SVG实现）、徽章提示和回调事件。示例代码展示了如何实现包含首页、用户、设置等菜单项的侧边栏，使用TypeScript接口定义数据结构，支持头部和底部自定义内容。通过Animated实现平滑动画效果，适合跨平台应用开发。欢迎访问社区官网参与鸿蒙生态建设。
2026-02-25 18:31:38
386
原创 【精通篇】打造React Native鸿蒙跨平台开发高级复合组件库开发系列：Pagination 分页（绑定当前页码）
接下来通过打包命令npn run harmony将reactNative的代码打包成为bundle，这样可以进行在开源鸿蒙OpenHarmony中进行使用。
2026-02-25 18:22:11
443
原创 【精通篇】打造React Native鸿蒙跨平台开发高级复合组件库开发系列：Grid 宫格（展示内容或进行页面导航）
本文深入解析了基于React Native的鸿蒙跨平台标签组件实现方案。组件采用"配置化属性+动态样式计算"架构，通过TypeScript接口定义全维度属性配置体系，支持多类型、多尺寸、多形态的标签展示。核心亮点包括：分层组合的样式计算逻辑确保跨端视觉一致性；原生交互组件适配不同终端交互方式；字符图标方案避免资源适配问题；DP单位保证尺寸一致性。该组件实现了从手机、平板到智慧屏的全场景适配，为鸿蒙生态提供了一套标准化、高性能的标签组件解决方案。
2026-02-13 21:17:48
1027
原创 【精通篇】打造React Native鸿蒙跨平台开发高级复合组件库开发系列：Tag 标签（通过 type 属性控制标签颜色）
这套 React Native 轮播组件不仅实现了自动播放、循环滚动、分页控制等核心功能，更构建了一套完整的鸿蒙跨端适配体系。架构层面：原生组件封装 + React 状态管理，兼顾跨端性能与逻辑灵活性；交互层面：统一滑动、点击、自动播放逻辑，适配鸿蒙多终端操作习惯；布局层面：动态尺寸计算，适配不同屏幕尺寸的鸿蒙设备；资源层面：规范定时器与资源管理，对接鸿蒙分布式能力体系。
2026-02-13 21:10:50
751
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人