xxxx的博客

原创 多维c++ vector, vector＜pair＜int,int＞＞, vector＜vector＜pair＜int,int＞＞＞示例

这篇文章演示了C++中vector容器的嵌套使用。示例代码展示了如何创建和管理pair类型的vector，包括元素的添加、删除和遍历操作。重点演示了使用for(auto currentVector:vec2)语法遍历二维vector的方法，以及如何输出各个pair元素的first和second值。代码还涉及vector的size获取、pop_back操作和emplace_back方法的使用。通过这个示例，可以学习vector容器的基本操作和嵌套结构的数据访问方式。

原创 openMP数据的线程分配策略，调度机制

本文演示了OpenMP并行循环的默认静态调度方式。代码示例使用3个线程处理11次循环迭代时，线程0处理0-3，线程1处理4-7，线程2处理8-10；当使用4个线程时，线程0处理0-2，线程1处理3-5，线程2处理6-8，线程3处理9-10。结果表明OpenMP默认采用均分策略，当不能整除时，前几个线程会多处理一个迭代任务。这种分配方式逻辑清晰，避免了复杂的调度机制。

原创 omp_get_thread_num为0，真是奇怪了。

文章摘要：OpenMP并行代码示例中，#pragma omp parallel块内打印各线程号，块外打印主线程号0。添加return语句后并行块正常执行，显示所有线程号。分析表明，非并行区域默认仅主线程(0)执行，符合预期。该现象验证了OpenMP的并行机制：并行块内多线程工作，串行段单线程执行。

原创 eigen, VecXd 报：task 0: Segmentation fault

摘要：调试过程中发现数组大小和索引错误。初始代码VecXd bb(3)定义3元素数组，但错误访问bb(3)。修改后正确使用bb(0)-bb(2)赋值，最终计算得范数3。主要问题在于数组越界访问，需要注意C++数组索引从0开始，有效范围是0到size-1。调试过程体现了编程中常见的数组边界错误排查。

原创 scrcpy——Android投屏神器实测

5）运行.\scrcpy.exe，这玩意 真牛逼。比那些要各种账号的效果好多了。1）下载，SHIT还要VPN。3）手机打开USB调试。看起来确实可以连上。

原创 Android Studio 撕开安卓手机投屏

摘要：尝试多种屏幕镜像软件失败后（包括scrcpy等），通过Android Studio成功实现设备投屏。具体步骤为：新建项目→搜索DeviceMirroring进行设置→开启USB调试→通过RunningDevices连接。最终测试效果显示投屏功能可用，但画面清晰度欠佳。该方案为传统镜像工具失效时的替代方案，适合开发者操作但存在画质损失问题。（98字）

原创 天河超算上非root用户源码编译LLVM遇到的问题

摘要：在LLVM/Bolt构建过程中出现错误，cmake试图删除/usr/bin/ar等重要系统工具。经查发现CMAKE_AR和CMAKE_RANLIB变量被错误设置为系统路径（/usr/bin/ar和/usr/bin/ranlib），导致构建脚本尝试删除这些关键文件。问题出现在执行cmake --build命令时，表现为静态库libbolt_rt_hugify.a构建失败。该问题可能与Spack环境下的CMake 3.23.1配置有关，需进一步检查工具链设置并修正路径指向。虚拟机环境可能因sudo权限暂未

原创 python 模拟鼠标键盘

在conda里面，python版本是3.8.1。

原创 豆包的大模型真蠢！！！

这段文字记录了用户反复修改图片处理指令的过程，但始终得不到理想结果。用户要求将"block"改为"线程块"、提高清晰度，同时保持图像结构、文字大小和箭头不变。尽管多次细化要求（共修改5次指令），AI仍然无法准确执行，导致用户感到沮丧。整个过程反映了当前AI在精确理解复杂图像编辑指令方面的局限性，以及人机交互中存在的沟通障碍问题。

原创 2025年高性能计算年会

下面这个楼还是很有特点，鄂尔多斯还是有钱啊。

原创 世上最全最深刻的PyAutoGUI中locateOnScreen算法分析

本文摘要： PyScreeze库提供了基于图像识别的屏幕操作功能，主要包括locateOnScreen、locateCenterOnScreen等核心函数。其实现原理分为Pillow和OpenCV两种方式：Pillow版本通过逐像素比对实现，而OpenCV版本则利用cv2.matchTemplate进行模板匹配，后者支持置信度参数。当图像未找到时，可选择抛出ImageNotFoundException或返回None。该库支持灰度处理、区域限定等参数，并通过文件对象管理优化资源使用。OpenCV实现方式性能更

原创 2025年ccf高性能计算专委会全体执委会议现场

原创 将多个任务分到1内存条好，还是分到多内存条好？

本文讨论了服务器内存配置的优化策略，指出AI应用推高了内存需求，使价格占比降低。建议优先考虑内存通道数量而非容量，16通道优于12通道。同时指出V100SXM显卡因需要专用底板导致二手价格低廉。在采购计算节点时，建议根据CPU型号选择内存通道配置，而非单纯比较总容量。

原创 AI4S的专家讨论，感觉不乐观

AI4S在科学计算领域面临诸多挑战：1）目前尚未形成主流应用场景，性能功耗比要求限制了架构发展；2）现有研究存在为发论文而编造数据的现象，尤其在复杂流体计算领域AI方法难以应对高雷诺数问题；3）农业水利等专业计算需处理多变量稀疏矩阵，更依赖传统CPU计算；4）AI4S本质是利用HPC样本进行结果拟合，存在精度和泛化性局限，难以替代HPC主导领域（如流体模拟）；5）更适用于设计类"大概齐"计算场景（如新材料设计）或固定模式的重复性任务，而难以解决高维度科学计算问题（如任意Ax=b求解）。当

原创 微信聊天记录：秦汉两千年以来缺乏价值观的多样化，导致内卷严重

摘要： 文章探讨了人类太空移民的必要性（如应对大灭绝）与可行性（火星可行，太阳系外受物理限制），同时反思科研工作者的精神压力与中国传统管理中的“香蕉激励”模式。作者指出，功名利禄是主流价值追求，但个人需学会内求与平衡，否则在无止境的竞争中难以获得真正的舒适。

原创 宇航学报：国防科大等7家优势单位全球首次提出太空超算概念

国防科大等7家单位联合在《宇航学报》发表全球首篇太空超算研究论文，系统性提出太空超算概念，将其定位为支撑太空殖民的关键信息基础设施。研究解构了体系架构、兆瓦级发电等11项核心技术挑战，提出P级验证系统5年建成、30年产业化的发展路径。该技术可支持深空探测实时计算、林火秒级预警等应用，将成为牵引下一代信息技术发展的新动力。团队由国防科大、国家超算天津中心等国内顶尖机构组成，填补了这一新兴领域的理论空白。

原创 pluto example, heat-1d优化分析

用#pragma scop和#pragma endscop包围的东西。

原创 pluto, main函数分析

该代码位于/home/a/src/a1.pluto/pluto/tool/main.cpp，引用了多个库文件，包括数学支持、Pluto框架相关以及OSL、CLAN和PET等外部库。项目包含简单和复杂两种构建方式，涉及循环优化和程序转换功能。主要处理程序分析、优化和转换任务，可能用于高性能计算领域的代码优化工作。

原创 pluto代码分析，累死我了

结构体struct pet_scop在pet.h中，grep好像有点问题。使用PET或者CLan读取文件？这是啥玩意，输入是文件，输出是啥？1）main函数在tool/main.cpp里面。pluto_tile在lib/tile.c中。pluto代码其实很复杂了。要看懂，需要对代码进行仔细的分析。也不容易，需要深入了解代码和原理。一步一步，到底是怎么变换的。在lib/pluto.c中。在lib/pluto.c中。3）给各种函数疯狂赋值。

原创 pluto makefile, and polycc , source code analysis

摘要：本文介绍了Ubuntu下打印当前屏幕的快捷键（Alt+PrintScreen），并分析了polycc编译脚本的工作原理。polycc是一个shell脚本，通过Makefile生成，调用pluto工具进行代码转换和优化（如并行化、循环展开等）。脚本包含参数处理、文件操作和错误处理逻辑，最终生成优化后的代码文件。实际编译命令示例展示了pluto工具的使用方式，该工具位于pluto/tool目录下，包含多个源代码和对象文件。

原创 pluto, polycc, --help, example

Polycc 使用摘要 polycc 是一个基于多面体模型的循环优化编译器，主要功能包括： 支持多种依赖分析工具（libpet/clan）和 ILP 求解器（ISL/PIP） 提供丰富的优化选项：平铺（tile）、并行化（OpenMP）、向量化、循环展开等 典型使用方式：polycc input.c --pet -o output.c，其中--pet指定使用libpet进行多面体提取 示例显示对heat-2d.c进行优化时，自动检测到3层循环和11个依赖关系，完成平铺和调度优化 可通过--parallel选

原创 pluto, polycc, titled, omp, test

摘要：使用gcc编译了heat-2d.c的原始版本、分块优化版本和并行版本，测试结果显示：原始版本执行时间39,823ms（4,018 MFLOPS），分块优化版本27,318ms（5,857 MFLOPS），4线程并行版本7,705ms（20,766 MFLOPS）。并行版本性能最优，分块优化也优于原始版本。编译过程中发现，若不使用PET参数，在提取多面体时会因第82行语法错误导致编译失败。

原创 pluto, git submodule init, in ubuntu within VMvare

1)2)3)fatal:'polylib'4)5)

原创 天知道：Ubuntu 22.04 desktop中文输入法：step by step

该文记录了在Ubuntu系统上安装中文输入法的过程：从设置语言区域、下载中文包，到安装ibus拼音输入法。作者吐槽了下载速度，并强调保留英文路径以便编程。尽管多次尝试设置和重启，最终仍未成功安装中文输入法，表达了安装过程的烦躁与无奈。文中穿插技术操作步骤和个人感受，展现了解决Linux系统问题的典型困扰。

原创 pluto, polycc, test

本文展示了使用Pluto编译器对2D热传导代码进行优化的过程。首先通过heat-2d.c源文件生成了两个优化版本：heat-2d.tiled.c（平铺优化）和heat-2d.par.c（并行优化）。Pluto自动完成了依赖分析（耗时0.067s）、转换优化（0.016s）和代码生成（0.067s）等步骤，采用64的块大小进行分块处理。两种优化方案都进行了循环转换，包括时间维度的重新调度。最终使用gcc编译，添加-O3优化和本地架构标志，其中并行版本还启用了OpenMP支持。整个过程展示了从原始代码到优化版本

原创 突然的自我：vmvare ubuntu ping不通怎么办？

摘要：遇到无法Ping通百度等网站的问题时，用户冲动删除了VMware中的Ubuntu虚拟机并重新安装。该操作忽略了时间因素可能带来的影响，反映出用户在技术故障处理时容易采取极端手段。建议遇到网络问题时先排查DNS、防火墙等常规设置，避免直接重装系统这种耗时且未必能解决问题的方案。

原创 天河超算源码安装LLVM，天实录

这个cmake -E rm时出错了，感觉是删除文件时出错，确实没有权限删除 /usr/bin/ar，/usr/bin/ranlib。和BUG记录、算法分析等，安装软件的起居、婚丧、祭祀，巡幸等活动亦多载入，已编成的十二朝实录，篇幅不等，若十种之间相差颇为悬殊。5）目前看起来还可以，不知道会不会报那个什么6.5的错误。《天实录》，全称《天河历朝实录》，系天河历朝的官修。目前看起来编译是对的，主流编译器就有这个 好处。6）后面不知道为什么好慢，不知道啥原因。给出了解释，这个应该是权限的问题。

原创 sed -i 批量删除特定行

本文展示了使用sed命令清理测试日志文件的过程。通过7条sed命令删除了包含特定字符串（如"srun"、"include"、"error"等）和空行的内容，将文件从46KB缩小到9KB。清理后的0710-clean.txt仅保留pluto、polly和GCC/ICC/Clang编译器的测试结果，包括jacobi-1d-imper程序在不同编译器下的运行时间数据。对比原始0710.txt文件可见，该方法有效去除了队列信息、pragma警告等冗余内容，

原创 GCC、ICC、clang、Pluto、LLVM polly性能对比

编译测试对比结果显示：GCC、ICC和Clang三大编译器各具优势。GCC兼容性最佳但优化稍弱；ICC在Intel平台数值计算中效率突出；Clang综合表现优异，在现代代码中效率领先。测试中不同文件的最优编译器不同，如jacobi-1d-imper.c在GCC下最快，而heat-1d.c则是Clang最优。Clang-O3polly优化效果不稳定，仅在部分循环代码中可能提升效率。建议根据具体项目需求选择编译器：科学计算优先ICC，跨平台开发选GCC/Clang，需结合代码类型实测验证。

原创 pluto，Polybench测试及分析

大部分情况下pluto优化后的代码会有性能提升，有些特别复杂，就没有提升。打开代码，Pluto应该是把scop和endscop之间的代码进行了转换。把下面的几个宏定义代码贴进#include <polybench.h>中。把seidel-2d.c上面的部分替换成。7）其他也可以类似处理。

原创 数值计算相关代码推荐美国University of South Carolina大学John Burkardt教授

allocatable_array是一个程序，它演示了C函数如何声明指向数组的指针，将其传递给函数，然后函数可以分配它并用数据填充它，然后通过参数列表将分配和初始化的数组返回给调用函数。asa172是OFlaherty和MacKenzie开发的一个库，它生成给定范围内的所有多维索引，模拟任意数量的嵌套循环的行为。这是应用统计算法172的一个版本；8字曲线，一个评估时间方程的程序，一个计算24小时统一日和太阳实际位置之间差异的公式，基于Brian Tung的C程序创建可以用gnuplot绘制的数据文件。

原创 pluto,例子测试结果

本文对比了gcc、clang和icc三种编译器在多个基准测试程序中的编译运行表现。结果显示，icc在计算密集型任务（如矩阵乘法）中表现最优，matmul.c耗时仅3.41秒（gcc 18.96秒，clang 27.07秒）。各编译器在不同场景各有优势：gcc和clang在部分文件编译失败（如缺少sqrt引用或头文件），而icc能成功编译但会产生#pragma警告。clang性能通常介于gcc和icc之间，如在fdtd-1d.c中耗时9.80秒（gcc 10.27秒，icc 10.25秒）。总体而言，icc对

原创 pluto example PCA, 报错信息

摘要：编译命令正常执行（gcc -DMEDIUM_DATASET等参数），但运行时出现语法错误提示，要求输入PCA分析参数（文件名、行列数、分析选项）。随后修改参数仍报错，显示main函数返回值类型默认为int的警告，最终导致段错误（Segmentation fault）。虽然问题可能修复，但用户选择放弃继续调试。整个过程涉及编译错误、运行时参数错误和内存访问异常等问题。

原创 llvm polly ， polybench全部测试

本文展示了使用不同编译器优化选项（gcc-O3、clang-O3、clang-O3omp2threads、clang-O3vector）对31个测试案例的性能测试结果。测试涵盖线性代数、数据挖掘和模板计算等多个领域。结果显示，向量化优化（clang-O3vector）在约半数案例中性能提升显著（如covariance从20.912s降至0.700s），但在其余案例中效果不明显甚至出现性能下降（如heat-3d从5.378s增至9.635s）。部分案例（如nussinov）因MAX_SIZE未定义导致编译失败

原创 LLVM Polly，输出中间过程

Polly的分析和转换过程与过程管理器管道的许多其他过程一起运行。在Polly之前运行的一些传递对其工作至关重要，例如循环的规范化。因此，Polly无法直接从clang的-O0输出中优化代码。这个也可以生成汇编代码。

原创 llvm, polly, 向量化测试，GEMM非常明显

本文展示了使用LLVM Polly进行代码优化的实验结果。测试了不同优化策略（OpenMP并行化和向量化）在Jacobi-2d、GEMM和correlation等算法上的性能表现。结果显示：1) 向量化对GEMM算法效果显著，执行时间从3.265s提升至1.211s；2) 在correlation算法中，向量化后性能提升近10倍（20.509s→2.272s），但需注意链接数学库(-lm)以避免sqrt函数未定义错误；3) 与gcc常规优化相比，Polly的向量化展现出更优异的性能（17.786s→2.27

原创 原创：多面体编译，polybench-c-4.2批量测试脚本

本文介绍了使用PolyBench-C 4.2进行批量性能测试的方法。通过自定义安装的LLVM工具链（包括Clang和Polly优化器），对31个基准测试程序（涵盖线性代数、数值计算等）进行四种编译优化对比：gcc-O3、clang-O3、clang-O3+OpenMP双线程、clang-O3+向量化。测试发现floyd-warshall在向量化优化时耗时异常（近5分钟），其余优化方式表现正常（gcc-O3耗时42.8秒，clang-O3耗时33.3秒）。实验验证了该测试框架的可行性，同时揭示了特定算法在向量

原创 LLVM Polly亲自测试3及疑问

本文测试了多个算法在不同数据集上的性能表现：Nussinov和ADI效果一般，FD-TD-2D表现较好，Heat-3D在JB模式下反而变慢，Jacobi-1d/2d中Polly表现不佳但Clang优于GCC。测试发现部分算法性能存在反常现象，需要进一步分析中间结果和汇编代码以排查问题，特别是要确认是否意外引入了OpenMP并行化。

原创 LLVM polly 生成 OpenMP代码，太困了，明天搞，要猝死了

本文展示了使用Polly与Clang编译器对PolyBench测试集的并行优化效果。实验结果表明：heat-3d程序的OpenMP并行化接近完美，2线程时执行时间从10.669s降至5.440s；而nussinov程序未受益于并行化，2线程(14.721s)与单线程(14.961s)性能相近；jacobi-2d程序在2线程下获得一定加速(5.534s→3.835s)。测试使用Clang -O3优化，通过-mllvm-polly参数启用Polly并行化，并指定线程数。这些结果揭示了不同算法对自动并行化的响应差

原创 LLVM, polly, pollybench测试2

Polly是基于LLVM的多面体模型优化框架，其流程分为三部分：LLVM IR转多面体模型、多面体模型优化、再转回LLVM IR。与基于AST的传统方法不同，Polly通过语义标准检测静态控制部分(SCoP)。实验显示，在correlation和covariance测试中，Polly优化后的执行时间分别从约30秒降至6秒和1秒，效果显著；deriche测试也从3秒降至1.7秒。然而在floyd-warshall测试中，Polly版本未能完成编译。结果表明，Polly对特定计算模式能带来显著性能提升，但适用性