手把手教你静态代码检查工具TscanCode安装与使用

下载地址:

链接:https://pan.baidu.com/s/1c04UZvwRrPGpoei2Js8tkA 
提取码:gen8 
--来自百度网盘超级会员V5的分享

一、安装

1、通过以上下载链接下载TscanCode

2、双击打开TscanCodeV2.14.24.windows.exe

3、等待安装包准备就绪

4、点击下一步

5、点击更改以更改安装路径

6、点击下拉菜单选择路径

7、选择D盘

8、点击新建文件夹按钮新建一个文件夹,然后重命名为“TscanCode”

9、双击打开TscanCode文件夹,点击确定

10、点击下一步进行安装

11、安装完成后,点击完成按钮退出安装程序

二、使用

  1. 双击打开TscanCode

2、点击设置可以对检查规则进行选择

3、软件默认选择了基础规则包的全部规则,用户可以查看或者取消勾选其中的任意规则;扩展规则包以及可以错误规则包可以自行选择勾选。

4、设置好规则后点击关闭,进入主界面点击扫描文件夹

5、找到要进项静态检查的文件根目录,点击选择文件夹

6、点击开始扫描,开始进行本项目的静态检查

7、等待检查完毕

8、检查完成后会弹出一个新的结果查看窗口,窗口中会显示错误信息

9、双击其中的一个错误可以对错误内容进行查看

选包建议:

建议使用基础规则包时将dereferenceAfterCheck规则取消勾选,这条规则是用来判断在使用指针时是否判断指针为空,但是在大多数的项目工程中对于结构体指针并不会进行这样的判断,这会导致大量的误判报告,如果确实需要检查可勾选此项。

dereferenceAfterCheck描述:指针先判空,然后在判空作用域外解引用,因为指针判空暗示当前上下文该指针可能为空,因此建议对没有在判空作用域的指针添加判空保护。

dereferenceAfterCheck示例:

 

 

在勾线可以错误规则包时候建议取消勾选nullPointerArg规则和possibleNullDereferenced规则,nullPointerArg规则是用来判断函数返回值赋值给指针时是否为空,出现这种错误通常是因为函数定义为void类型,但这样的错误编译器会有相应的提示,所以可以取消勾选;对于possibleNullDereferenced规则同nullPointerArg规则类似,以下是软件中对二者的描述。

规则名

规则描述

 nullPointerArg

函数的参数没有判空,可能会因为空指针带来宕机等严重问题。

 possibleNullDereferenced

检查工具无法确定是否是空指针,但存在这个可能需要人工确定,如:char *p = GetSomePointer();工具未能找到GetSomePointer()函数的实现或无法确定该函数是否不可能返回空,所以对指针p解引用就会报该错误。

小技巧:

在使用工程模板时,通常底层代码是不需要修改的,建议不要将用户代码文件与底层代码文件放置于同一个文件夹中,在进行代码静态检查是选择用户文件夹进行只对用户代码的静态检查以提高静态检查的效率。

  • 5
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext库。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext库加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值