边界条件：仅在第一层额外判断边界条件 进一步改进 VDB 导出：支持导出多个网格，并指定名称 进一步改进 VDB 导出： P-IMPL 模式 进一步改进 VDB 导出： F-IMPL 模式 Blender 渲染结果 改进 改进边界条件：外部边界流出而不是反弹，内部边界可以流出速度 Blender 中调整一下材质 Blender 中调整一下材质 改进对流：让烟雾随时间逐渐褪色 改进对流：让烟雾随时间逐渐褪色 改进对流：让烟雾随时间逐渐褪色 改进褪色：不是褪色 density ，而是褪色 temperature 改进褪色：不是褪色 density ，而是褪色 temperature 改进褪色：不是单纯地乘以 decayRate ，还和周围环境温度求平均值 改进温度：高温气体往上浮（作为外力来看待） 结果：更像火焰了 改进颜色场：让 clr 作为尘埃密度，密度越高越有向下坠落的趋势 问题：上面的尘埃无止境的飘下来 解决：纹理对象指定为 解决：纹理对象指定为 cudaAddressModeBorder 让越界访问自动变 0 即可 结果：小球加回来 改进温度：只有达到一定温度才会上升，否则（视为冷空气）下降 改进褪色：尘埃密度也会褪色

，其中 n 是元素个数 改进的并行缩并（ GPU ） • 刚才那种方式对 c 比较大的情况不友好， 最后一个串行的 for 还是会消耗很多时间 。 • 因此可以用递归的模式，每次只使数据缩 小一半，这样基本每次都可以看做并行的 for ，只需 log2(n) 次并行 for 即可完成 缩并。 • 这种常用于核心数量很多，比如 GPU 上 的缩并。 结论：改进后的并行缩并的时间复杂度为 ，工作复杂度为 O(n+c) ，其中 n 是元素个数 改进的并行扫描（ GPU ） 第一步、 4 个线程，每个处理 2 个元素的扫描，花了 1 秒 第而步、 4 个线程，每个处理 2 个元素的扫描，花了 1 秒 第三步、 4 个线程，每个处理 2 个元素的扫描，花了 1 秒 用电量： 3*4=12 度电 总用时： 1*3=3 秒 结论：改进后的并行扫描的时间复杂度为 O(logn) ，工作复杂度为 并行快速排序 （和刚刚手写的快速排序）加速比： 2.05 倍 改进：数据足够小时，开始用标准库串行的排序 （和标准库串行的 std::sort ）加速比： 4.59 倍 封装好了： tbb::parallel_sort （和标准库串行的 std::sort ）加速比： 4.80 倍 重新认识改进的并行缩并 • 其实之前提到“改进后的并行缩并”，也是一 种分治法的思想：大问题一分为二变成小

静态分析工具：半智能的代码分析机器人  静态分析辅助代码评审 自动化工具+流程才是未来 Bug! Thx! Bug!  投入大  KPI不痛不痒  使用主体和责任主体不一致  一步登天想要终极AI 代码质量改进工具、流程落地难 Bug! No Thx! DevOps: 代码质量责任应该左移 设计 代码 开发 代码 评审 入库 测试 发布 1. 非研发人员主导，沟通成本高，推动修复周期长 使用了定理证明器求解可 行路径（精确，耗时） • 能跨函数分析 • 能处理指针 使用有深度的代码分析器 做到快速和准确 用尽量少机器完成一天几千次分析 每次分析10分钟要能结束 控制误报并建立反馈和改进机制 挑战：超大规模代码仓库 项目平均40分钟单机编译时间 项目平均编译代码量超百万行 编译的价值 C/C++代码逻辑受编 译参数深度控制 源代码索引和统计 提升开源静态分析工 具分析质量 如何做到10分钟反馈分析结果 系统地改进分析时间 编译流程 分析流程 依赖关系分析 分布式 编译 分布式 分析 分布式链接 跨模块分析 报告整合 缓存 缓存 缓存 缓存 硬核玩家：从理论上改进静态分析能力 PLDI 2018: 去掉路径 遍历分析中的冗余 ICSE 2019：路径遍历内 存泄漏分析的多项式算法 需求2：误报率要低 方法1： 数据驱动的改进循环 降低 误报率

mylib.cpp 里的 say_hello 函数 改进： mylib 作为一个静态库 改进： mylib 作为一个动态库 改进： mylib 作为一个对象库 https://www.scivision.dev/cmake-object-libraries/ 对象库类似于静态库，但不生成 .a 文件，只由 CMake 记住该库生成了哪些对象文件 改进： mylib 作为一个对象库 https://www

nx*nblur 需要缓存： blockSize*nx*nblur 改进：只对 X 循环做分块 BM_y_blur_tiled BM_y_blur_tiled_only_x 因此，可以只对 X 循环分块，并且把外 层改成 XY 序，形成 XYx 序。 需要缓存： blockSize*nx*nblur 需要缓存： blockSize*nblur 改进：只对 X 循环做分块 • 反而变慢了，是怎么回事？

是一个模板类，则 CRTP 的那个参数应包含派生类的模板参数，例 如： • template • struct Derived : Base> {}; CRTP 的改进：如果基类还想基于另一个类 • 现在我们的需求有变，需要新增一个“超狗 (superdog)” 类，他继承自普通狗 (dog) 。 • 这时我们可以给 IObjectClone 新增一个模板参数

ivdep C/C++ 的缺点：指针的自由度过高，允许多个 immutable reference 指向同一个对象，而 Rust 从语法层面禁止，从而让编译器放心大胆 优化。 为什么标准委员会不改进一下？因为一旦放弃 兼容，就等于抛弃所有历史遗产的全新语言， 就和 Rust 无异，从而没有任何理由再学习 C++ 。 std::vector ：也能实现 SOA ！ 优化前 (AOS) 优化后

的）就需要起始地址和数组长度两个，才能确定 下来，也就是 char * 和 int 两个。 • 所以要把动态数组的引用传给函数，需要有两个 参数，一个指针加一个长度。 使用 const 修饰指针指向的值 • 改进： printarr 没有修改 a 数组里的元素，因此 是只读的访问，可以改成 const char* a 。 • 标记 const 的好处是，让调用者清楚哪些函数有 副作用（会修改数组），哪些是只读的。

元素作为基准数。然而，如果运气不佳，每次都选到不理想的基准数，效率仍然不尽如人意。 需要注意的是，编程语言通常生成的是“伪随机数”。如果我们针对伪随机数序列构建一个特定的测试样例， 那么快速排序的效率仍然可能劣化。 为了进一步改进，我们可以在数组中选取三个候选元素（通常为数组的首、尾、中点元素），并将这三个候选 元素的中位数作为基准数。这样一来，基准数“既不太小也不太大”的概率将大幅提升。当然，我们还可以 选取更多候选元

元素作为基准数。然而，如果运气不佳，每次都选到不理想的基准数，效率仍然不尽如人意。 需要注意的是，编程语言通常生成的是“伪随机数”。如果我们针对伪随机数序列构建一个特定的测试样例， 那么快速排序的效率仍然可能劣化。 为了进一步改进，我们可以在数组中选取三个候选元素（通常为数组的首、尾、中点元素），并将这三个候选 元素的中位数作为基准数。这样一来，基准数“既不太小也不太大”的概率将大幅提升。当然，我们还可以 选取更多候选元