背景 上一章节完成了 lk1st 的移植，为Linux主线内核的引导和ARM64 Linux 的启动提供了基础。此时 fastboot 正常工作，但是 fastboot boot 无法启动下一步。 本章即将进入到Linux主线内核的真正启动阶段， 获取Linux内核源码 获取内核源码 123cd ~/y927git clone https://github.com/msm8916-mainline/linux.git -b wip/msm8916/7.0 --depth 1cd linux 第0阶段：零外设验证内核引导启动 目标 最极简的验证：不需要串口、不需要 USB、不需要看屏幕任何输出。只需要一个秒表。 原理： 1内核启动 → 挂载 initramfs → 执行 /init → sleep 15 秒 → exit 触发 panic → kernel 重启 观察设备行为： 刷入 boot.img 后重启 屏幕亮起（lk1st splash） → 停 ~15 秒 → 重启 → 再次亮起（lk1st） 如果这个循环发生了，内核就启动了。 不需要任何调试外设，不需要 DTB ...

背景 Y927 原厂 Android 4.4 的 tz/hyp 是 32 位，无法启动 ARM64 内核。lk2nd 也受限于此。必须同时替换 tz、hyp、aboot 三个分区。 最终启动链 1PBL → SBL1 → DB410c tz → qhypstub (EL2) → lk1st (EL1, aarch32) → Linux (EL1, aarch64) ✅ 核心组件 组件 作用 DB410c tz DragonBoard 410c 的 TrustZone（与 qhypstub 兼容） qhypstub 开源 hyp stub，替代原厂 hyp，支持 ARM64 EL2 启动 lk1st 从 lk2nd 仓库构建的主引导程序（aboot 替换），提供 Fastboot 备份关键分区 本章操作只替换 tz/hyp/aboot，这三个分区的原厂镜像在线刷包中都有，即使变砖也能 EDL 刷回。 但 modem 和 fsg 存着每台手机唯一的 IMEI，线刷包的 modem 镜像是通用的，覆盖前务必先备份。 123456789101112131 ...

什么是 lk2nd？ lk2nd 是社区为 MSM8916 设备开发的二级引导加载程序： 不替换原厂 bootloader（aboot/sbl1） 打包成 Android boot image 格式，由原厂 bootloader 加载 提供标准 Android Fastboot 协议接口 自动检测硬件（屏幕、电池等）并生成设备信息 123原厂上电 → PBL → SBL1 → aboot(原厂) → lk2nd → 主线Linux内核 ↑ Fastboot 协议接口 安装工具链 12345678# ARM32 交叉编译 (lk2nd/lk1st)sudo apt install -y gcc-arm-none-eabi# ARM64 交叉编译 (内核)sudo apt install -y gcc-aarch64-linux-gnu# 其他工具sudo apt install -y device-tree-compiler ...

准备工作 原厂线刷固件 从百度网盘下载完整的 Y927 线刷包 (PD1410V_A_1.22.1)： 12345678910关键文件:├── boot.img (10 MB) ← 原厂内核+ramdisk+QCDT├── prog_emmc_firehose_8916.mbn ← vivo 签名 firehose (EDL用)├── 8916_msimage.mbn ← Sahara programmer├── rawprogram_unsparse.xml ← EDL 分区映射├── fastboot_flash_all.bat ← 官方刷机脚本├── NON-HLOS.bin ← 基带固件├── emmc_appsboot.mbn ← aboot (bootloader)├── sbl1.mbn, rpm.mbn, tz.mbn, hyp.mbn ← 引导链组件└── system_ ...

引言 波动方程是数学物理中最重要的偏微分方程之一，描述了波在介质中的传播规律。从弦的振动、声波传播到电磁波辐射，波动方程都是描述这些物理现象的基础工具。 本文将从物理模型出发，详细推导一维波动方程的标准形式： ∂2u∂t2=c2∂2u∂x2\frac{\partial^2 u}{\partial t^2} = c^2 \frac{\partial^2 u}{\partial x^2} ∂t2∂2u​=c2∂x2∂2u​ 其中 u(x,t)u(x,t)u(x,t) 表示位移函数，ccc 为波速。 物理模型：弹性弦的微小振动 基本假设 考虑一根长度为 LLL 的弹性弦，两端固定在 x=0x=0x=0 和 x=Lx=Lx=L 处。对弦的振动做以下理想化假设： 弦是完全柔软的：弦只能承受拉力，不能承受弯矩 弦的线密度恒定：设为 ρ\rhoρ (kg/m) 弦在拉紧状态下振动：张力 TTT 为常数 振动是微小的：弦上各点的位移远小于弦长，可忽略二阶小量 振动只发生在垂直方向：不考虑纵向位移 在这些假设下，弦的振动可以用位移函数 u(x,t)u(x,t)u(x,t) 描述，其中 xxx ...

在日常开发中，我们经常会在自己的功能分支上进行多次提交，这些提交可能包含了很多"修复typo"、"调整格式"等杂乱的中间提交。当准备向上游分支提交PR时，将这些杂乱的commit压缩成一个干净、整洁的commit是一个好习惯。本文将介绍如何使用git reset --soft来实现这一目标。 场景说明 假设我们有以下场景： 本地开发分支：feat-dev 上游目标分支：upstream/develop 目标：将feat-dev分支相对于upstream/develop的所有commit压缩成一个commit 完整操作步骤 第一步：确保代码已提交 在开始操作前，确保当前工作区是干净的： 1git status 如果有未提交的更改，请先提交或暂存。 第二步：更新上游分支（重要！） 在压缩提交之前，强烈建议先更新本地的上游分支，以避免后续合并时产生冲突： 12345# 获取上游仓库的最新代码git fetch upstream# 或者如果你没有设置upstream remote，可能是origingit fetch origin 第三步 ...

[指弹+唱歌] 12345G C D噜啦噜啦咧 噜啦噜啦咧噜啦噜啦咧 噜啦噜啦咧勇敢向前进 前进有奖品我要跑第一 1234567891011D D D D 要开飞机 要电视机 5 5 5 5要CD机 要mp38 8 8 8要冰淇淋 要人民币 10 10 10 10 10不要太贪心 [弹唱] 12345678G Am聪明勇敢有力气 我真的羡慕我自己D G 呼啦圈也没问题 后空翻两周再敬个礼G Am天南地北不放弃 去寻找减肥的朱古力D G圆头圆脑圆肚皮 里面是生命的真谛 [指弹+唱歌] 12343 0 2 3 3 3 3 3 3 2 3 5让我们呼啦啦啦啦啦高歌一曲555~~~我来弹琴 呀 你吹牛皮 [指弹+唱歌] 12345G C D我要开飞机 我要当经理我要拿高薪 还有冰淇淋我要得第一 不能太费力我们和你 [指弹+唱歌] 12345678D D D D心5 5 5 5有8 8 8 8灵10 10 10 10 1 ...

原始视频 https://www.bilibili.com/video/BV1CF4czxEix/ 完整歌词 1234567891011121314151617181920212223242526272829303132333435363738394041424344Dormi cara columbula睡吧，睡吧，我的小鸽子O columbula mea睡吧，我亲爱的小鸽子呀Splendeat fenestra, adsint somnia flora愿繁花与美梦盛开在你窗边O cara filia lunae月亮的孩子呀，我的小鸽子Neve plumam pulvis foedet tuam即便尘埃玷染你洁白的羽毛Nec iam complexum alma即便你不再躺在温暖的怀抱Capias bona somnias a luna也愿你在梦中与月相伴而眠Dormi cara columbula睡吧，睡吧，我的小鸽子O columbula mea睡吧，我亲爱的小鸽子呀Splendeat fenestra, adsint somnia flora愿繁花与美梦盛开在你窗边O ca ...

在 AI 大模型、推荐系统、语义检索等场景的推动下，向量数据库作为承载高维特征数据的核心组件，其选型直接影响系统的部署效率、扩展性与运维成本。本文将聚焦两款热门开源向量数据库 Milvus 与 Qdrant，结合与传统文档型数据库（如 MongoDB）的差异，从技术特性、部署模式、架构组件、查询机制等维度展开全面对比，为开发者提供客观的选型参考。 一、向量数据库基础认知 1. 与传统数据库的核心区别 传统 SQL 数据库以二维表（行列）组织数据，数据关联依赖字段映射； 文档型数据库（如 MongoDB）：以collection为存储单元，每个元素是 JSON/BSON 结构化document，适合非结构化数据的灵活存储； 向量数据库：同样以collection为存储单元，核心存储单元为「点」，每个点由唯一 ID+向量特征+自定义元数据（payload） 构成，专为高维向量的快速相似性检索设计，兼顾结构化元数据查询与高维向量计算能力。 2. 核心关键概念 数据向量化：通过机器学习 Embedding 模型，将文本、图像、音频等非结构化数据转化为高维向量，精准捕捉数据核心特征（ ...

本文整理了 GAMES101 计算机图形学课程的笔记大纲，方便快速查找和学习相关内容。 基础变换 GAMES101 笔记-三大变换 介绍计算机图形学中的三大核心变换： Model 模型变换（缩放、旋转、平移） View 相机变换 Projection 投影变换（正交投影、透视投影） 罗德里格斯旋转公式 光栅化 GAMES101 笔记-光栅化 光栅化是将三维场景投影到二维屏幕的过程： Viewport 视口变换 三角形渲染离散化 深度测试 Z-Buffer 反走样技术 着色 GAMES101 笔记-着色(Shading) 着色是对物体应用不同材质的过程： Blinn-Phong 反射模型（BPR） 着色频率 图形管线 纹理映射 几何 GAMES101 笔记-几何(Geometry) 几何表示方法和曲线曲面： 隐式表示与显式表示 贝塞尔曲线 贝塞尔曲面 光线追踪 光线追踪是计算机图形学中用于生成逼真图像的重要技术，本课程分为多个部分深入讲解： GAMES101 笔记-光线追踪(Whitted 风格) 介绍经典的 Whitted 风格光线追踪： 光线追踪 ...