## Anaconda 介绍

![image-3.png](https://niuery.com/static/img/ab4a03c089a7c210cc5f5a25d0ed3eae.image-3.png)

[Anaconda[1]](https://www.anaconda.com/) 是一个开源的 `Python` 和 `R` 语言的发行版本，主要用于数据科学、机器学习、深度学习等领域的开发和研究。




### 一、主要特点

![1735521153135-image-2.png](https://niuery.com/static/img/1beb3b3aea2b127fab3f4b9498e657f3.1735521153135-image-2.png)
1. 包管理功能强大
   - `Anaconda` 自带了一个名为 `conda` 的包管理器。`conda` 可以方便地安装、更新和删除各种软件包。例如，如果你想安装数据分析库 `pandas`，只需要在命令行中输入 `conda install pandas`，`conda` 就会自动从 `Anaconda` 的软件仓库中下载并安装 `pandas` 及其相关的依赖项。
   - 它能够很好地管理不同版本的软件包，避免软件包之间的版本冲突。这在处理复杂的数据分析和机器学习项目时非常重要，因为不同的项目可能依赖于不同版本的库。

2. 环境管理便捷
   - 可以创建多个独立的 `Python` 环境。比如，你可能有一个项目需要使用 `Python 3.6` 和特定版本的 `TensorFlow`，而另一个项目需要 `Python 3.8` 和不同版本的`Scikit - learn`。通过 `Anaconda`，你可以轻松地为每个项目创建独立的环境。
   - 命令 `conda create -n myenv python=3.6` 可以创建一个名为 `myenv` 的 `Python 3.6` 环境。在这个环境中，你可以安装特定于该项目的软件包，而不会影响其他环境中的软件包配置。

3.  集成大量科学计算库
    - `Anaconda` 预先集成了许多常用的科学计算、数据分析和机器学习库。包括`NumPy`（用于数值计算）、`Matplotlib`（用于数据可视化）、`Scikit - learn（`用于机器学习）等。
    - 这些库的集成使得数据科学家和开发者可以迅速开始他们的项目，而不需要花费大量时间去安装和配置每个库。例如，在进行简单的数据可视化时，直接导入 `Matplotlib` 就可以开始绘制图表，大大提高了开发效率。
4.  跨平台支持
`Anaconda` 支持多种操作系统，如 `Windows`、`Mac OS` 和 `Linux`。这意味着无论你使用哪种操作系统进行开发，都可以使用 `Anaconda` 来管理你的 `Python` 环境和软件包。
在不同操作系统上，`Anaconda` 的基本操作和功能是相似的。例如，在 `Windows` 和 `Mac OS` 上创建和管理环境的命令是相同的，只是在安装过程中可能会有一些细微的差异。
### 二、应用场景
1.  数据科学与分析
    - 在数据清理、数据探索和数据分析阶段，`Anaconda` 提供的 `pandas` 和 `NumPy`等库可以帮助用户高效地处理和分析数据。例如，`pandas` 的 `DataFrame` 结构可以方便地存储和操作表格型数据，`NumPy`则提供了高效的数组操作功能。
    - 对于数据可视化，`Matplotlib` 和 `Seaborn` 等库可以创建各种类型的图表，如柱状图、折线图、散点图等，以直观地展示数据特征和分析结果。
2. 机器学习与深度学习
   - 在机器学习领域，`Anaconda` 集成了 `Scikit - learn` 这样的流行库，它提供了丰富的机器学习算法，如分类算法（决策树、支持向量机等）、回归算法（线性回归、岭回归等）和聚类算法（K - Means 聚类等）。
   - 对于深度学习，虽然 `Anaconda`  本身没有包含深度学习框架如 `TensorFlow`和 `PyTorch`的核心部分，但它可以方便地用于安装和管理这些框架。用户可以在 `Anaconda` 环境中安装 `TensorFlow`，并利用其进行神经网络模型的训练和部署。
3. 学术研究与教学
   - 在学术研究中，研究人员可以利用 `Anaconda` 快速搭建实验环境，安装所需的研究工具和库。在教学方面，教师可以通过 `Anaconda` 为学生创建统一的教学环境，让学生能够轻松地安装和使用课程相关的软件包，例如在教授数据结构和算法课程时，学生可以在 `Anaconda` 环境中使用 `Python` 来实现各种数据结构和算法。

## Anaconda 安装

由于`Anaconda3` 官网是国外的，直接下载会很慢。 

清华大学开源软件镜像站提供了 `Anaconda` 的[下载镜像[2]](https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/)，地址为: 。使用镜像站下载速度通常会比从官网下载快很多，推荐优先该镜像站.

我这里下载了目前镜像站中最新的版本 `Anaconda3-2024.10-1-Windows-x86_64.exe`


![1735521153135-image.png](https://niuery.com/static/img/fd8c1540b9ca860117139d8ce4ea99c6.1735521153135-image.png)

![image-1.png](https://niuery.com/static/img/bc4390d8c0eca55c80817027677f0c6e.image-1.png)
安装完之后的界面是这样的：可以看到分四个模块，
1. Home
    `Home` 模块是主要界面，提供了一个便捷的入口来访问常用的工具和资源。它相当于一个控制台，用户可以在这里安装和快速启动应用程序


    在这里可以看到已安装的 `Anaconda` 应用，如 `Jupyter Notebook`、`JupyterLab` 等。`Jupyter Notebook` 是数据科学家和开发者经常使用的交互式计算环境，通过在 `Home` 模块中点击 `Jupyter Notebook` 的图标，就能快速启动它，然后开始编写和运行代码，进行数据分析、机器学习模型开发等工作。
 

![image-4.png](https://niuery.com/static/img/693baf597356e43bae5e5d93560fd6ea.image-4.png)
2. Environments
  
    `Environments` 主要用于管理 `Python` 和 `R` 等语言的环境。它允许用户创建、复制、删除和切换不同的环境，每个环境可以有独立的 `Python` 或 `R` 版本以及安装的软件包。
 
![image-5.png](https://niuery.com/static/img/70c2e5f3802d1f8b9c894efcea0b59cb.image-5.png)

3. Learning
   Learning 模块主要提供学习资源，帮助用户更好地掌握数据科学、机器学习等相关知识和技能。它是一个知识宝库，包含教程、文档和示例代码等多种学习材料。
  
![image-6.png](https://niuery.com/static/img/03aafcd8d6e68dd7fd64b300eb4ad636.image-6.png)
4. Community
    `Community` 模块是 `Anaconda` 用户交流和共享的平台，促进用户之间的知识共享、问题解决和协作。在这里，用户可以与全球范围内的其他 `Anaconda` 使用者互动，论讨交流以及代码共享。

## 其他工具

除了上述的 `Anaconda` 以外，还需要一些其他的工具，辅助学习人工智能，比如 `Visual Studio Code`，`Jupyter`

### Visual Studio Code

Visual Studio Code 是微软开发的一款免费、开源的跨平台代码编辑器 [[3]](https://code.visualstudio.com/)。

这个是常用工具不多做介绍。
### Jupyter

`Jupyter` [[4]](https://jupyter.org/) 是一款极具影响力且广受欢迎的开源交互式计算环境，它革新了数据科学家、程序员以及教育工作者的工作与学习方式。

最初源于 `IPython` 项目，`Jupyter` 支持多种编程语言，其中以 `Python` 最为常用。它允许用户在一个文档中混合编写代码、文本注释以及可视化图表，创建出所谓的 “Jupyter Notebook”。

这种 `Notebook` 呈现出一种独特的 “活” 文档形态，代码片段可以即时运行，运行结果随即展示在下方，让使用者能边写代码边验证，实时交互，极大地提升了探索性数据分析、机器学习模型开发以及教学演示等工作的效率。

而且，凭借其丰富的插件与扩展，`Jupyter` 能够轻松接入各类数据库、大数据处理框架，适配不同场景需求，无论是专业的科研团队在前沿领域攻坚，还是师生在课堂上进行知识传授与探索，`Jupyter` 都已成为不可或缺的得力工具。

下面是官网上的示例演示：
 

![Jupyter演示.gif](https://niuery.com/static/img/dd5afeb621f92a5af4aacaefc38cfd89.Jupyter%C3%A6%C2%BC%C2%94%C3%A7%C2%A4%C2%BA.gif)

此处因为我们主要还是要使用 `Visual Studio Code` ，所以我们安装 VS 中的 `Jupyter` 插件使用就好。
VS 左侧导航栏搜索 `Jupyter` ,直接下载就可以。

![image-7.png](https://niuery.com/static/img/f339697706be47c4993406030eac3590.image-7.png)

>参考链接
>
> [1] https://www.anaconda.com/
>
> [2] https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
>
> [3] https://code.visualstudio.com/
>
> [4] https://jupyter.org/

人工智能 --- 环境搭建

## 算法模型速览


 
![image.png](https://niuery.com/static/img/807e3b78e15ee310d73ec72af3f84599.image.png)



这是一张关于机器学习算法（ML Algorithms）的思维导图。

### 学习类型（Types of Learning）
- **监督学习（Supervised (Inductive) learning）**：给定函数$(X, F(X))$的示例，预测新示例$X$的函数$F(X)$ 。如果$F(X)$是连续的，为回归（Regression）；如果$F(X)$是离散的，为分类（Classification） 。
- **无监督学习（Unsupervised learning）**：训练数据不包含期望输出。
- **半监督学习（Semi - supervised learning）**：训练数据包含少量期望输出。
- **强化学习（Reinforcement learning）**：从一系列动作中获得奖励。

### 算法类型（Algorithm Types）
- **线性回归分析（Linear regression analysis）**：如预测棋盘游戏的平均评论数。
- **支持向量机（SVM - Support Vector Machine）**、**K近邻算法（K - nearest neighbour algorithm）**：如用于乳腺癌检测。
- **超分辨率卷积神经网络（SRCNN - Super Resolution Convolutional Neural Network）**：用于提高糖尿病患者图像质量。
- **深度学习神经网络（Deep learning neural network）**：用于对象识别（如CIFAR - 10数据集）等。
- **自然语言处理（NLP - Natural Language Processing）**：包括词法分析、词性标注等。
- **概率密度（Probability Densities）**：如信用卡欺诈检测。
- **K - 均值聚类算法（K - means clustering algorithm）（无监督）**：用于股票市场聚类等。
- **马尔可夫模型和K近邻方法（Markov Models and K - Nearest Neighbour (KNN) Approaches）**、**时间序列算法（time series algorithm）** 。

### 任何算法的组成部分（Components of any algorithm）
- **表示（Representation）**：如支持向量机、决策树、逻辑程序、图形模型（贝叶斯/马尔可夫网络）、神经网络、模型集成。
- **评估（Evaluation）**：包括准确率（Accuracy）、精确率和召回率（Precision and recall）、均方误差（Squared error）、似然（Likelihood）、后验概率（Posterior probability）、成本/效用（Cost / Utility）、边际（Margin）、熵（Entropy）、K - L散度（K - L divergence）。
- **优化（Optimization）**：如组合优化（Combinatorial optimization）、凸优化（Convex optimization）、约束优化（Constrained optimization），示例有贪心搜索（Greedy search）、梯度下降（Gradient descent）、线性规划（Linear programming） 。

人工智能 --- 算法模型速览

AI 学习路线 --- 资料整理

整理一下跟人工智能领域相关的一些专业名词：
- 人工智能
- 机器学习
- 深度学习
- 神经网络


## 人工智能

![image.png](https://niuery.com/static/img/b48c6ee9ca65fbdb575dc8f64072aed4.image.png)
人工智能是一门广泛的学科，旨在让计算机系统能够模拟人类的智能，包括学习、推理、解决问题、理解语言、识别图像等多种能力。它的目标是创建智能机器，使其能够像人类一样思考和行动。

人工智能的范畴非常广泛，包含了众多的子领域和技术。例如，专家系统是一种早期的人工智能应用，它通过预定义的规则来解决特定领域的问题，如医疗诊断系统根据症状和医学知识来判断疾病。另外，自然语言处理用于处理和理解人类语言，机器人学则涉及到物理机器人的设计和控制等诸多方面。

## 机器学习

机器学习是人工智能的一个子领域，它专注于让计算机系统从数据中自动学习模式和规律，而不是通过显式编程来规定任务。 从根本上讲，机器学习模型是一种软件应用程序，它封装一个函数用于根据一个或多个输入值计算输出值。 定义该函数的过程称为训练。 定义函数后，可以使用它在称为“推理”的过程中预测新值。

![machine-learning.png](https://niuery.com/static/img/d9409ca086cbf5ae90e472b6e19831cf.machine-learning.png)

机器学习有多种学习方式，如监督学习、无监督学习和强化学习。

1. **监督学习**是指计算机根据带有标记（正确答案）的数据进行学习，例如在图像分类任务中，给计算机提供大量已标记好类别（如猫、狗等）的图像，让它学习如何分类。


2. **无监督学习**则是处理没有标记的数据，比如对一组用户的购物行为数据进行聚类，找出具有相似购物模式的用户群体。

3. **强化学习**是让计算机在环境中采取行动，并根据行动的反馈（奖励或惩罚）来学习最优的行为策略，例如训练一个机器人在迷宫中找到出口，它会根据是否接近出口得到奖励或惩罚，从而不断调整自己的行动策略。

![machine-learning-types.png](https://niuery.com/static/img/b3bc9419bdfa816efd2a8c5a495d4ff5.machine-learning-types.png)

## 深度学习


深度学习是机器学习的一个分支，它基于人工神经网络，特别是具有多个层次（深度神经网络）的神经网络。这些神经网络能够自动从大量数据中学习复杂的特征表示，从而进行更准确的预测和分类等任务。


![image.png](https://niuery.com/static/img/a1c0d102f945a6176200e951d759aaa1.image.png)



模型结构特点：深度学习模型通常具有非常复杂的架构，包含多个隐藏层。

例如，在一个典型的卷积神经网络（CNN）用于图像识别时，它可能有多个卷积层、池化层和全连接层。

卷积层用于提取图像的局部特征，池化层用于减少数据维度，全连接层用于进行分类等操作。

与传统的机器学习方法相比，深度学习能够学习到数据中更抽象、更高级的特征。

## 神经网络
神经网络是一种模仿生物神经网络（如人脑神经元网络）的计算模型。它由大量的神经元（节点）相互连接而成，每个神经元接收输入信号，通过激活函数处理后产生输出信号，并将输出信号传递给其他神经元。
![image.png](https://niuery.com/static/img/f0218f858c212537f12ab41115f4bbb6.image.png)

神经网络有多种结构，如
- 简单的感知机（只有一个神经元的神经网络），
- 多层感知机（包含多个隐藏层的神经网络）、
- 循环神经网络（RNN）用于处理序列数据，像文本、语音等，因为它能够考虑数据的先后顺序。
- 卷积神经网络（CNN）专门用于处理具有网格结构的数据，如图像和视频等。

## 总结
人工智能：是一个广泛的领域，涵盖了所有与模拟人类智能相关的技术和方法。

机器学习：是实现人工智能的一种方法，它让计算机从数据中自动学习。

深度学习：是机器学习的一个高级形式，利用深层神经网络来自动学习数据的复杂特征。

神经网络：是实现机器学习和深度学习的核心技术，通过模拟人脑的结构来学习数据中的模式。

## 疑问
### 神经网络属于机器学习的哪种学习方式？

神经网络本身不是一种学习方式，而是一种模型结构，但它在机器学习的多种学习方式中都有应用。

#### 监督学习

在监督学习中，神经网络被广泛用于分类和回归任务。
    
例如，在图像分类任务中，输入是图像数据，输出是图像所属的类别（如猫、狗等）。

以一个简单的手写数字识别为例，我们有一个包含大量手写数字图像（MNIST 数据集）及其对应的正确数字标签（0 - 9）的训练集。通过构建一个多层神经网络（如多层感知机），将图像的像素值作为输入层的输入，经过隐藏层的神经元对特征进行提取和转换，最后在输出层得到一个概率分布，表示输入图像属于每个数字类别的概率。在训练过程中，根据预测结果与正确标签之间的误差（如交叉熵损失），使用反向传播算法来调整神经网络的权重，使模型的预测越来越准确。
    
对于回归任务，比如预测房价。输入可能是房屋的面积、房间数量、房龄等特征，输出是房屋的价格。

神经网络可以学习输入特征和房价之间的复杂关系，通过最小化预测房价与真实房价之间的均方误差来训练模型。


#### 无监督学习

神经网络也可用于无监督学习中的聚类和特征提取等任务。

例如自编码器（Auto - Encoder）是一种神经网络结构，它由编码器和解码器两部分组成。
    
以图像数据为例，编码器将输入的图像压缩成一个低维的表示（潜在空间表示），解码器则尝试从这个低维表示中重建出原始图像。在训练过程中，通过最小化重建误差，自编码器可以学习到图像的有效特征表示。这些特征表示可以用于数据的降维、聚类或者作为其他机器学习模型的输入。

另一个例子是深度信念网络（DBN），它可以通过无监督的方式学习数据的层次化特征表示，用于对未标记的数据进行聚类或分类的预处理。
    
    
#### 强化学习

在强化学习中，神经网络可以作为策略网络（用于决定智能体的行动）和价值网络（用于评估状态的价值）。

**策略网络**：例如，在训练一个机器人在复杂环境中导航时，策略网络根据环境状态（如机器人的位置、周围障碍物的位置等）输出机器人的行动（如前进、后退、左转、右转等）。

**价值网络**：价值网络则评估机器人处于某个状态的好坏程度。通过智能体在环境中的不断探索和与环境的交互，根据奖励信号（如成功到达目标位置获得正奖励，碰撞障碍物获得负奖励）来更新神经网络的参数，使智能体能够学习到最优的行动策略。

例如深度 Q - 网络（DQN）及其扩展算法就是利用神经网络在强化学习中取得了很好的成果，用于游戏等领域的智能体训练。

### 神经网络如何学习？

1. 定义训练和验证数据集，并将训练特征馈送到输入层。
2. 网络每一层的神经元应用其权重（它们最初随机分配）并通过网络馈送数据。
3. 输出层生成一个矢量，其中包含 ŷ 的计算值。 例如，企鹅类预测的输出可能是 [0.3. 0.1. 0.6]。
4. 损失函数用于将预测的 ŷ 值与已知的 y 值进行比较，并聚合差异（这被称为损失）。 例如，如果在上一步中返回输出的事例的已知类是 Chinstrap，则 y 值应为 [0.0, 0.0, 1.0]。 此值与 ŷ 向量之间的绝对差值为 [0.3, 0.1, 0.4]。 实际上，损失函数会计算多个事例的聚合方差，并将其汇总为单个损失值。
5. 由于整个网络本质上是一个大型嵌套函数，因此优化函数可以使用微分计算来评估网络中每个权重对损失的影响，并确定如何调整它们（增加或减少）以减少整体损失量。 特定的优化技术可能会有所不同，但通常会涉及梯度下降法，即每个权重都会增加或减少，以最小化损失。
6. 权重的更改会回传到网络中的各个层，并替换以前使用的值。
7. 此过程会在多次迭代（称为“时期”）中重复，直到将损失降到最低且模型能够在可接受的准确范围内进行预测。
![image.png](https://niuery.com/static/img/bf9317a4444d59ba242e1b645920fe99.image.png)



> 参考链接
> 
>  机器学习基础知识：https://learn.microsoft.com/zh-cn/training/modules/fundamentals-machine-learning/
> 
>  AI 学习路线（详细资源整理）https://github.com/apachecn/ai-roadmap/blob/master/ai-union-201904/README.md
>
>  tensorflow 官网学习资料：https://tensorflow.google.cn/resources/learn-ml?hl=zh-cn
> 
>  pytorch 官网学习资料  https://pytorch.ac.cn/tutorials/beginner/basics/intro.html
>
> Google Colab ：https://colab.research.google.com/
>
> 神经网络与深度学习 -- 邱锡鹏：https://nndl.github.io/

人工智能 --- 概念速览

## 引言
最近在做的项目上做了一些性能优化的工作，用到了` Visual Studio` 远程调试，所以本篇文章整理一下远程调试技巧。

**首先，了解一下 Visual Studio远程调试是什么？**



![remote-debugger-client-apps.png](https://niuery.com/static/img/a538ce667023b58f59dbce25eee87e3b.remote-debugger-client-apps.png)

`Visual Studio` 的远程调试功能允许在本地调试远程计算机上运行的应用程序。用远程调试，可以在本地计算机上设置断点、查看变量和监视程序执行，能更轻松地诊断和解决问题。

**其次 ，远程调试能够做什么？**

这对于调试在不同环境中运行的应用程序非常有用，例如在生产服务器上或是在其他设备上，可以更高效地解决问题并提高开发效率。

对于调试同一环境下有进程间通信的的多个进程，也非常有用。

那么，接下来实践一下远程调试。

## 远程调试实操

那么，接下来就实操一下远程调试，首先，你需要做一些准备工作：
- 你得有一台需要远程的计算机或服务器，另一台开发环境的电脑，该电脑`Visual Studio` 这个是必须安装的，无论是 `Community`、`Professional` 或 `Enterprise`，均支持。
- 要远程调试的计算机与 `Visual Studio` 计算机必须通过网络（有线/无线）或通过以太网电缆直接连接的方式连接在一起。 不支持在通过代理连接的两台计算机之间进行调试。 也不建议通过高延迟或低带宽连接的情况下连接，否则可能会导致调试失败或速度过慢。  
- 设置远程调试器[1]，这是最重要的一环，远程调试器是跟随 `Visula Studio` 安装时一同安装的，若要远程调试的计算机安装了 `Visula Studio`， 可以直接找到他启动，若要远程的调试的计算机是纯净环境，那么可以通过设置文件共享[1]，将本机的远程调试器共享以便调试，另外如果要远程调试的计算机是服务器，你需要经常进行这样的远程调试，则可以将远程调试器配置为服务[1]。

### 测试代码
这里我们写一段简单的控制台测试代码，输出当前电脑的基本信息:

```csharp
using System;
using System.Management;
using System.Text;

class Program
{
    static void Main()
    {
        //回车后开始输出，便于等待远程调试接入
        Console.ReadLine();

        StringBuilder sb = new StringBuilder();

        sb.AppendLine("计算机基本信息：\n");

        // 获取操作系统信息
        sb.AppendLine("操作系统信息：");
        var osQuery = new ManagementObjectSearcher("SELECT * FROM Win32_OperatingSystem");
        foreach (var os in osQuery.Get())
        {
            sb.AppendLine($"名称: {os["Caption"]}");
            sb.AppendLine($"版本: {os["Version"]}");
            sb.AppendLine($"制造商: {os["Manufacturer"]}");
            sb.AppendLine($"计算机名: {os["CSName"]}");
        }

        sb.AppendLine();

        // 获取处理器信息
        sb.AppendLine("处理器信息：");
        var cpuQuery = new ManagementObjectSearcher("SELECT * FROM Win32_Processor");
        foreach (var cpu in cpuQuery.Get())
        {
            sb.AppendLine($"名称: {cpu["Name"]}");
            sb.AppendLine($"制造商: {cpu["Manufacturer"]}");
            sb.AppendLine($"描述: {cpu["Description"]}");
        }

        sb.AppendLine();

        // 获取内存信息
        sb.AppendLine("内存信息：");
        var memQuery = new ManagementObjectSearcher("SELECT * FROM Win32_PhysicalMemory");
        foreach (var mem in memQuery.Get())
        {
            sb.AppendLine($"容量: {Math.Round(Convert.ToDouble(mem["Capacity"]) / (1024 * 1024 * 1024), 2)} GB");
            sb.AppendLine($"速度: {mem["Speed"]} MHz");
        }

        var str= sb.ToString();

        Console.Write(str);

        Console.ReadLine();
    }
}

```
然后在本机 `Debug` 一下看一下本机的信息：

![image.png](https://niuery.com/static/img/5afde3e417168de1a32f9c69efb5ae64.image.png)

确认代码无问题后，将该解决方案以Debug发布，生成Debug文件夹，这里**一定记住需要使用Debug发布**，远程调试需要使用到Debug发布生成的 `.pdb` 文件[2]，具体`.pdb` 文件，后面的章节解释。

将生成的生成Debug文件夹，拷贝或发布到需要远程的计算机或服务器上
![image.png](https://niuery.com/static/img/72b2b85f01b08c11948240a2befcf70b.image.png)

### 设置远程调试器
上面说了，设置远程调试器，是最重要的一环，远程调试器是跟随 `Visula Studio` 安装时一同安装的，若要远程调试的计算机安装了 `Visula Studio`， 可以直接找到它启动，在与你的 Visual Studio 版本匹配的目录中找到 `msvsmon.exe` ，比如我的是  `Visula Studio 2022` ,则我的目录为  ：
- `C:\Program Files\Microsoft Visual Studio\2022\Professional\Common7\IDE\Remote Debugger\x64msvsmon.exe`
- `C:\Program Files\Microsoft Visual Studio\2022\Professional\Common7\IDE\Remote Debugger\x86\msvsmon.exe`
 
但是，一般我们都不会在发布计算机或者服务器上安装调试环境，所以还有第二种方式，以**文件共享的方式**，将当前开发环境电脑的远程调试器共享给发布计算机或者服务器。具体如何设置共享文件夹就不在这里赘述了，我这里使用 `MobaXterm` 远程过去后自动添加了C盘的共享，可以直接使用。

![image.png](https://niuery.com/static/img/e5d28a055ccea62801bdc1a623d28437.image.png)

接下来启动远程调试器（`msvsmon.exe`）并设置[3]，这里有两个点需要注意：
- 第一，需要以管理员权限启动 `msvsmon.exe`。
- 第二，启动后需要在 **工具->选项** 中设置端口号和身份验证。
- 这里默认端口是 4026，建议身份验证设为武神分验证时，一定勾选允许任何用户进行调试。

![image.png](https://niuery.com/static/img/cece5d6cd38c0a425ae2650790b16322.image.png)

此时，远程调试调试的所有准备工作就都准备完了。
### 附加进程
此时，如想要远程调试程序，就需要在 `Visula Studio` 对远程计算机或服务器的程序进行附加进程。

远程调试的进入路径，实际上还是通过附加进程的方式，那么附加进程又能做什么呢？

`Visual Studio `的附加进程功能允许开发人员将调试器附加到运行中的外部进程，以便在不中断程序执行的情况下对其进行调试。通过附加进程，可以监视外部进程的运行状态、查看变量和调用堆栈，以便诊断问题和进行性能优化。

这对于调试与应用程序交互的其他进程或第三方组件非常有用。附加进程功能可以帮助我们更全面地了解应用程序在运行时的行为，从而快速解决问题并改进代码。

那么，现在启动远程计算机或服务器的测试程序。切换到开发环境的电脑使用  `Visula Studio` 进行附加进程，在**调试->附加到进程**，打开附加到进程界面，需要做如下四点设置：
- 连接类型选择-远程(windows - 无身份验证)。
- 连接目标选择远程的目标计算机或服务器IP地址+远程调试器设置的端口号，默认为4026。
- 选择你要调试的目标进程。
- 勾选显示所有用户的进程，防止找不到目标进程。

![image.png](https://niuery.com/static/img/53c98821e2d141586d1c0462783d3cf1.image.png)
选中目标进城后，确认附加，就可以进行远程调试了。从下图可以看到，输出了目标目标计算机或服务器的电脑基本信息。

![image.png](https://niuery.com/static/img/19d73e46228cc9f9e684db93f46ae13b.image.png)

## pdb文件

为什么远程调试中，一定要以Debug发布呢？因为只有在Debug发布，才会生成  `.pdb` 文件。
那么什么是  `.pdb` 文件？

程序数据库 ( `.pdb`) 文件（也称为符号文件）将项目源代码中的标识符和语句映射到已编译应用中的相应标识符和说明。 这些映射文件将调试器链接到源代码，以进行调试。

.pdb 文件保存调试和项目状态信息，使用这些信息可以对应用的调试配置进行增量链接。 在调试时，`Visual Studio` 调试器使用 `.pdb` 文件来确定两项关键信息：

- 要在 `Visual Studio IDE` 中显示的源文件名和行号。
- 在应用中停止的断点位置。

调试器只会加载与在生成应用时创建的 `.pdb `文件完全匹配的 `.pdb` 文件（即原始 `.pdb` 文件或副本），所以只有Debug发布生成的 `.pdb `文件才能与你当前的代码完全映射，进而进行调试。

## 总结

远程调试作为一种调试技巧，除了能够在在本地环境中调试不同操作系统或远程服务器上的代码外，还能够通过多人共享远程调试会话，协助解决问题和优化代码，促进团队协作，在 解决远程服务器上的问题，无需下载整个代码库，无需安装调试环境，简化问题排查流程，高效地解决问题，是一项非常实用，高效的技能。


> **参考链接**
>
>  [1] Visual studio (windows)远程调试 --- 
https://learn.microsoft.com/zh-cn/visualstudio/debugger/remote-debugging?view=vs-2022
> 
> [2] 调试程序中的符号（.pdb）和源文件 --- https://learn.microsoft.com/zh-cn/visualstudio/debugger/specify-symbol-dot-pdb-and-source-files-in-the-visual-studio-debugger?view=vs-2022
>
>[3] 远程调试c#项目 ---  https://learn.microsoft.com/zh-cn/visualstudio/debugger/remote-debugging-csharp?view=vs-2022