落地鸡正常搭建xui面板 x-ui面板实现Vless+reality+tcp+xtls-rprx-vison代理💡docker部署出现了点问题无法解决,改用FranzKafkaYu的脚本 1. 一键安装 bash <(curl -Ls https://raw.githubusercontent.com/FranzKafkaYu/x-ui/master/install.sh) bash <(curl -Ls https://raw.githubusercontent.com/mhsanaei/3x-ui/master/install.sh) 2. 访问ip:端口,在侧边栏转到设置会自动设置根路径,确实任何信息都可以在vps终端输入x-ui重启脚本按7查看 3. 添加一条入站记录 💡x-ui不是通过docker安装,ip不能填172.17.0.1. 如果出现xray内核error,删除最新用户重新添加可解决 4.
fastai可以做到5行代码训练一个模型, 这也正是它吸引我的地方 from fastai.text.all import * dls = TextDataLoaders.from_folder(untar_data(URLs.IMDB), valid='test') path = untar_data(URLs.IMDB) dls = DataBlock( blocks=(TextBlock.from_folder(path),CategoryBlock), get_y = parent_label, get_items=partial(get_text_files, folders=['train', 'test']), splitter=
此次尝试是基于github上的这个项目, 还没有试过, 祝我好运吧 运行脚本 GitHub - jerry048/Dedicated-SeedboxContribute to jerry048/Dedicated-Seedbox development by creating an account on GitHub.GitHubjerry048💡无语, 我是在nodeseek看到一个问题才想自己试试的, https://www.nodeseek.com/post-80622-1, 帖子里提到要自己安装一系列包, 觉得好麻烦, 然后我呀就按照官网一个个装好了, 运行大佬的一键脚本, 好家伙, 大佬的一键脚本就是一键帮我们安装好这些包的 bash <(wget -qO- https://raw.githubusercontent.com/jerry048/Dedicated-Seedbox/main/Install.sh) -u jerry048 -p 1LDw39VOgors -c
做一个记录,方便理清思路 示例代码复现 我按照fastai的指导,第一步完成训练任务的所有步骤,首先我在fastai论坛里找了一个示例 Emotion Detection from Voice ClipsHey guys ! I trained a neural net to detect emotions from voice clips without relying on the content of the speech.It is able to identify the emotions with an accuracy of 83 %. I converted the sound clips into spectogram
warp / warp-go 一键脚本 f佬的一键脚本必须放最前面 wget -N https://gitlab.com/fscarmen/warp/-/raw/main/menu.sh && bash menu.sh wget -N https://gitlab.com/fscarmen/warp/-/raw/main/warp-go.sh && bash warp-go.sh 太强了, 详细去看gitlab的介绍 fscarmen / warp · GitLabGitLab.comGitLab 融合怪测评脚本 curl -L https://gitlab.com/
Andrej Karpathy 有一个专栏专门介绍NLP(chat GPT) Neural Networks: Zero to HeroShare your videos with friends, family, and the worldYouTube 在将语言模型转移到分类任务之前，对语言模型进行额外的微调阶段，会导致预测结果显著提高。 文本预处理 我们几乎可以用处理分类变量的方法处理文本, 新的想法是序列的概念. 1. 将数据集中的所有文档连接成一个非常长的字符串 2. 将其分割成单词, 这样我们就得到了一个非常长的单词列表(或"标记") 3. 自变量是我们的长列表中从第一个单词开始到倒数第二个单词结束的单词序列,而因变量将是从第二个单词开始到最后一个单词结束的单词序列 分词 * 基于单词的:将句子按空格分割,并应用特定于语言的规则尝试在无空格的情况下分离意义的部分(例如将"don't"转换为"do n&
表格建模以表格形式接收数据（如电子表格或CSV）。其目标是基于其他列中的值来预测一列中的值。 决策树集合是我们分析新的表格数据集的首选方法。 满足以下条件之一时适合使用神经网络的方法 1. 存在一些高基数的分类变量非常重要（"基数"指的是代表类别的离散级别的数量，所以高基数的分类变量就像邮政编码，可以有数千种可能的级别）。 2. 有些列包含的数据最好通过神经网络来理解，比如纯文本数据。 大多数机器学习课程会向你介绍几十种不同的算法，简要解释它们背后的数学原理，可能还会给一个玩具示例。你会被展示的大量技术茫然不知所措，对如何应用它们几乎没有实际理解。 数据集清洗 fastai使用TabularPandas 和 TabularProc清理数据特别方便,详见附录.ipynb文件. 分类变量 结合两张图很好理解, 就是把各类别排序并且用一个数字表示 创建决策树 随机森林 尽管在数据子集上训练的每个模型会比在完整数据集上训练的模型产生更多错误，但这些错误不会相互关联。不同的模型会产生不同的错误。因此，这些错误的平均值是：零！因此，如果我们取所有模型预测
我们也建议你在项目中从头到尾进行迭代；也就是说，不要花费几个月的时间来微调你的模型，或者打磨完美的图形用户界面，或者标注完美的数据集……相反，你应该在合理的时间内尽可能完善每一个步骤，一直到最后。 首先考虑你的目标，然后思考你可以采取什么行动来实现这个目标，以及你拥有（或可以获取）哪些可以帮助的数据，然后构建一个模型 下载数据集 这里介绍了一个很新颖的获取数据的方式,用bing的图片搜索api去获取数据集,并清除下载失败的数据,详见附录文件 DataLoaders | 数据加载器 # 下述参数的解释在官方教程里解释得很清楚 bears = DataBlock( blocks=(ImageBlock, CategoryBlock), get_items=get_image_files, splitter=RandomSplitter(valid_pct=0.2, seed=42), get_y=parent_label, item_tfms=Resize(128)) 要将我们下载的数据转化为一个 DataLoader
协同过滤 协同过滤，它的工作方式是这样的：看看当前用户使用或喜欢的产品，找到使用或喜欢类似产品的其他用户，然后推荐那些用户使用或喜欢的其他产品。 我们假设评价一个电影有三个因素,factor1, factor2, factor3,1代表非常匹配,-1代表非常不匹配,那么movie1用数组这样表示 movie1 = np.array([0.98,0.9,-0.9]) 用户对这三个factor的匹配度 user1 = np.array([0.9,0.8,-0.6]) 计算这个组合的匹配度 (user1*movie1).sum() 数据是这样的 我们将为我们的每个用户和每部电影分配一个特定长度(这里是 n_factors=5 )的随机向量,并将这些作为可学习的参数在开始时,这些数字并没有任何意义,因为我们是随机选择的,但到训练结束时,它们就有了意义.网络结构是这样的 class
本章主要是介绍了几种先进技术 Normalization | 归一化 这个在 Andrej Karpathy的视频里讲得更清楚 Neural Networks: Zero to HeroShare your videos with friends, family, and the worldYouTube fastai先是给出了结论 在训练模型时，如果输入数据被归一化（即均值为 0，标准差为 1），训练效果会更好。 然后给了一个例子, 对比了有批量归一化层和没有批量归一化层,其实效果差不多,但是 虽然它在这里只起了一点作用，但在使用预训练模型时，归一化变得尤为重要。预训练模型只知道如何处理它以前见过的类型的数据。如果用于训练的数据中的平均像素值为 0，但您的数据将 0 作为像素的最小可能值，那么模型将看到与预期截然不同的内容！ Progressive Resizing | 渐进式调整大小 基本思想 从小图像开始训练，然后使用大图像结束训练。将大部分时间花在小图像上训练，有助于更快地完成训练。使用大图像完成训练可以使最终精度更高。
多标签分类问题 如图,图片-->多标签分类,数据集是这样的 观察labels的特点我们发现,labels的种类有猫,狗,自行车,飞机多种, 且一张图片中可能有多个种类,为此我们对labels采取one-hot编码 One-hot 编码 以前只有两类猫和狗,用0,1编码就够了,现在出现了dog, car, bird, cat, ...多个种类,而且在一张图片中可能出现多种种类(如下图),而PyTorch 需要张量,其中所有内容的长度都必须相同.所以使用词汇表到one-hot映射这种编码方式 一捆数据的激活是这样的 了解如何手动获取小批量并将其传递到模型中，并查看激活和丢失，对于调试模型非常重要。这对学习也非常有帮助，这样你就可以准确地看到发生了什么。 partial函数 它允许我们将函数与一些参数或关键字参数绑定，从而创建该函数的新版本，无论何时调用它，它总是包含这些参数。通过示例很好理解 计算损失时变化不大 def binary_cross_entropy(inputs, targets): inputs = inputs.
开此帖记录一下心得 Practical Deep Learning for Coders - Practical Deep LearningA free course designed for people with some coding experience, who want to learn how to apply deep learning and machine learning to practical problems.Practical Deep Learning for Coders youtube视频看了两节视频,觉得看jupyter notebook更适合自己 沉浸式翻译的插件配合从gemini免费申请的api,阅读毫无障碍 💡如果你是一个宁愿动手做东西也不愿花几年时间学习抽象概念的人，那么你就会明白我的出发点了！留意我的侧边栏，从中找到最适合数学或正式技术背景较弱的人的信息——也就是说，像我这样的人…
额,这章的结尾有点草率啊.主要介绍了图像的预处理,交叉熵损失,学习率的查找 预处理 1. 第一步，调整大小，创建足够大的图像，以便它们有足够的边距，以便在内部区域进行进一步的增强变换，而不会创建空区域。此变换通过使用较大的裁剪大小调整为正方形来工作。在训练集上，裁剪区域是随机选择的，并且裁剪的大小被选择为覆盖图像的整个宽度或高度，以较小者为准。 2. 性能要求表明,我们应该尽可能将增强变换(如旋转,缩放,剪切等)组合成更少的变换(以减少计算次数和有损操作次数),并将图像转换为统一大小. 交叉熵损失 算了,代码复现完了就行,懒得记了,反正也不会再看,下次边看边记吧. fastai05_pet_breedsfastai05_pet_breeds.ipynb800 KBdownload-circle
fastai04_Training_a_Digit_Classifierfastai04_Training_a_Digit_Classifier.ipynb121 KBdownload-circle
日记
1. 安装docker和npm 2. docker-compose部署lsky version: '3.3' services: lsky-pro-docker: container_name: lsky-pro restart: unless-stopped ports: - '9080:8089' volumes: - './data:/var/www/html' image: 'halcyonazure/lsky-pro-docker:latest' 3. docker-compose部署 version: '3' services: minio: container_name: "minio" restart:
💡docker部署出现了点问题无法解决,改用FranzKafkaYu的脚本 1. 一键安装 bash <(curl -Ls https://raw.githubusercontent.com/FranzKafkaYu/x-ui/master/install.sh) bash <(curl -Ls https://raw.githubusercontent.com/mhsanaei/3x-ui/master/install.sh) 2. 访问ip:端口,在侧边栏转到设置会自动设置根路径,确实任何信息都可以在vps终端输入x-ui重启脚本按7查看 3. 添加一条入站记录 💡x-ui不是通过docker安装,ip不能填172.17.0.1. 如果出现xray内核error,删除最新用户重新添加可解决 4. 客户端连接,安卓端目前用的nekoBox,archlinux目前用的Hiddify 5. 安装docker和nginx
大白话就是让portainer可以管理其他vps上的docker 在主portainer(即需要代理其他portainer的那个)侧边栏->环境->添加环境->代理,复制命令行,在需要代理的vps中执行命令行,输入name和ip:9001进行连接
不知道什么原因,重装系统后邮箱收不到新密码,google发现可以通过救援模式改密. 1. 点击boot后面的"...",以救援模式重启 2. 点击Name后面的"...",KVM连接 3. 挂在vps的系统分区 mount /dev/sdb1 /mnt/ 4. 写入访问 chroot /mnt 5. 改密(ubuntu系统用户名为ubuntu,debian系统用户名为debian) passwd ubuntu 6. 正常模式重启
前言 记忆很差,所以之前一直是所有的平台都使用一样的密码,想着也没有重要的东西,可是随着登陆平台的增多,重要的信息也变多了,不再敢把所有鸡蛋放在一个篮子里.第三方的云存储我是不敢用的,同时我也有同步的需求,正好手里有闲置的小鸡,很适合自建,搜索了一下,觉得vaultwarden符合我的需求. 部署 1. 新建docker-compose.yml mkdir vaultwarden cd vaultwarden vim docker-compose.yml version: '3' services: vaultwarden: restart: always container_name: vaultwarden image: vaultwarden/server:latest volumes: - ./vw-data/:/data/ ports: - 8062:80 # 本机8062映射到docker网络80端口 environment:
docker volume create portainer_data docker run -d -p 8000:8000 -p 9443:9443 --name portainer --restart=always -v /var/run/docker.sock:/var/run/docker.sock -v portainer_data:/data portainer/portainer-ce:latest 再设置反代,ez
前提是安装了docker和docker-compose. 参考 安装NGinx Proxy Manager 参考官网的教程 1. 创建一个 docker-compose.yml 文件 mkdir nginx-proxy-manager cd nginx-proxy-manager vim docker-compose.yml version: '3.8' services: app: # image: 'jc21/nginx-proxy-manager:latest' image: 'jc21/nginx-proxy-manager:github-pr-3478' restart: unless-stopped ports: - '80:80' - '81:81'
官方一键脚本 curl -fsSL https://get.docker.com -o get-docker.sh chmod +x get-docker.sh ./get-docker.sh apt install docker-compose 手动安装docker和docker-compose 关于它们的作用这个视频是我见过讲得最清楚的 # 更新软件包列表 sudo apt update # 安装几个必备软件包 sudo apt install apt-transport-https ca-certificates curl software-properties-common # 将官方 Docker 存储库的 GPG 密钥添加到系统 curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor
日记
News
This is nezuko`blog, a brand new site by kamado nezuko that's just getting started. Things will be up and running here shortly, but you can subscribe in the meantime if you'd like to stay up to date and receive emails when new content is published!