LinXin's Blog

Link: https://github.com/WiDayn/llm-spam-filter?tab=readme-ov-file

大概就是调接口，输入文章标题+评论信息，让LLM判断评论是否为SPAM

不需要用太大的模型，硅基流动里面免费的模型完全足够，所以也算是零成本

截图：

import torch
import torch.multiprocessing as mp
import time
import math

def stress_task(gpu_id):
    try:
        device = torch.device(f"cuda:{gpu_id}")
        torch.cuda.set_device(device) # 确保上下文正确

        free_mem, total_mem = torch.cuda.mem_get_info(device)
        
        # 3. 动态计算矩阵大小
        # 设定占用目标为剩余显存的 65% (留 35% 给 PyTorch内核开销，防止 OOM)
        # 此时需要存储 X, Y 以及结果 Z，共 3 个矩阵。每个 float32 占 4 字节。
        # 公式: (N * N * 4 bytes) * 3 matrices <= free_mem * 0.65
        target_mem = free_mem * 0.65
        matrix_size = int(math.sqrt(target_mem / 12))

        free_gb = free_mem / (1024**3)
        total_gb = total_mem / (1024**3)
        print(f"[GPU {gpu_id}] Total: {total_gb:.2f}GB | Free: {free_gb:.2f}GB")
        print(f"[GPU {gpu_id}] Calculated Matrix Size: {matrix_size}x{matrix_size} (Target utilization: ~85%)")

        print(f"[GPU {gpu_id}] Allocating memory...")
        x = torch.randn(matrix_size, matrix_size, device=device)
        y = torch.randn(matrix_size, matrix_size, device=device)
        
        print(f"[GPU {gpu_id}] Starting loop...")

        while True:
            z = torch.mm(x, y)

    except RuntimeError as e:
        print(f"[GPU {gpu_id}] Error: {e}")
        if "out of memory" in str(e):
            print(f"[GPU {gpu_id}] Auto-size was too aggressive. Try lowering the 0.85 factor in code.")
    except KeyboardInterrupt:
        pass

if __name__ == '__main__':
    if not torch.cuda.is_available():
        print("CUDA is not available!")
        exit()

    num_gpus = torch.cuda.device_count()
    print(f"Found {num_gpus} GPUs. Auto-calculating load for each...")

    processes = []
    
    mp.set_start_method('spawn', force=True)

    print("Starting processes... (Press Ctrl+C to stop)")
    start_time = time.time()

    try:
        for i in range(num_gpus):
            p = mp.Process(target=stress_task, args=(i,))
            p.start()
            processes.append(p)
        
        for p in processes:
            p.join()

    except KeyboardInterrupt:
        print(f"\nStop signal received. Terminating all processes...")
        for p in processes:
            if p.is_alive():
                p.terminate()
        print(f"All stopped. Duration: {time.time() - start_time:.2f} seconds")

首先安装node.js: https://nodejs.org/zh-cn/download

安装后通过npm安装pnpm：npm install -g pnpm@latest-10

然后用pnpm安装Cluade Code: pnpm install -g @anthropic-ai/claude-code

网络问题请换源： pnpm config set registry https://registry.npmmirror.com/

然后编辑~/.claude/settings.json，内容国产平台的教程上应该有

由于Cluade Code禁止了一些国家和地区，直接运行会有如下的提示：

，所以需要绕过其验证，编辑~/.claude.json，在json的根目录(也就是{}内)增加一行: “hasCompletedOnboarding”: true,如：

然后保存退出来，运行：

node --eval "
const homeDir = os.homedir();
const filePath = path.join(homeDir, '.claude.json');
if (fs.existsSync(filePath)) {
const content = JSON.parse(fs.readFileSync(filePath, 'utf-8'));
fs.writeFileSync(filePath,JSON.stringify({ …content, hasCompletedOnboarding: true }, 2), 'utf-8');
} else {
fs.writeFileSync(filePath,JSON.stringify({ hasCompletedOnboarding: true }), 'utf-8');
}"

之后进入项目根目录输入claude即可正常使用：

比如`sttools`这个宏包目前就无法在MiKTex的Console里安装

解决方法为先去CTAN上下载得到源代码的安装包，解压后用命令行编译压缩包里的dtx文件，如

tex .\stfloats.dtx

然后将编译后得到的.sty移动到需要编译的项目tex的同目录(如Menuscript.tex)即可

为什么选择MiKTex而不是Tex Live？

Tex Live的安装包大概在6GB左右，里面包含了很多的Package但是实际上相当一部分并不会用上，安装时间方面也不乏吐槽，而MiKTex提供了最小化的安装包，大概100M+就可以

继续阅读“Latex在Windows下的安装部署[MiKTex+Cursor(VS Code)]”

1. 创建your-name.service文件

sudo nano /etc/systemd/system/your-name.service

2. 填写service内容

[Unit]
Description=/etc/your-name.local Compatibility
After=network.target

[Service]
ExecStart=/your-cmd-exc-path

[Install]
WantedBy=multi-user.target

3. 开机自启并启动service

sudo systemctl enable your-name.service
sudo systemctl start rc-local.service

继续阅读“分割指标计算全家桶”

def crop_image_and_mask(image_path, mask_path, mask_expansion=0):
    # 加载图像和掩膜数据
    image_nii = nib.load(image_path)
    mask_nii = nib.load(mask_path)

    # 获取图像和掩膜的 numpy 数组
    image_data = image_nii.get_fdata()
    mask_data = mask_nii.get_fdata()

    # 获取图像的空间分辨率（单位为毫米）
    voxel_size = image_nii.header.get_zooms()  # 获取像素尺寸（x, y, z方向上的尺寸，单位是毫米）

    # 转换 mask_expansion 从毫米到像素
    expansion_pixels = [int(mask_expansion / size) for size in voxel_size]

    # 获取掩膜中非零值的坐标
    mask_nonzero_coords = np.argwhere(mask_data > 0)

    # 找到掩膜的最小和最大坐标
    min_coords = mask_nonzero_coords.min(axis=0)
    max_coords = mask_nonzero_coords.max(axis=0)

    # 扩展掩膜的范围
    min_coords_expanded = np.maximum(min_coords - expansion_pixels, 0)
    max_coords_expanded = np.minimum(max_coords + expansion_pixels, image_data.shape)

    # 截取图像和掩膜中对应的部分
    cropped_image_data = image_data[min_coords_expanded[0]:max_coords_expanded[0] + 1,
                         min_coords_expanded[1]:max_coords_expanded[1] + 1,
                         min_coords_expanded[2]:max_coords_expanded[2] + 1]
    cropped_mask_data = mask_data[min_coords_expanded[0]:max_coords_expanded[0] + 1,
                        min_coords_expanded[1]:max_coords_expanded[1] + 1,
                        min_coords_expanded[2]:max_coords_expanded[2] + 1]

    # 打印扩展后的起始和终止坐标
    print(f"Expanded crop start coordinates: {min_coords_expanded}")
    print(f"Expanded crop end coordinates: {max_coords_expanded}")

    # 创建新的 nifti 图像
    cropped_image_nii = nib.Nifti1Image(cropped_image_data, image_nii.affine)
    cropped_mask_nii = nib.Nifti1Image(cropped_mask_data, mask_nii.affine)

    # 保存截取后的图像和掩膜
    nib.save(cropped_image_nii, image_path.replace('image', f'image_ROI_{mask_expansion}_{mask_expansion}_{mask_expansion}'))
    nib.save(cropped_mask_nii, mask_path.replace('label', f'label_ROI_{mask_expansion}_{mask_expansion}_{mask_expansion}'))

acro 是一个 LaTeX 包，用于创建和管理缩写词及术语的定义，尤其适用于需要频繁引用缩写词和术语的文档。它不仅能够自动管理缩写词的首次出现与后续引用，还可以生成缩写词表

继续阅读“Latex – acro package用法”

目前国内只有阿里云有cuda版本的torch，具体方法如下：

继续阅读“torch cuda版本国内源安装”