Yunqing

如何在Vercel上部署博客

Wed, 27 Aug 2025 00:00:00 GMT

找到喜欢的博客

Vercel支持大量框架的博客模板，比如nextjs、astro、express、hexo等。在github等方法上挑选喜欢的模板即可(99%可以在vercel上直接部署) 我使用的模板如下，是一个使用astro框架的博客模板。 ::github{repo="saicaca/fuwari"} 在挑选好模板后，记得fork到自己的仓库下，相当于你自己的github账户下需要有博客仓库(后续vercel是直接从github仓库里进行导入)

在vercel上部署博客

登录vercel推荐直接使用github账号登录

登录后，点击右边的Add New，选择Project 选择仓库里准备使用的模板，点击import 进入该界面后，正常来说只需要修改Project Name，博客使用的框架会被直接识别出来。

注意：这里如果仓库涉及到一些环境变量,可以在底部的EnvironmentVariables里配置

等待2-3分钟后vercel就可以部署成功你的博客这时vercel会给你一个以vercel.app结尾的博客地址，该地址可以直接在公网进行访问

添加自己的域名(可选)

当然，我们都希望自己的博客能有自己独特的域名。域名的购买不在这里赘述，推荐的域名购买商是：vercel(胜在方便，价格合理)，namecheap。不推荐在国内域名商购买，会涉及到一些备案问题，后续可能也不方便被google搜索到。

在你拥有自己的域名后，进入vercel的project空间，点击Domains，点击Add Existing，选择你要添加域名的项目，点击Select

输入你所购买的域名，注意不带www

添加好域名后，域名还无法正确解析，因为vercel无法验证域名所有权是否属于你这里红框部分就是你需要添加的DNS Records，需要你去域名提供商那里添加一条DNS Records，另外vercel还需要你添加两个nameserver，才能正确解析。在正确添加完DNS Records后，点击Refresh，验证域名所属权后，就可以直接通过域名访问博客～

在vercel上购买的域名如何验证google search console

Mon, 25 Aug 2025 00:00:00 GMT

在vercel上购买的域名如何验证google search console

背景

最近在vercel上购买了域名用来做自己博客，为了能被google搜索到，想着在google search console上进行验证。没想到vercel可能是比较小众的域名提供商，在google search console的官方文档里没有找到vercel对应的验证方法。

vercel自己也不提供快捷的TXT导入dns 记录方法，害得我自己摸索了半天

验证步骤

在google search console上输入自己域名开始验证，复制下图的TXT记录值
进入vercel的domain界面，在name栏输入自己的域名，比如我的就是yunqing.org,然后在value复制步骤1得到的TXT记录值，随后点击黑色按钮ADD即可
等待几分钟，回到google search console点击验证即可验证成功 (事实上我根本没有等待XD)

基于langfuse api提取指定trace

Fri, 22 Aug 2025 00:00:00 GMT

基于langfuse api提取指定trace的日志

背景

在开发过程中，我需要批量的获取指定的trace的日志，但是langfuse的ui没法做到批量的下载指定trace为json文件，这里简单介绍一下如果通过langfuse api来实现。

sessionId获取

这里需要用到sessionId来获取当时那一批session对应的全部trace。获取方法很简单，在langfuse的ui界面里，找到trace里的sessionId列，然后复制出来

获取langfuse key和BASE_URL

在langfuseui的setting里，找到API Keys，创建apikey，这里会获得两个key，分别是PUBLIC_KEY和SECRECT_KEY，都需要记录下来

这里如果你的langfuse在公网，那么BASE_URL就是https://api.langfuse.com/api/public/，如果你的langfuse在本地，那么BASE_URL就是http://YOUR_HOST/api/public/

通过TypeScript语法让大模型(LLMs)理解树形json结构

Thu, 21 Aug 2025 00:00:00 GMT

动机

最近在工作中需要针对大量的语料去抽取出树形json结构。现有的让大模型输出json的方法一般是设置response_format为json_object，在你指定输出样例的key是固定的时候，能够起到很好的效果。比如：

{
    "name": "John",
    "age": 30,
    "city": "New York"
}

但是当key是动态的时候，你很难通过自然语言准确的传达出一个key名、value可变的树形结构(可以无限延伸)。

下图这样的节点树很难用自然语言或者json格式描述出来

基于TypeScript语言描述节点树

经过搜索资料发现了采用typescript的interface类来描述你想要的树，可以让大模型理解树的嵌套结构,而且有更多丰富的表达。

参考prompt

请返回json数据，并严格遵循这个Treeinterface

type Tree = {
  [一级节点: string]: {
    [二级节点: string]: Level2Node;
  };
};

interface Level2Node {
  "节点描述": string;
  "节点任务": string[];
  // 以XXX条件作为分支，进入更深层递归节点
  [分支条件: string]: DeepNode;
}

interface DeepNode {
  "节点描述": string;
  "节点任务": string[];
  "节点内容"?：string[] | string;
  [分支条件: string]: DeepNode;
}

在prompt中，可以通过string或string[]来告诉模型，希望在这个key下的value是纯字符串还是字符串数组，也可以使用?来表示这个key是一个可选key。
可以使用|符号表示多个可选类型

总结

事实上应该还有基于json schema方式的指定方式，但是笔者当时搜索了资料较少，自己摸索出来的基于typescript语法的方式有非常显著的成效，所以一直在使用这个方法，希望可以对需要指定llm生成json的读者有所帮助

PicGo+SMMS搭建稳定图床

Mon, 11 Aug 2025 00:00:00 GMT

前言

本人之前也折腾过Picgo+Github等图床，但是换了新设备又要重来一遍。本身图床就是生产力工具，所以越简单越快速的配置越好~

smms本身免费，而且不折腾，免费版本的5GB也能满足大多数人的需要，因此选择smms。当然有更多需求可以付费升级。

下载安装PicGo

Github上下载PicGo Github官方下载

Windows用户选择红框软件下载并安装即可。

山东大学镜像站下载（如果你上不了Github）PicGo-山东大学镜像站

Windows用户选择红框的下载安装即可。

smms注册并获取Token

smms注册

访问smms.app，这是sm.ms在中国大陆的专用域名，保证了网络通信顺畅。在smms.app上注册账号。

获取个人Token

登录后，在页面右上角User中进入Dashboard。

进入Dashboard后选择ApI Token。正常来说你需要再Generate 一个Token（笔者已经生成过了），复制你的Secret Token。

在PicGo中使用SMMS

进入安装好的PicGo，点击左侧图床设置的SM.MS，点击加号按钮，新增配置。

需要设置的配置有三个，第一个是配置名称，根据你的喜好命名，笔者命名为smms。第二个是 设定Token，将刚才生成的Token复制进来。第三个是备用上传域名，使用这个域名 smms.app。最后确定即可。

使用smms图床

在正确配置后，我们就可以在PicGo的上传区上传图片了，支持拖拽文件，选择文件，剪切板图片上传。剪切板图片上传应该是最实用的。

上传成功后，会自动复制Marddown语法的图片链接格式，非常方便~。当然也可以在左下角调整你需要的链接格式。

相册

在PicGo左侧的相册可以查看曾经上传过的图片，左下角的标识可以重新复制Markdown链接~

基于python vtk的脑血管渲染

Mon, 11 Aug 2025 00:00:00 GMT

前言

由于在论文写作过程对血管有渲染需要，在原有C++代码上制作了Python vtk版本的渲染。渲染效果一般，但是用于科研绘图已经足够。源码开源在了Github上，觉得有用的话烦请点个Star

::github{repo="QingYunA/Cerebrovascular-Segmentation-Rendering-by-Python-VTK"}

如何使用

使用说明在Github上有英文版本与中文版本，看着readme大概率都可以直接上手使用。

需要注意的是我只测试了.mhd格式的渲染，其他文件可能会出问题，欢迎提issue。

渲染效果图

仅渲染prediction

prediction与gt（label）计算混淆矩阵后渲染ft,fp,tp等

在渲染基础上添加colorbar（目前做的很丑）

RSS

Wed, 24 Apr 2024 00:00:00 GMT

RSS软件

我使用的RSS软件是 Fluent Reader , 可以在github上下载。

整体界面相当的美观，这也是选用他的一大理由

RSS源分享

我常用的RSS源主要包括三类

新闻类（少数派爱范儿）
游戏类(游研社)
学术类(arxiv)

Fluent Reader 支持导入本地RSS源为 .opml , 因此这里分享我的RSS源文件。 RSS-github链接

LunarVim安装

Tue, 23 Apr 2024 00:00:00 GMT

使用LunarVim已经有一段时间了，在过去的时间我使用了nvim，spacevim等一系列开箱即用的vim软件，综合体验下来，lunarvim使用丝滑，添加插件也极为方便。但是LunarVim的安装着实有一些麻烦，因此写了本篇文章帮助大家安装。

LunarVim所需插件

Nvim v0.9.0+
git
make
pip
python
npm,node
cargo
nerd font
可选 lazygit 下面一步步进行安装

Nvim v0.9.0+

nvim在大多数的ubuntu 系统中，apt-get install 都无法获取到最新的nvim版本。因此这里采用github上官方推荐的方法直接安装。下载AppImage
```
curl -LO https://github.com/neovim/neovim/releases/latest/download/nvim.appimage
chmod u+x nvim.appimage
./nvim.appimage
```
上面的命令大概率会失败，如果失败，在运行完上面命令的基础上，在运行下面的命令：
```
./nvim.appimage --appimage-extract
./squashfs-root/AppRun --version
```
软链接nvim,执行完下述代码后，就会出现经典的Nvim界面，此时Nvim已经安装好了。
```
sudo mv squashfs-root /
sudo ln -s /squashfs-root/AppRun /usr/bin/nvim
nvim
```
git

大多数ubuntu安装好后会自带，如果没有安装好用下面的代码安装
```
sudo apt-get install git
```
pip + python

pip基本与python 捆绑，因此通过安装anaconda可以同时安装好pip 和 python
```
cd ~
wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh
bash Anaconda3-2023.09-0-Linux-x86_64.sh
```
敲击回车在该界面按两下方向键下↓ 询问你是否接受license terms 输入yes 这里询问你是否更换Anaconda3的安装路径，如果不更改直接回车下一步即可安装完成。

npm + node

npm与node也是绑定安装，这里我选择最省事的nvm安装方法
```
wget -qO- https://raw.githubusercontent.com/creationix/nvm/v0.34.0/install.sh | bash
```
安装好后，通过nvm ls-remote可以安装的版本，选择一个最新的。这里我选的是18.18版本
```
nvm install v18.18.0
```
执行好后npm+node就安装完毕了。

cargo

cargo 可以通过该自动化脚本直接安装
```
curl https://sh.rustup.rs -sSf | sh
```

Nerd font

Nerd Font是lunarvim中各种图标能否正常显示的关键如果你是Windows用户，可以直接去Nerd Font官网下载需要的Nerd font字体并安装。建议选择FiraCode。安装好后通过windows terminal ssh连接服务器，在设置中将字体改为想使用的Nerd Font 如果你是Ubuntu用户，参考LunarVim给出的建议安装方法

lazygit

安装好lazygit后可以在lunarvim终端，通过快捷键<space><g><g>快速打开lazygit。如果你不知道什么是lazygit，请参考作者的github链接

安装lazygit 注意 只适用于ubuntu系统
LAZYGIT_VERSION=$(curl -s "https://api.github.com/repos/jesseduffield/lazygit/releases/latest" | grep -Po '"tag_name": "v\K[^"]*')
curl -Lo lazygit.tar.gz "https://github.com/jesseduffield/lazygit/releases/latest/download/lazygit_${LAZYGIT_VERSION}_Linux_x86_64.tar.gz"
tar xf lazygit.tar.gz lazygit
sudo install lazygit /usr/local/bin

正式安装Lunarvim

直接使用官方提供的安装方法

LV_BRANCH='release-1.3/neovim-0.9' bash <(curl -s https://raw.githubusercontent.com/LunarVim/LunarVim/release-1.3/neovim-0.9/utils/installer/install.sh)

中途遇到询问，全部输入yes即可

好了！到目前为止你已经安装好了lunarvim，可以使用它了。如果不能直接在bash中通过lvim命令启动lunarvim，那么应该是你的没有配置好环境变量，参考以下我的配置(在安装好lvim后会有提示)。注意将user改为你的实际用户名。

export PATH="/home/user/.local/bin/:$PATH"

同时为了避免输入lvim太麻烦，可以在bashrc或者zshrc中加入

alias vim=lvim

将vim映射到lvim。记得source更新

我的配置文件

由于Lunarvim已经将开箱即用做到了极致，因此我的个人配置更改不多，主要是将ESCAPE设置为了jj，增加了一些常用的插件。有兴趣的朋友可以fork尝试~ https://github.com/QingYunA/lvim-conifg

Nvim中配置Ruff Formatter（Python）

Mon, 22 Apr 2024 00:00:00 GMT

Nvim中配置Ruff Formatter（Python）

前言

笔者使用的是Lazyvim ，其使用Mason来管理Formatter。笔者遇到的问题主要是在Python文件中，不希望对代码宽度小于125的代码进行分行的格式化（也就是一行代码拆成多行，避免过长）。

如果在每个项目里都新建一个pyproject.toml又有点太蠢了，想要弄一个全局配置。

全局配置Ruff Formatter

在~/.config/文件夹下新建文件夹ruff，然后在ruff文件夹在新建文件pyproject.toml，在文件中输入：

[tool.ruff]
line-length = 125
# 其他配置也可以放在这里

保存后，你的ruff已经正常工作了。

扩散模型学习

Mon, 22 Apr 2024 00:00:00 GMT

扩散模型总结

结构

一个固定的前面加噪过程
一个用来学习怎么去噪的Unet

加噪过程

固定是理解加噪的核心！

加噪是一个固定的过程，给定一张图片，加噪一次和加噪100次，得到的结果是一样的（在参数固定的情况下）。

如何获取噪声？

首先引入分布的概念，我们假设真实图片的分布为$q(\mathbf{x}_0)$，$x_0$是一张从$q(\mathbf{x}_0)$采样得到的一张真实图片。

可以将分布理解成一个班级，有50个人，采样出来的$x_0$就是一个同学

加噪过程是一步步进行的，把每一步记为$t$，总共需要加噪$T$次。

我们通过Gaussian distribution来得到噪声，此处需要知道高斯分布由两个参数决定分别是，mean（均值）和variance(方差)，记为$\mu$和$\sigma^2$。一个图片在第$t$步加噪来源于一个均值为$\mu_t=\sqrt{1-\beta_t}\mathbf{x_0}$，方差为$\sigma_t^2=\beta_t$的高斯分布, 可以等价表示为: 每次从一个标准正太分布中采样一个$\epsilon$，即$\epsilon \sim \mathcal {N}(0, I)$

第t步的加噪图像$\mathbf{X}_t$

加噪第t步的图像表示为 $\mathbf{x}t=\sqrt{1-\beta_t}\mathbf{x}{t-1}+\sqrt{\beta_t}\epsilon$

注意，此处的$\beta_t$不是常亮，会随着t的变化而变化，但是遵循($\beta_1<\beta_2<\beta_3<\cdots<\beta_T<1$), 可以是线性，二项式，cos等等方式。

最终的加噪图像$\mathbf{X_T}$应该是纯噪声(pure noise)。

去噪过程

去噪过程就是把上面的加噪结果$\mathbf{X_T}$, 一步步的变回原来的图片$\mathbf{x_0}$。

学习这个去噪过程有什么作用呢？ 在得到一个新的加噪图片后，可以通过去噪生成全新的图片，让网络拥有了自己生成的能力。

我们记这个去噪过程为$p(x_{t-1}|x_t)$，但是这个分布是无法直接计算得到的，因此我们选用一个神经网络去拟合这个过程。也就是$p_{\theta}(x_{t-1}|x_t)$，其中$\theta$代表神经网络的参数

如何拟合去噪过程？

在这里我们假设去噪过程也是满足高斯分布的，也就是说神经网络需要学习的是前面提到的两个参数$\mu_t$和$\sigma_t^2$。（DDPM固定了方差，只学习均值，在后续的论文有改进）

定义目标函数

为了驱使神经网络在去噪过程中学习到均值，作者将加噪过程$q$与去噪过程$p_\theta$ 视为一个VAE(variational auto-encoder), 此处如果不知道VAE可以略过，只需要知道最后的Loss函数如何计算。（因为后续还涉及到KL散度，ELBO证据下限等一系列概率论知识，好奇的可以挨个探索。）

这部分我暂时没看懂

经过一系列条件后，可以得到一个"nice property" $$ q(\mathbf{x_t}|\mathbf{x_0})=\mathcal{N}(\mathbf{x_t};\sqrt{\bar{\alpha_t}},(1-\bar{\alpha_t})\mathbf{I}) $$ 其中，$\alpha_{t}=1-\beta_t$，$\bar{\alpha_t}=\prod_{s=1}^t\alpha_s$。这个性质意味着

可以从高斯分布中采样噪声，然后通过合适的缩放，使得$\mathbf{x_0}$直接变为$\mathbf{x_t}$，其中$\bar{\alpha_t}$可以由已知的$\beta_t$计算得到。
可以将预测均值的网络转换成预测噪声的网络。

最终的目标函数定义如下： $$|\epsilon-\epsilon_\theta(\mathbf{x}t,t)|^2=|\epsilon-\epsilon\theta(\sqrt{\bar{\alpha}_t}\mathbf{x}_0+\sqrt{(1-\bar{\alpha}_t)}\epsilon,t)|^2$$

总结

从真实世界中存在的数据分布$q(\mathbf{x_0})$随机采样了图片$\mathbf{x_0}$
从1到$\mathbf{T}$之间均匀的采样出噪声t
从高斯分布中采样出噪声$\epsilon \sim \mathcal{N}(0, I)$，并用噪声污染采样到的图片$\mathbf{x_0}$，得到$\mathbf{x_t}=\sqrt{\bar{\alpha}_t}\mathbf{x}_0+\sqrt{(1-\bar{\alpha}_t)}\epsilon$
神经网络基于被污染的图片$\mathbf{x_t}$，预测出噪声$\epsilon_\theta(\mathbf{x}_t,t)$

Latex常用符号

Thu, 03 Aug 2023 00:00:00 GMT

pa'r

Ubuntu常用命令

Tue, 11 Oct 2022 00:00:00 GMT

网络训练命令

# 训练
torchrun --nproc_per_node 1 --master_port 12364 train.py --gpus 1 -o ./logs/test-unet/ --conf_path ./conf/conf.yml

# 预测
torchrun --nproc_per_node 1 --master_port 12365 predict.py --gpus 0 -o ./results/unet_still_work/ --conf_path ./conf/unet.yml  -k ./logs/unet_still_work/
tar xvf work.tar # 解压tar文件
tar -cvf FileName.tar DirName # 将DirName和其下所有文件（夹）打包

ubuntu 系统命令

tar xvf work.tar # 解压tar文件
tar -cvf FileName.tar DirName # 将DirName和其下所有文件（夹）打包


watch -n 2 --color gpustat --c  #监视GPU
sudo chmod 0750 /home/username  #设置其他用户无法访问
ubuntu-drivers devices  查看可用驱动
uname -a  查看系统信息
uncompyle6 -o DataManage.py .\DataManage.pyc #反编译pyc -> py
lspci -vnn | grep VGA 查看系统型号
df -h #查看硬盘容量
chomd -R 700 dir # 使得该路径仅用户自己可访问


curl 'http://202.204.48.66' --data "DDDDD=41824276&upass=08173039&0MKKey="
unset http_proxy
unset https_proxy
x-www-browser http://some-url.org

sudo /usr/local/sunlogin/bin/sunloginclient

#删除一天内的
sudo find /tmp -type f -atime +1 -delete 
# 删除 pip 缓存的包
pip cache purge

#查看硬盘情况
df -h
#查找路径下前50大的文件
sudo du -hd 1 /home/user/ | sort -hr | head -50

#服务器传输指令
sudo scp -r -P 10091 /data/cc/TOF_private/resample/label+/ cyq@frp.visual3d.cn:/external_disk/cc_data/

# 清理 gpu 僵尸进程，该指令会杀死所有进程
fuser -v /dev/nvidia2 | awk '{print $0}' |  xargs kill -9
其中 nvidia2 代表杀死序号 2 的nvidia 卡(一般顺序是 卡 0，卡 1，卡 2....)

# 安装一个程序缺失的包
pip install pipreqs
pipreqs ./ # 会生成一个 requirments txt

# 让一个文件可读可写可执行
chmod 777 xxx.file 
4 （read） 2 （write） 1 (execute)

# 修改文件所有者
chown cc:cc cyq.txt
# 找到frp进程与后台运行frp
ps -aux|grep frp| grep -v grep

# clash for windwos使用
路径 ./config/clash4linux
# 运行
./clash_linux
# 设置终端走代理
export http_proxy="http://127.0.0.1:10809"
export https_proxy="http://127.0.0.1:10808"
# git代理
git config --global http.proxy 'http://127.0.0.1:10809'
git config --global https.proxy 'http://127.0.0.1:10808'

# 取消代理
unset http_proxy
unset https_proxy

# git取消代理
git config --global --unset http.proxy
git config --global --unset https.proxy

删除none的镜像，要先删除镜像中的容器。要删除镜像中的容器，必须先停止容器。
docker images
$ docker stop $(docker ps -a | grep "Exited" | awk '{print $1 }') //停止容器
$ docker rm $(docker ps -a | grep "Exited" | awk '{print $1 }') //删除容器
$ docker rmi $(docker images | grep "none" | awk '{print $3}') //删除镜像

#指定程序可见gpu
CUDA_VISIBLE_DEVICES=0,1,2,3 python xxx.py

Yunqing

如何在Vercel上部署博客

找到喜欢的博客

在vercel上部署博客

添加自己的域名(可选)

在vercel上购买的域名如何验证google search console

在vercel上购买的域名如何验证google search console

背景

验证步骤

基于langfuse api提取指定trace

基于langfuse api提取指定trace的日志

背景

sessionId获取

获取langfuse key和BASE_URL

相关代码

通过TypeScript语法让大模型(LLMs)理解树形json结构

动机

基于TypeScript语言描述节点树

参考prompt

总结

PicGo+SMMS搭建稳定图床

前言

下载安装PicGo

smms注册并获取Token

smms注册

获取个人Token

在PicGo中使用SMMS

使用smms图床

相册

基于python vtk的脑血管渲染

前言

如何使用

渲染效果图

RSS

RSS软件

RSS源分享

LunarVim安装

LunarVim所需插件

Nvim v0.9.0+

git

pip + python

npm + node

cargo

Nerd font

lazygit

正式安装Lunarvim

我的配置文件

Nvim中配置Ruff Formatter（Python）

Nvim中配置Ruff Formatter（Python）

前言

全局配置Ruff Formatter

扩散模型学习

扩散模型总结

结构

加噪过程

如何获取噪声？

第t步的加噪图像$\mathbf{X}_t$

去噪过程

如何拟合去噪过程？

定义目标函数

总结

Latex常用符号

Ubuntu常用命令

网络训练命令

ubuntu 系统命令