实在受不了虚拟机的性能损失了，再加上 Win11 上跑虚拟机对 SSD 的损耗过大，因此还是将系统换成了 ubuntu，只要注意选无网络安装，不要去更新，基本还是很好换系统的。另外清华源不错！ 换系统后，需要重新折腾一下 AP 设置，因此记录一下折腾过程。 无线网卡是垃圾的 mediatek mt7921e 更新内核 因为网卡垃圾，不得不更新到最新的内核才支持 AP 设置 1234567proxy

这篇博客介绍了如何计算临床研究中两组生存分析的样本量。首先，作者提供了R代码，包括Logrank对数秩检验的函数以及模拟计算样本量的函数。其次，作者详细解释了模拟计算的步骤，包括生成生存时间数据、招募时间、失访时间等，并通过模拟来估计研究的功效。最后，作者展示了如何使用模拟计算函数来确定样本量，以达到预先设定的功效水平。通过模拟检验，作者展示了样本量计算的有效性，并给出了两个示例，以验证样本量计算

角色扮演的体验是否舒适主要受角色卡、大模型和生成时间三个因素的影响。 优秀的角色卡往往附带大量的设定，这会极大的拖慢第一次生成的时间，并且随着对话的进行，上下文长度很容易超过kv_cache的上限，这些很破坏沉浸式的体验。 此外，大模型在进行角色扮演时，除了进行必要的对话生成外，还需要生成旁白增加想象空间。 对博主这些相比填空更喜欢选项的玩家，给出提问建议也是非常必要的：在建议的基础上修改比自己从

准备模型 运行环境 123456789# conda create -n llamaConvert python=3.10 git -c conda-forge# conda activate llamaConvert# cd D:\llama# git clone --depth=1 https://github.com/ggerganov/llama.cpp.git# cd llama.c

探索整个过程，从在一台搭载1660Ti显卡的笔记本电脑上构建 Tokenizer，定义带有 RoPE 的 Transformer，一直到训练、保存模型和可视化训练过程。沉浸在从零开始训练 GPT 的旅程中，深入了解每一个步骤。跳入深度学习的世界，释放在你的便携1660Ti笔记本上的强大潜能。

起因 今天收到 Azure 的付费邮件，一看账单，好家伙，24.54$ ，比上个月暴涨 622%，给我 CPU 干烧了。 赶紧去成本分析里按资源分类看上个月的扣费详情，然后就看到两个 10.33$ 的 Container Registry，分别位于我在 Azure AI Studio 里的两个不同项目所在区域。 一顿折腾，发现这个 Container Registry，有一年的免费试用期，但是免费

Llama.cpp 能 CPU & GPU 环境混合推理，这里记录一下在 windows10 平台上运行 Qwen-1.8B 的过程，显卡是 1660Ti 。 准备模型 安装conda Tun模式(管理员权限) 1234567conda create -n llamaConvert python=3.10 git -c conda-forgeconda activate llamaCo

Flare 是一款轻量、快速、美观的个人导航页面，适用于 HomeLab 或其他注重私密的场景。 反向代理服务 访问 https://flare.limour.top/editor 进行书签编辑 123mkdir -p ~/app/flare && cd ~/app/flare && nano docker-compose.ymlsudo docker-comp

MLC-LLM 是一种大模型高性能通用部署解决方案，可以通过预编译加速使用本机API原生部署任何大型语言模型。该项目的使命是利用ML编译技术，使每个人都能在其设备上本地开发、优化和部署AI模型。 Qwen-1.8B 是阿里云研发的通义千问大模型系列的18亿参数规模的模型。在Qwen-1.8B的基础上，使用对齐机制打造了基于大语言模型的AI助手 Qwen-1.8B-Chat。 配置环境 安装con

手术中的止血和缝合，均需要进行结扎，而结扎是否牢固，又与打结有密切关系，结一定要打得牢固，不能松动、滑脱。 常用的结扣是方结，结扎后极为牢固，在手术中最常用。而打方结时，手法顺序错误就容易打成假结或滑结。因此这里将探讨基础打结手法的等价性，帮助快速理解不同手法所成结的本质。 除不易混淆的外科结外，无论是单手打结还是持钳打结，均由基础动作组合而成，基础动作所成的结都对应纽结理论中的三叶结。三叶结有两