vmware 的 dns 问题 导致 git pull失败：

1. nslookup github.com

   • 检查 github.com 的 DNS 解析是否正确，确认是否返回 GitHub 的真实 IP（如 20.205.243.166）。

2. echo "nameserver 8.8.8.8" > /etc/resolv.conf

   • 强制使用 Google 的公共 DNS（8.8.8.8），避免本地 DNS 解析错误导致 github.com 指向 127.0.0.1。

3. ssh-keygen -f "/root/.ssh/known_hosts" -R "github.com"

   • 删除本地记录的旧 GitHub SSH 主机密钥，防止因密钥不匹配导致连接失败。

4. ssh -T git@github.com

   • 测试 SSH 连接，首次会提示确认 GitHub 的新主机密钥，输入 yes 后即可正常认证。

更离谱的是，有时候这个文件只是软连接，可以看看这样：

bash
展开代码
ls -l /etc/resolv.conf
sudo rm /etc/resolv.conf
echo "nameserver 8.8.8.8" > /etc/resolv.conf
sudo chattr +i /etc/resolv.conf # 锁定文件（防止被覆盖）
sudo systemctl stop systemd-resolved  # 禁用 systemd-resolved（可选）
sudo systemctl disable systemd-resolved

1. 安装 Caddy

在 Ubuntu 服务器上执行以下命令：

bash
展开代码
# 安装必要的包
sudo apt update
sudo apt install -y debian-keyring debian-archive-keyring apt-transport-https

# 添加 Caddy 官方 GPG 密钥
curl -1sLf 'https://dl.cloudsmith.io/public/caddy/stable/gpg.key' | sudo gpg --dearmor -o /usr/share/keyrings/caddy-stable-archive-keyring.gpg

# 添加 Caddy 仓库
curl -1sLf 'https://dl.cloudsmith.io/public/caddy/stable/debian.deb.txt' | sudo tee /etc/apt/sources.list.d/caddy-stable.list

# 安装 Caddy
sudo apt update
sudo apt install caddy

ACME 证书申请方式

HTTP-01 挑战

• 原理：CA向域名的 /.well-known/acme-challenge/ 路径发送HTTP请求验证域名控制权
• 优点：配置简单，无需DNS API
• 缺点：需要80端口可访问，不支持通配符证书
• 适用场景：单域名或多个具体域名的证书申请

DNS-01 挑战

• 原理：在域名的DNS记录中添加TXT记录来验证域名控制权
• 优点：支持通配符证书，无需开放80端口，可在内网使用
• 缺点：需要DNS提供商API支持，配置相对复杂
• 适用场景：通配符证书、内网服务、防火墙限制环境

1. 清理无用镜像/容器/卷/网络
   使用以下命令一键清理所有未被使用的资源（包含停止的容器、悬空镜像、未使用的网络和卷）：

   bash
   展开代码
   docker system prune -a --volumes
   

   • -a：删除所有未被容器引用的镜像（不仅仅是悬空镜像）。
   • --volumes：删除未被使用的卷（⚠️ 确保卷中无重要数据！）。
   • 注意：此操作会删除所有停止的容器和无用的资源！

2. 单独清理不同资源

   • 停止的容器：

     bash
     展开代码
     docker container prune
     

   • 悬空镜像（未被任何容器引用）：

     bash
     展开代码
     docker image prune
     

   • 未被使用的卷：

     bash
     展开代码
     docker volume prune
     

   • 构建缓存（Builder Cache）：

     bash
     展开代码
     docker builder prune
     

VMware 虚拟机磁盘扩容后 Linux 分区扩展完整教程

1. 前言

在 VMware 中扩容虚拟磁盘后，Linux 系统并不会自动识别新增的空间，需要手动扩展分区和文件系统。本教程以 GPT 分区表 + ext4/xfs 文件系统为例，详细介绍如何安全扩展 /dev/sda3 分区，使其占用全部可用空间。

sudo

bash
展开代码
echo "nameserver 8.8.8.8" > /etc/resolv.conf

看是否可以正常解析：

bash
展开代码
nslookup github.com

确定里面没有乱指：

bash
展开代码
vim /etc/hosts

VMware 连不上网络？

一个极其快速的 Python 包和项目管理工具，用 Rust 编写。

• GitHub: https://github.com/astral-sh/uv
• 官网文档: https://docs.astral.sh/uv/

为什么需要 uv？

我们在日常开发中，经常要用到这些工具：

• pip：安装依赖
• pipx：安装命令行工具
• poetry 或 rye：管理项目和虚拟环境
• pyenv：切换 Python 版本
• virtualenv：创建虚拟环境
• pip-tools：锁定依赖版本
• twine：发布包

临时有效：

展开代码
export http_proxy="http://127.0.0.1:10828"
export https_proxy="http://127.0.0.1:10828"
sudo -E apt update  # -E 保留环境变量

sudo -E apt upgrade

两头USB都插电，左上角的开关打到中间是给电，打到上面是USB，打到下面是关闭电源。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

5种Agent模式

一、反思模式（Reflection Pattern）：闭环优化的认知迭代

• 工作流程：
  用户输入 → LLM生成初版响应 → 用户反馈 → LLM反思优化 → 迭代至满意 → 返回终版

Fooocus Outpaint 完整处理流程

1. Canvas Expansion & Mask Creation 画布扩展和遮罩创建

12:15:modules/async_worker.py
展开代码
def apply_outpaint(async_task, inpaint_image, inpaint_mask):
    if len(async_task.outpaint_selections) > 0:
        H, W, C = inpaint_image.shape
        if 'top' in async_task.outpaint_selections:
            inpaint_image = np.pad(inpaint_image, [[int(H * 0.3), 0], [0, 0], [0, 0]], mode='edge')
            inpaint_mask = np.pad(inpaint_mask, [[int(H * 0.3), 0], [0, 0]], mode='constant', constant_values=255)

• 根据用户选择的方向（top/bottom/left/right）扩展画布30%
• 使用edge模式复制边缘像素填充新区域
• 新区域的mask值设为255（完全需要重绘）

该文章已加密，点击 阅读全文 并输入密码后方可查看。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

匈牙利算法是做什么的？通俗解释

匈牙利算法（Hungarian Algorithm）是一种用来解决**"最佳分配问题"的数学方法。它的核心任务是："如何用最低成本，把N个任务分配给N个人，让总成本最小？"**（或者反过来，让收益最大）。

的问题：

1. OpenPose的输入和输出形状

输入形状：

cpp
展开代码
// 从 src/openpose/net/netCaffe.cpp:218 可以看到
if (inputData.getNumberDimensions() != 4 || inputData.getSize(1) != 3)
    error("The Array inputData must have 4 dimensions: [batch size, 3 (RGB), height, width].");

输入张量形状: [batch_size, 3, height, width]

• batch_size: 批次大小，通常为1
• 3: RGB三通道
• height, width: 图像的高度和宽度

CDP：共识驱动传播人脸聚类方法

摘要

CDP（Consensus-Driven Propagation）是一种高效的大规模无标签人脸聚类方法。该方法通过投票机制和图传播算法，实现对人脸特征的快速准确聚类。CDP具有线性时间复杂度，能够处理大规模数据集，并在保持高精度的同时提供出色的聚类性能。