技术博客

我在没有这个台式机之前只有一个带集显的笔记本，所以之前的训练任务只能通过租服务器来训练，不可避免的去学一下操作远程服务器的指令。避免每次都要google或者问ai，于是写成这篇博客。 感觉这样的操作就像现在很火的一个词:skill 😄，总结成经验方便以后调用。

前言： 刚刚入职一周左右，我现在也算在玄武安定下来了，于是我便让我家里人把我寒假组装的台式机从老家寄过来，然后我还买了一块 1TB 的固态硬盘 💾，专门用于台式机的 Linux 系统。 最近这段时间，Linux 系统也是经历了频繁更换 😅 -> ubuntu -> archlinux -> fedora -> cachyos。最终决定长期使用的就是 CachyOS 🎉。

最近正在准备写本科毕业设计论文，不想用微软的word写，因为感觉不够极客 😧 ，也不想使用LaTex，因为LaTex太笨重了，编译速度太慢了，在线服务overleaf又是收费的（帮黄学长报销这个来着，好像一个月要三百多 🙀） 在网上搜罗搜罗发现了typst，一个基于rust内核的开源的标记语言排版系统，速度非常快，功能我觉得的也足够强（公式什么的都能很好地显示），同时我在他的模板库也找到了其他大学的毕业论文模板（nju），于是基于这个模板，我便衍生做一个swjtu的版本，最后，感谢nju-lug。

最近正在因为换了浏览器，进行过一次密码迁移，在迁移的过程中总感觉有种隐忧，就是密码泄露或者丢失的风险 其实密码泄露给这些大型的公司比如Microsoft/Google，其实对我没影响，但是如果片丢失了，就影响大了，因为我有很多的网络站点都是使用浏览器生成的强密码，此前很多密码管理工具也出现过数据丢失的问题。 所以我想着自己搭建属于自己的服务来实现，更安全（但不一定更可靠）的密码服务。

一、轻量化部署方向工作总结 # 1、研究动机 # 在前期实验中，基于 RAFT-Stereo 的 refinement head、边缘感知损失以及 partial unfreeze 等改进方法，并未在 Middlebury 数据集上取得稳定、显著的精度提升，说明原始 raftstereo-middlebury 模型本身已经具有较强性能，小规模真实域数据下难以通过小幅结构改动进一步提升整体指标。

前情提要 # 我上一个训练日志中，尝试对RAFT-Stereo模型进行优化，通过添加refinement层和边缘损失感知，然后训练完的模型的EPE和D1几乎没有产生变化。因为这个层结构对整个模型来说都没什么影响。接着我在改完的这个模型后，对模型进行了partial unfreezement，然后在此基础上对middlebury数据集进行训练。最后得到的结果EPE和D1反而变差了，这个大概率是因为我本地的数据集太小，在此基础上进行训练会很容易导致过拟合的现象。自此，我便将研究重心转移到模型轻量化方面来。

最近做一些模型训练的项目，每次在训练的时候，长长的后续参数都让人很头大（每次都要问a：怎么让这个项目跑起来），于是我想是否可以弄一个项目，方便的设置参数，便有了这个项目。

为什么用tmux：首先，因为我最近换了一个终端模拟器alacritty，这个模拟器不支持原生的分屏，需要通过tmux辅助。别问为什么非要用alacritty而不是自带分屏的ghostty，因为一个是rust一个是zig。 另外，我在使用服务器训练raft视觉模型的时候，偶尔因为网络断开连接，导致远程ssh关闭，自动的结束了训练，虽然我知道了可以使用nohup 在>输出到log文件中，但是还是觉得如果可以用tmux这种会更方便。

本文简单介绍了一下如何在linux（ubuntu24.04）上面安装zsh

前情提要 # 什么是RAFT # RAFT-stereo是基于RAFT的扩展。RAFT即Recurrent All-Pairs Field Transforms，是一个很出名的光流估计模型，他的特点是先建立全局匹配关系，再通过循环迭代不断细化结果，每一步更新都会变得更准，而RAFT-stereo是基于这个模型的双目改造。