最近一直在折腾各种环境、各种API key，总感觉没用过就落伍了，头大呀🤦‍不知道各位有没有这种感觉。使用了一段使用claude code，购买API基本都是按量付费，用不起了… 继而转战codex，毕竟有包月套餐，相对还是挺划算的。在windows上用着总感觉不得劲，毕竟很多开发任务还要依赖linux系统以及GPU，所以想着在服务器容器中也安装一下codex，本文主要记录一下我在安装过程中的踩

近期使用python+keras+unet网络训练了一个图像分割模型（.h5），因为最终需要在C++中使用，所以需要2步转换：模型转换（h5 —>pb）：需要的朋友可以参考一下之前写的文章。模型转换编译tensorflow，生成C++库：本文重点说明的内容。说明：keras没有c++相关接口，所以不能直接在c++中调用由keras.save生成的h5模型，需要将其转换为pb模型，由tenso

解决openclaw调用web_search返回401问题

本文分享了在鲲鹏920（ARM架构）和Atlas 300I Duo NPU硬件上部署vLLM框架的经验。作者指出该硬件组合目前仍处于实验性支持阶段，性能表现不佳。文章详细介绍了软硬件配置要求（推荐使用v0.18.0rc1-310p镜像和Qwen3-VL-8B-Instruct模型），并提供了容器部署和启动的具体命令。性能测试显示，即使在最优条件下（小尺寸图片+短输出），P95延迟仍高达4.2秒。作

本文分享了在鲲鹏920（ARM架构）和Atlas 300I Duo NPU硬件上部署vLLM框架的经验。作者指出该硬件组合目前仍处于实验性支持阶段，性能表现不佳。文章详细介绍了软硬件配置要求（推荐使用v0.18.0rc1-310p镜像和Qwen3-VL-8B-Instruct模型），并提供了容器部署和启动的具体命令。性能测试显示，即使在最优条件下（小尺寸图片+短输出），P95延迟仍高达4.2秒。作

1、回顾之前所说的梯度下降算法中有几个细节，求导部分已经在上一节进行说明，接下来主要对公式当中的α\alphaα，即就是学习率（步长）进行说明。θj:=θj−α∂∂θjJ(θ0,θ1),for(j=1andj=0)\theta_{j}:=\theta_{j}-\alpha \frac{\partial}{\partial \theta_{j}} J_{\left(\theta_{0}, \thet

最近使用keras训练了一个图像分割的模型(.h5)，但最终需要在C++中调用该模型，由于keras没有C++接口，所以需要将.h5模型转换为.pb模型后通过tensorflow C++接口进行调用。由于本人之前接触深度学习较少，很多东西不是很懂，所以在转换过程中遇到了很多问题，在此记录，共同学习。1、转换之前需要注意的点本人在转换过程中发现tensorflow1.x和2.x存在区别，所以在转换之

1、回顾之前所说的梯度下降算法中有几个细节，求导部分已经在上一节进行说明，接下来主要对公式当中的α\alphaα，即就是学习率（步长）进行说明。θj:=θj−α∂∂θjJ(θ0,θ1),for(j=1andj=0)\theta_{j}:=\theta_{j}-\alpha \frac{\partial}{\partial \theta_{j}} J_{\left(\theta_{0}, \thet

1、回顾之前所说的梯度下降算法中有几个细节，求导部分已经在上一节进行说明，接下来主要对公式当中的α\alphaα，即就是学习率（步长）进行说明。θj:=θj−α∂∂θjJ(θ0,θ1),for(j=1andj=0)\theta_{j}:=\theta_{j}-\alpha \frac{\partial}{\partial \theta_{j}} J_{\left(\theta_{0}, \thet