Ubuntu部署gitlab频繁出现502的问题

fmpeg笔记

ollama手动升级的办法（Ubuntu系统）

MC服务器启动脚本写法1. Linux系统的.sh启动脚本1.1 Linux单次启动1.2 Linux循环十次启动1.3 Linux无限循环启动2. Windows系统的.bat启动脚本mc服务器的启动脚本写法记录。首先，每个服务端都会有一个用于启动服务器的jar文件，这个根据具体情况具体修改，此处以forge直接启动服务器为例，使用文件forge-1.12.2-14.23.5.2854.jar启

彩色星球图片生成5：先验条件约束，分类器打分与LapGAN（pytorch版）1. 改进方面1.1 训练集信息的人工标注1.2 先验信息的条件约束1.3 分类器C1.4 LapGAN的分层残差拟合2. 代码实现3. 最终效果3.1 层层递进的生成3.2 其它生成样式的展示4. 缺陷与下一步改进上一集：彩色星球图片生成4：转置卷积+插值缩放+卷积收缩（pytorch版）在上一集代码的基础上，重构了代

pytorch为噪声矩阵创造自适应的权重为每个高斯噪声创造一个能够自适应学习的权重，然后将这个噪声叠加或者连接到神经网络的过程当中。样例代码如下：import torchimport torch.nn as nn# 如果gpu运算可用if torch.cuda.is_available():# 在GPU中创造与矩阵匹配的高斯噪声def create_gaussian_noise(img):nois

使用pyinstaller打包pytorch踩的那些坑问题1：单个文件打包还是文件夹打包？问题2：一起打包的数据文件找不到？问题3：GPU训练的模型要放到CPU环境跑？花费了亿点时间，终于在自己的电脑上搞定了pyinstaller的安装并且让它成功打包了一些小程序之后，尝试着用它打包pytorch这样的复杂程序，结果遇到的问题远比想象中要多，于是记个笔记，也避免后来人踩坑。问题1：单个文件打包还是

使用Gan实现MNIST数据集手写数字生成（pytorch版）1. 描述2. 代码2.1 模型代码2.2 训练代码3. 效果3.1 线性层生成器训练效果3.2 反卷积生成器训练效果1. 描述使用对抗式生成网络基于MNIST的手写数字数据集实现自动生成手写数字，基于pytorch实现。数据集来源：Kaggle数据集部分训练结构参考来源：GAN生成MNIST数据集（pytorch版）测试了一些其它博客

使用场景：需要在windows开机启动时直接运行一个bat脚本，通过这个脚本调用写好的python之类的管理工具。

使用场景：需要在windows开机启动时直接运行一个bat脚本，通过这个脚本调用写好的python之类的管理工具。