弗兰克的小课桌

1、拉取项目文件 git  clone  https://github.com/QwenLM/Qwen3-TTS.git cd  Qwen3-TTS 2、创建并激活UV虚拟环境 uv venv --python 3.11 && source .venv/bin/activate 3、安装12.1版本的PyTorch uv pip install torch==2.5.0 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 4、从github下载并安装 FlashAttention  （https://github.com/Dao-AILab/flash-attention/releases） wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.8.3/flash_attn-2.8.3+ cu12torch2.5 cxx11abiFALSE- cp311 -cp311-linux_x86_64.whl uv pip install  flash_attn-2.8.3+cu12torch2.5cxx11abiFALSE-cp310-cp310-linux_x86_64.whl 5、安装依赖库 uv pip install  -e  . uv pip install  pytz 6、配置Huggingface镜像站 （每次启动都要运行） export HF_ENDPOINT=https://hf-mirror.com 7、启动声音克隆服务 qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-Base --ip 0.0.0.0 --port 8000 8、启动音色设计服务 qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign --ip 0.0.0.0 --port 8000

1、本地创建rembg文件夹，并创建激活uv虚拟环境 mkdir rembg && cd rembg uv venv --python 3.10 && source .venv/bin/activate 2、安装rembg uv pip install rembg[gpu,cli] -i https://pypi.tuna.tsinghua.edu.cn/simple 验证安装是否成功： rembg --version 3、启动服务 rembg  s 4、浏览器访问 http://localhost:7000/ --------------------------------------------------------------------------------------- 所有模型都将放置在/home/frank1991/.u2net 文件夹下面 to file 'xxxx.onnx'  单引号里面的就是要更改的模型文件名称 模型下载路径可参看项目最下部的模型链接： https://github.com/danielgatis/rembg ---------------------------------------------------------------------------------------------- 一般来说，改成 （download，source） 前面的名字 即可，后缀都是 .onnx ---------------------------------------------------------------------------------------------- 模型改名，模型通过github镜像站的链接（https://github.akams.cn/），快速下载到本地后， 更改为指定名称后 （一定要改名！！！） ，放置在 /home/frank1991 / .u2net 路径下即可！

1、克隆项目，并进入项目文件夹 git clone https://github.com/Sanster/IOPaint.git && cd IOPaint 2、创建并激活虚拟环境 uv venv && source .venv/bin/activate 3、安装Pytorch等组件 uv pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130 (nvidia应当是最新驱动程序) 4、安装IOPaint uv pip install iopaint 5、下载模型文件并移入指定目录 https://github.com/Sanster/models/releases/tag/add_big_lama页面下的 big-lama.pt （https://github.com/Sanster/models/releases/download/add_big_lama/big-lama.pt） 将模型文件下载好后移入至： ~/.cache/torch/hub/checkpoints/ (未创建时，应先分别创建.cache下的torch,hub和checkpoints目录) 6、在命令行中运行命令：  iopaint start --model=lama --device=cuda --port=8080 7、浏览器地址栏中输入： http://127.0.0.1:8080/

项目地址： https://github.com/XIU2/CloudflareSpeedTest 1、进入项目页面 （页面右侧的Releases按钮） 2、下载压缩包 （macOS 系统的ARM v8版本）的压缩文件 3、解压缩，并进入命令窗口 4、赋予权限 chmod +x cfst 5、运行优选命令 （首次运行需要在MacOS的设置下的《隐私与安全性》中进行允许） ./cfst -tl 200 -dn 20 6、扫描完毕，查看本地路径下的result.csv即可

前期准备工作： A、注册CloudFlare （https://www.cloudflare.com/） B、下载edgetunnel的 _worker.js 代码 （https://github.com/cmliu/edgetunnel/blob/main/_worker.js） 1、登陆CloudFlare，点击左侧《计算和AI》下的「Worker和Pages」进入页面后点击右侧的“创建应用程序”按钮 2、在弹出页面中，点击“从Hello World！开始” 3、点击“部署”按钮 4、点击页面右上角的「编辑代码」按钮 5、讲github上edgetunnel项目的_worker.js代码拷贝并替换当前内容，并点击右上角的「部署」按钮，待底部出现绿色的提示信息后，点击左上角的返回按钮，返回至项目的设置页面。 6、在项目的设置页面中新增变量ADMIN，并设置值为访问密码 7、在左侧的《存储和数据库》菜单下点击“Workers KV”菜单，进入并创建任意名称的Workers KV 8、返回值项目的设置页面，点击顶部绑定按钮，“添加绑定”选择为「KV命名空间」，变量名称为KV（大写），并选择KV命名空间为刚才创建的Workers KV记录。 9、 （可选） 在项目的《设置》页面下，添加「域和路由」 （不配置域名的话，访问当前项目需要具备科学上网的环境） 10、将项目域名拷贝至浏览器，并加上/admin,输入之前配置的ADMIN变量的值，可以正常访问。 11、访问IP优选网站 https://stock.hostmonit.com/CloudFlareYes 将三个运营商的优选后的IP整理至文档，具体格式为： 198.41.222.71 #0117电信 77ms 104.17.223.45 #0117电信 137ms 104.18.64.98 #0117电信 133ms 104.19.20.149 #0117电信 131ms 104.17.22.144 #0117电信 130ms 198.41.208.19 #0117联通 198.41.208.73 #0117联通 198.41.209.72 #0117联通 198.41.208.27 #0117联通 198.41.209.132 #0117联通 198.41.208.19 #0117移动 198.41.208.73 #...

1、下载项目（ 科学上网 环境下） git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git cd CosyVoice git submodule update --init --recursive 2、创建并激活虚拟环境 uv venv --python 3.10 && source .venv/bin/activate 3、安装依赖库（ 无需 科学上网环境） UV_HTTP_TIMEOUT=600 uv pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --extra-index-url https://pypi.nvidia.com --index-strategy unsafe-best-match 安装魔搭库 uv pip install modelscope 卸载deepspeed uv pip uninstall deepspeed 更新ruamel.yaml uv pip install "ruamel.yaml==0.17.21" --force-reinstall 4、安装必要软件 sudo apt-get install sox libsox-dev ffmpeg -y 5、编写模型下载脚本，并执行下载（从魔搭平台下载， 无需 翻墙） # download_cosyvoice_models.py import os # 👇 关键：提前禁用 CUDA os.environ["CUDA_VISIBLE_DEVICES"] = "" os.environ["USE_CUDA"] = "0" os.environ["TRANSFORMERS_OFFLINE"] = "0"  # 允许联网下载 from modelscope import snapshot_download models_to_download = [     ('FunAudioLLM/Fun-CosyVoice3-0.5B-2512', ...

 前期准备工作： （如果之前已经安装过各种版本的docker.io,docker ce等，一定要执行） A、停止 Docker 并卸载所有相关包 sudo systemctl stop docker || true sudo systemctl stop containerd || true sudo apt-get remove -y \   docker docker-engine docker.io docker-ce docker-ce-cli \   docker-compose docker-compose-plugin containerd runc sudo apt remove -y docker-compose-v2 B、删除 Docker 所有残留目录（关键） sudo rm -rf /var/lib/docker sudo rm -rf /var/lib/containerd sudo rm -rf /etc/docker sudo rm -rf /etc/containerd sudo rm -rf ~/.docker C、清理 APT 源中残留的 Docker 配置 sudo rm -f /etc/apt/sources.list.d/docker.list sudo rm -f /etc/apt/keyrings/docker.gpg sudo rm -f /usr/share/keyrings/docker-archive-keyring.gpg ---------------------------------------------------------------------------------------- 1、使用【清华源】安装最新版 Docker CE sudo apt install -y \   ca-certificates \   curl \   gnupg \   lsb-release 2、添加 Docker 官方 GPG Key（清华镜像） sudo mkdir -p /etc/apt/keyrings curl -fsSL https://mirrors.tuna.tsinghua.edu.cn/docker-ce/linux/ub...

Docker 的一个基本逻辑：容器不包含内核（Kernel），普通程序：只需要 Linux 内核接口；显卡程序：需要 显卡驱动（Driver） 和 CUDA 库。 显卡驱动是深度绑定 Linux 内核的，而 Docker 容器又是为了“一次构建，到处运行”。如果你把几百 MB 的显卡驱动打包进镜像，这个镜像在别的机器上（驱动版本不同）就废了。 NVIDIA Container Toolkit 的方案是：驱动留在宿主机上，通过这个工具包，在容器启动的一瞬间，把必要的显卡设备文件和驱动库“挂载”到容器里。这个工具包并不是一个单一的文件，而是一套组件： 1、nvidia-container-runtime：  这是核心。它是一个定制的 Docker 运行时。当你运行 docker --runtime=nvidia 时，它会介入容器的创建过程，负责把显卡“塞”进容器。 2、nvidia-container-cli：  一个底层的命令行工具，用来列出显卡、配置库路径。 3、nvidia-ctk：  这是你安装时经常用到的配置工具，用来修改 Docker 的配置文件（daemon.json），让 Docker 认出 NVIDIA 运行时。  想象你在租房子（容器）： 房子里默认只有电灯开关（CPU 接口）。 你买了一个大功率烤箱（GPU 任务），但房子里没有特种大电流插座。 NVIDIA Container Toolkit 就像是一个“专业电工”，他在你入住的那一刻，从房东的配电箱（宿主机驱动）拉了一根专用的电线（设备挂载）进你的房间。 这样，你的烤箱（AI 模型）就能工作了，而且你走的时候不需要带走电线，下一个租客来的时候，电工再拉一次就行。 --------------------------------------- 1、确认系统版本（应该是 Ubuntu 24.04 LTS ） lsb_release -a 2、更新本地软件包索引 sudo apt-get update 3、 下载 NVIDIA 官方 GPG 密钥   （这个密钥用于证明你之后下载的工具包确实是 NVIDIA 官方发布的） curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | su...

前期准备： 注册Cloudflare账号，并在CloudFlare上购买一个域名！ 1、登陆CloudFlare平台，点击进入Zero Trust页面并点击「网络」->「连接器」 2、点击创建隧道按钮，在页面中点击“选择Cloudflared” 3、在《创建隧道》页面中输入隧道名,并点击「保存隧道」按钮 4、在《配置》页面，根据我们的实际情况，选择内网服务器的操作系统（如，我们在Mac mini上部署，则选择Mac） 5、根据操作指引，如果首次使用，(shell命令行下)先安装相应的程序 brew install cloudflared 再执行启动服务的命令： cloudflared tunnel run --token eyJhIjoiOTM4ZmFlMTFjMDcxYWJmYzA5NTZjYTNlOTFlZjY1MWMiLCJ0IjoiNTIxNWJhYzEtMTUzYy00N2Q4LWJiMmMtNDc4*****cyI6IlpESXhPRGRoT0RNdE5tVmlNeTAwWkRjMkxUZ3paRGd0WVRSbVlXVXlObU15T0dGaiJ9 6、点击配置页面的下一步按钮 7、在为新创建的隧道发布程序路由的页面输入本地部署的http服务的信息和域名信息 “子域”: 就是二级域名，如：test “域”: 就是cloudflare上购买的域名，如：frank1998.uk 服务类型: 选择http URL: 本地部署的可以设为localhost: 8080 设置完毕后点击「完成设置」 8、本机让ChatGPT写一个python的http网页服务，并启动即可，端口（必须要与上面URL中的保持一致）如，设为 8080 -------------------------------------- 当Cloudflare上新创建的隧道{成功运行}后，本地python的http服务也{成功启动}后，即可通过域名（如， test.frank1998.uk ）来进行内网服务器映射的访问了！

 1、下在deb安装包： 访问 Hiddify GitHub Releases （ https://github.com/hiddify/hiddify-app/release s ）页面，找到最新版本（Latest），下载以 .deb 结尾的文件 （通常是 hiddify-linux-x64.deb）   2、 打开终端（ Ctrl+Alt+T ），进入下载文件夹 3、运行安装命令： sudo apt update sudo apt install ./hiddify-linux-x64.deb