Dorian 的妙妙文档

Alert Accordion Alert Dialog Aspect Ratio Attachment Avatar Badge Breadcrumb Bubble Button Button Group Calendar Card Carousel Chart Checkbox Collapsible Combobox Command Menu Context Menu Data Table Date Picker Dialog Drawer Dropdown Menu Empty Field Hover Card Input Input Group InputOTP Item KBD Label Marker Menubar Message Message Scroller Native Select Navigation Menu Pagination Popover Progress Radio Group Resizable Scroll Area Select Separator Sheet Sidebar Skeleton Slider Sonner Spinner Switch Table Tabs Textarea Toggle Toggle Group Tooltip Typography

可以。新内网机器只需要主动连中心端，不需要入站端口。 中心信息： Server: http://60.205.90.109:22222 Tenant ID: 879858ec-c6f8-470e-9bf0-89804aa6911d Namespace: admin 无 root / 无 Docker 方案 在新机器上登录到你要暴露的普通用户，比如 alice，执行： SERVER='http://60.205.90.109:22222' TENANT='879858ec-c6f8-470e-9bf0-89804aa6911d' DEVICE='adbiza-ptg' # 改成唯一名字，只用小写字母/数字/短横线 mkdir -p ~/.local/bin ~/.local/share/shellhub ~/.config/shellhub ~/.config/systemd/user case "$(uname -m)" in x86_64|amd64) ASSET='shellhub-agent-linux-amd64.gz' ;; aarch64|arm64) ASSET='shellhub-agent-linux-arm64.gz' ;; armv7l) ASSET='shellhub-agent-linux-armv7.gz' ;; armv6l) ASSET='shellhub-agent-linux-armv6.gz' ;; i386|i686) ASSET='shellhub-agent-linux-386.gz' ;; *) echo "unsupported arch: $(uname -m)" >&2; exit 1 ;; esac curl -fsSL "https://github.com/shellhub-io/shellhub/releases/download/v0.25.0/$ASSET" \ | gzip -dc > ~/.local/bin/shellhub-agent chmod +x ~/.local/bin/shellhub-agent ~/.local/bin/shellhub-agent version 然后设置 ShellHub SSH 密码。这个密码是之后通过 ShellHub 连这台机器时用的，不是 Linux 系统密码： ...

查看Docker占用 docker system df 删除无标签的悬挂镜像 docker image prune -f 清理已停止容器 docker container prune -f 清理未使用网络 docker network prune -f 清理未使用卷 docker volume prune -f 清理构建缓存 docker builder prune -f 清理所有未使用资源 docker system prune -f 清理所有未使用资源（含卷） docker system prune -a --volumes -f 删除所有容器 docker rm -f $(docker ps -aq) 删除所有镜像 docker rmi -f $(docker images -aq) 删除所有卷 docker volume rm $(docker volume ls -q) 删除所有网络（默认网络除外） docker network rm $(docker network ls -q) 一键清空 Docker docker rm -f $(docker ps -aq) && docker rmi -f $(docker images -aq) && docker volume rm $(docker volume ls -q) && docker system prune -a --volumes -f 作用：尽可能清空 Docker 中的容器、镜像、卷、缓存。

年份 题目 作者 专注任务 主要使用的深度学习框架 基础框架归属 在基础框架上的改进方法 2018 Deep Learning for Image Denoising: A Survey Chunwei Tian 等 去噪综述 深层残差 CNN 去噪综述 DnCNN 系统总结残差学习、BN、空洞卷积与噪声级建模，奠定后续 DnCNN 系改进路线。 2019 Enhanced CNN for Image Denoising Chunwei Tian 等 去噪 Residual CNN + BN + Dilated Conv DnCNN 在 DnCNN 残差去噪主干上强化感受野与稳定训练，提升噪声建模能力。 2020 Coarse-to-Fine CNN for Image Super-Resolution (CFSRCNN) Chunwei Tian 等 单图超分 Coarse-to-Fine 级联 CNN SRCNN 从单尺度映射转为粗到细逐级重建，减少细节恢复中的信息断裂。 2020 Lightweight Image Super-Resolution with Enhanced CNN Chunwei Tian 等 单图超分 轻量级增强 CNN SRCNN 在 SRCNN 路线上做轻量化与特征复用优化，提升性能/参数比。 2020 Deep Learning on Image Denoising: An Overview Chunwei Tian 等 去噪综述 CNN/UNet/GAN 去噪综述 DnCNN 梳理从传统先验到残差 CNN 的迁移，为后续多分支去噪网络提供设计参照。 2020* Attention-guided CNN for image denoising Chunwei Tian, Yong Xu, Zuoyong Li, Wangmeng Zuo, Lunke Fei, Hong Liu 去噪 ADNet（Sparse/Dilated + Attention 残差 CNN） ADNet 在 DnCNN 主干上加入稀疏空洞卷积、长路径特征增强与轻量注意力块，提升复杂噪声建模与参数效率。 2020 Image denoising using deep CNN with batch renormalization Chunwei Tian, Yong Xu, Wangmeng Zuo 去噪 BRDNet（双分支 CNN + BRN + Dilated Conv） DnCNN 将 BN 替换为 BRN 以稳定小 batch 训练，并通过双分支宽结构与空洞卷积扩大感受野、提升鲁棒性。 2021 Designing and Training of a Dual CNN for Image Denoising (DudeNet) Chunwei Tian 等 去噪 双分支 CNN 去噪 DnCNN / ADNet 将单链路残差去噪升级为双分支互补学习，增强细节与噪声分离。 2021 Asymmetric CNN for Image Super-Resolution Chunwei Tian 等 单图超分 非对称卷积 SR 网络 SRCNN 用非对称卷积与多层残差融合替代同构块堆叠，提升方向纹理建模。 2022 A Diffusion Model with A FFT for Image Inpainting Yuxuan Hu 等 图像补全 Diffusion + FFT + CNN Diffusion Models for IR&E 在扩散修复中引入频域约束与 CNN 细节补偿，改善高频纹理重建。 2022 A Dual CNN for Image Super-Resolution Chunwei Tian 等 单图超分 双支路 SR-CNN SRCNN 将单支路 SR 映射改为双支路互补表示，增强细节恢复与鲁棒性。 2022 A Hybrid CNN for Image Denoising Menghua Zheng 等 去噪 混合卷积去噪 CNN DnCNN / ADNet 融合空洞卷积与重参数化模块，兼顾大感受野和推理效率。 2022 An Improved U-Net for Watermark Removal Lijun Fu, Bei Shi, Ling Sun, Jiawen Zeng, Deyun Chen, Hongwei Zhao, Chunwei Tian 水印去除 IWRU-net（串联双 U-Net） U-Net 由单 U-Net 升级为串联双 U-Net，强化多尺度编码解码与跳连融合，在盲水印场景下显著提升去除质量。 2022 Image Super-Resolution with an Enhanced Group Convolutional Neural Network Chunwei Tian 等 单图超分 组卷积 SR-CNN SRCNN 在 SRCNN 系中引入组卷积与自适应上采样，降低冗余并增强多通道表达。 2022 Generative Adversarial Networks for Image Super-Resolution: A Survey Ziang Wu 等 超分综述 GAN-SR 综述（SRGAN/ESRGAN） GAN for image restoration 归纳从 SRGAN 到 ESRGAN 的损失/结构演进，明确“感知质量-失真”权衡路径。 2023 A Parallel and Serial Denoising Network Qi Zhang 等 去噪 并行-串行混合去噪网络 ADNet / DenseNet 用并行异构提取 + 串行致密聚合替代纯串行块堆叠，提升多尺度噪声抑制。 2023 A robust deformed convolutional neural network (CNN) for image denoising Qi Zhang 等 去噪 Deformable CNN + Residual 去噪 DnCNN 在 DnCNN 链路中引入可变形卷积与扩张卷积，改善非均匀噪声和结构对齐。 2023 Multi-stage image denoising with the wavelet transform Chunwei Tian 等 去噪 多阶段 CNN + 小波增强 ADNet / DnCNN 把频域小波块嵌入多阶段去噪流程，增强高频细节恢复与鲁棒性。 2023 Lightweight Image Denoising Network for Multimedia Teaching System Xuanyu Zhang 等 去噪 轻量 CNN + 动态卷积 ADNet / DnCNN 通过动态卷积和并行-串行混合结构实现轻量化部署与性能平衡。 2024 A cross Transformer for image denoising Chunwei Tian 等 去噪 CNN-Transformer 交互去噪网络 SwinIR（Transformer-IR） 在局部卷积和全局注意力间建立跨模块交互，提升复杂纹理去噪能力。 2024 A Self-Supervised CNN for Image Watermark Removal Chunwei Tian 等 水印去除 自监督 CNN/U-Net 变体 U-Net / DnCNN 用自监督配对构造替代强标注训练，将去噪残差思想迁移到水印移除任务。 2024* A self-supervised network for image denoising and watermark removal Chunwei Tian, Jingyu Xiao, Bob Zhang, Wangmeng Zuo, Yudong Zhang, Chia-Wen Lin 去噪+水印去除 SSNet（并行改进 U-Net + 自监督） U-Net 设计上/下双分支（分阶段与联合学习互补）并引入跨分支注意力交互，用自监督伪配对同时建模去噪与去水印。 2024 Perceptive Self-Supervised Learning Network for Noisy Image Watermark Removal Chunwei Tian 等 水印去除+去噪 双分支自监督网络 + 感知分支 U-Net / DnCNN 在自监督水印去除上加入感知约束与双分支解耦，提升细节保真度。 2024 A Heterogeneous Group CNN for Image Super-Resolution Chunwei Tian 等 单图超分 异构组卷积 SR 网络 SRCNN 用异构组块与并行上采样强化多通道特征互补，提升高倍率重建稳定性。 2024 Heterogeneous Window Transformer for Image Denoising Chunwei Tian 等 去噪 异构窗口 Transformer SwinIR 在窗口注意力框架下引入异构窗口配置，缓解固定窗口对细节/全局建模冲突。 2024 Image Super-Resolution via Dynamic Network Chunwei Tian 等 单图超分 动态卷积 SR 网络 SRCNN 将静态卷积升级为输入自适应动态卷积，提升退化变化场景下泛化。 2024 Adaptive Convolutional Neural Network for Image Super-resolution Chunwei Tian 等 单图超分 异构并行 + 动态卷积 SR-CNN SRCNN 在残差 SR 主干中引入自适应卷积核选择，增强多尺度结构恢复能力。 2024 Efficient Feature Redundancy Reduction for Image Denoising Qi Zhang 等 去噪 冗余抑制去噪 CNN DnCNN 通过特征冗余削减模块减少无效通道交互，在同等算力下提升 PSNR。 2024 Efficient Image Denoising with Heterogeneous Kernel-Based CNN Yuxuan Hu 等 去噪 异构大核去噪 CNN DnCNN 在 DnCNN 系统中引入异构大核与重参数化，扩大感受野并保持部署效率。 2024 Texture-guided CNN for Image Denoising Qi Zhang 等 去噪 纹理引导双分支去噪 CNN DnCNN / ADNet 用纹理先验分支引导主干去噪，减轻过平滑并提升细节保留。 2024 An Enhanced GAN for Image Generation Chunwei Tian, Haoyang Gao, Pengwei Wang, Bob Zhang 图像生成（可迁移为复原先验） EIGGAN（PGGAN + 并行残差 + 空间注意力） GAN for image restoration 在 PGGAN 生成器中引入并行残差与空间注意力，并采用混合正则化损失，增强高频细节合成能力。 2025 A Cosine Network for Image Super-Resolution Chunwei Tian 等 单图超分 异构 OEB/EEB 残差 SR 网络 SRCNN 通过 Odd/Even 异构块 + 多级残差融合 + 余弦退火训练提升重建上限。 2025 A Tree-guided CNN for Image Super-Resolution Chunwei Tian 等 单图超分 树结构多分支 SR-CNN SRCNN 引入树形层级聚合与余弦卷积块，增强层次特征重用与方向敏感建模。 2025 A Cluster Tree Network for Image Super-Resolution Chunwei Tian 等 单图超分 树引导 + 聚类/条件卷积 SR 网络 SRCNN 在树结构 SR 上加入簇路由与条件卷积，提升复杂纹理区域建模效率。 2025 Application of Convolutional Neural Networks in Image Super-Resolution Chunwei Tian 等 超分综述 CNN-SR 综述 SRCNN 系统总结 SRCNN 系与后续残差/上采样机制的演化脉络。 2025 Dynamic Snake Convolution Neural Network for Enhanced Image Super-Resolution Weiqiang Xin 等 单图超分 DSCNN（Dynamic Snake Conv + 多尺度并行） SRCNN 在残差 SR 网络中引入蛇形动态卷积进行几何自适应采样，并结合多尺度并行卷积提升边缘与纹理连续性。 2025* An Omni-Dimensional Dynamic Convolutional Network for Single-Image Super-Resolution Tasks Xi Chen, Ziang Wu, Weiping Zhang, Tingting Bi, Chunwei Tian 单图超分 ODConvNet（全维动态卷积 SR-CNN） SRCNN 将动态卷积扩展到 kernel/input/output/spatial 四维注意力，并与静态卷积并联融合，增强复杂结构重建能力。 2025 Implicit Multi-Scale Swin Transformer Network for Image Denoising (IMSNet) Chunwei Tian 等 去噪 多尺度 Swin + 隐式动力学建模 SwinIR 在 SwinIR 路线中引入隐式多尺度演化模块，提升跨噪声强度稳健性。 2025 3D Enhanced Residual CNN for Video Super-Resolution Network Weiqiang Xin 等 视频超分 3D CNN + 双向时序传播 SRCNN 由单帧 SR 扩展到时空联合建模，结合显式对齐和 3D 卷积提高时序一致性。 2022* VRT: A Video Restoration Transformer Jingyun Liang 等 视频复原/视频超分 多尺度视频 Transformer（TMSA） SwinIR（Transformer-IR） 将窗口注意力扩展到时序互注意，融合并行长序列建模与显式对齐。 2023 Denoising Diffusion Models for Plug-and-Play Image Restoration Yuanzhi Zhu 等 去噪/去模糊/通用复原 DiffPIR（HQS + Diffusion Prior） Diffusion Models for IR&E 用扩散先验替代传统 PnP 高斯去噪器，实现生成式先验驱动的通用逆问题求解。 2023* Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis Kai Zhang 等 盲去噪 SCUNet（Swin + Conv UNet） SwinIR 把 DRUNet 局部建模与 SwinIR 非局部建模合并，并配套真实噪声合成策略。 2024* AddSR: Accelerating Diffusion-based Blind Super-Resolution with Adversarial Diffusion Distillation 作者未在 index 解析 盲超分 扩散蒸馏 + 对抗约束 Diffusion Models for IR&E 将多步扩散蒸馏为少步/一步并注入对抗学习，显著缩短推理链路。 2024* Deep Unpaired Blind Image Super-Resolution Using Self-supervised Learning and Exemplar Distillation Jiangxin Dong 等 盲超分 EDSR/RCAB 风格 CNN + 自监督蒸馏 SRCNN 在无配对数据下联合核估计与重建，并通过 exemplar distillation 稳定高频恢复。 2024* Learning an Adaptive Sparse Transformer for Efficient Image Restoration Shihao Zhou 等 去噪/去模糊/去雨等复原 AST-v2（自适应稀疏注意力） SwinIR（Transformer-IR） 用自适应稀疏注意力和频率增强 FFN 降低注意力冗余，兼顾效率与精度。 2024* Binarized Diffusion Model for Image Super-Resolution (BI-DiffSR) Zheng Chen 等 超分 二值化扩散 UNet Diffusion Models for IR&E 在扩散 SR 主干上做 1-bit 量化并设计一致性上下采样结构，压缩计算与存储。 2024* 2DQuant: Low-bit Post-Training Quantization for Image Super-Resolution Kai Liu 等 超分 SwinIR-light 低比特 PTQ SwinIR 通过分布感知边界初始化 + 蒸馏校准降低 Transformer-SR 超低比特量化损失。 2024* HiT-SR: Hierarchical Transformer for Efficient Image Super-Resolution Xiang Zhang 等 超分 层级窗口 Transformer-SR SwinIR 将固定窗口替换为层级扩展窗口并加入空间-通道相关建模，增强大感受野表达。 2025* CondiQuant: Condition Number Based Low-Bit Quantization for Image Super-Resolution Kai Liu 等 超分 SwinIR-light 条件数驱动 PTQ SwinIR 以线性层条件数指导量化边界与校准，重点抑制激活量化误差。 2025* DeblurDiff: Real-World Image Deblurring with Generative Diffusion Models 作者未在 index 解析 去模糊 条件扩散去模糊模型 Diffusion Models for IR&E 将真实去模糊转为条件生成过程，利用多步去噪改善复杂非均匀模糊恢复。 2025* Devil is in the Uniformity: Exploring Diverse Learners within Transformer for Image Restoration Shihao Zhou 等 通用图像复原 HINT（层级多头注意力 Transformer） SwinIR（Transformer-IR） 对 MHA 做非均匀层级划分与跨层 QK 缓存更新，减少 head 冗余并增强多样性。 2025* Bridging Fidelity-Reality with Controllable One-Step Diffusion for Image Super-Resolution Hao Chen 等 超分 单步潜空间扩散（CODSR） Diffusion Models for IR&E 通过区域自适应先验激活与双 LoRA 调制，改善单步扩散的保真-真实感可控性。 2025* FideDiff: Efficient Diffusion Model for High-Fidelity Image Motion Deblurring Xiaoyang Liu 等 去模糊 潜空间扩散 + consistency 训练 Diffusion Models for IR&E 将前向过程重定义为 blur trajectory，并结合轻量适配提高高保真去模糊效率。 2025* Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing Chengxu Liu 等 去雾 频域条件扩散（FrDiff） Diffusion Models for IR&E 在幅度谱域做扩散重建并结合空间域网络，实现无配对去雾的稳健细节恢复。 2025* InfVSR: Breaking Length Limits of Generic Video Super-Resolution Ziqing Zhang 等 视频超分 AR + One-step Diffusion Transformer Diffusion Models for IR&E 采用 chunk 自回归 + 单步扩散 + KV-cache，突破长视频 VSR 的时长瓶颈。 2025* Intra and Inter Parser-Prompted Transformers for Effective Image Restoration Cong Wang 等 通用图像复原 SAM 提示的 U 形 Transformer SwinIR（Transformer-IR） 引入 parser-prompted intra/inter attention，把结构先验显式注入复原过程。 2026 A Heterogeneous CNN with Transformers for Image Denoising Chunwei Tian, Tongtong Cheng, Yingpeng Ma, Qi Zhu, Bob Zhang, David Zhang 去噪 HTDNet（异构 CNN + 轻量 Transformer） SwinIR（Transformer-IR） 通过 HAR 异构融合块与轻量 Transformer 分支联合建模局部/全局特征，并以对称增强机制缓解深层退化与复杂度上升。 2026* Lightweight Multi-Dilated Transformer for Image Deblurring Zhihao Zhao 等 去模糊 MDFormer（多空洞 Transformer） SwinIR（Transformer-IR） 在窗口注意力前后引入多空洞聚合与空洞 FFN，扩大有效感受野并保持轻量。 2026* Neural Discrimination-Prompted Transformers for Efficient UHD Image Restoration and Enhancement Cong Wang 等 UHD 去噪/去雾/去模糊 NDPT（判别先验提示 Transformer） SwinIR（Transformer-IR） 通过高低分辨率神经差异先验引导 Transformer 复原，提升 UHD 场景的效率与质量。 2025* Omni-Deblurring: Capturing Omni-Range Context for Image Deblurring Yaowei Li 等 去模糊 CNN-Transformer 混合 U 形网络 SwinIR（Transformer-IR） 提出 Omni-range Context Block 同步建模局部/区域/全局信息，改善复杂模糊恢复。 2025* One-Step Diffusion Model for Image Motion-Deblurring Xiaoyang Liu 等 去模糊 单步潜空间扩散 + eVAE Diffusion Models for IR&E 以单步扩散替代多步采样，并重构 VAE 编解码链路以减小细节损失。 2025* PatchScaler: An Efficient Patch-Independent Diffusion Model for Image Super-Resolution Yong Liu 等 超分 DiT 扩散 SR + patch 自适应采样 Diffusion Models for IR&E 按 patch 复杂度动态分配扩散采样与重建预算，降低冗余计算。 2025* PGP-DiffSR: Phase-Guided Progressive Pruning for Efficient Diffusion-based Image Super-Resolution Zhongbao Yang 等 超分 潜空间扩散 SR + 渐进剪枝 Diffusion Models for IR&E 对扩散 UNet 进行相位引导粗到细剪枝，在保性能前提下显著压缩模型。 2025* QArtSR: Quantization via Reverse-Module and Timestep-Retraining in One-Step Diffusion based Image Super-Resolution Libo Zhu 等 超分 一步扩散 SR 低比特量化 Diffusion Models for IR&E 用 timestep retraining + reverse-module 校准降低一步扩散模型量化误差。 2025* RIFLE: Removal of Image Flicker-Banding via Latent Diffusion Enhancement Libo Zhu 等 伪影去除/增强 潜空间扩散 + FB 先验估计 Diffusion Models for IR&E 将 flicker-banding 去除建模为先验条件扩散复原，加入条纹参数估计器增强可控性。 2025* STCDiT: Spatio-Temporally Consistent Diffusion Transformer for High-Quality Video Super-Resolution Junyang Chen 等 视频超分 预训练视频 DiT + 锚帧调制 Diffusion Models for IR&E 通过运动感知 VAE 重建和锚帧特征调制提高时空一致性与细节稳定性。 2025* Towards Redundancy Reduction in Diffusion Models for Efficient Video Super-Resolution Jinpei Guo 等 视频超分 单步视频 DiT + 注意力重路由 Diffusion Models for IR&E 用 attention specialization routing 重分配 head 职责并移除冗余模块，提效降耗。 2025* DOVE: Efficient One-Step Diffusion Model for Real-World Video Super-Resolution Zheng Chen 等 视频超分 CogVideoX 一步扩散适配 Diffusion Models for IR&E 基于预训练视频扩散模型做 latent/pixel 两阶段训练，兼顾速度与真实视频质感。 2025* BiMaCoSR: Binary One-Step Diffusion Model Leveraging Flexible Matrix Compression for Real Super-Resolution Kai Liu 等 超分 一步扩散 + 二值化 + 矩阵压缩 Diffusion Models for IR&E 在一步扩散 SR 上引入 1-bit 压缩与补偿分支，降低部署开销并维持重建质量。 2024* Flexible Residual Binarization for Image Super-Resolution Yulun Zhang 等 超分 SRResNet/SwinIR 的 1-bit QAT 框架 SwinIR / SRCNN 用二阶残差二值化与灵活补偿分支缓解极低比特下的纹理退化。 2026* Ultravsr: Achieving Ultra-Realistic Video Super-Resolution with Efficient One-Step Diffusion Space 作者未在 index 解析 视频超分 一步扩散空间蒸馏 Diffusion Models for IR&E 通过多步到单步蒸馏构建高效扩散空间，提升视频超分的推理可用性。 2026* QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution Bowen Chai 等 视频超分 扩散视频 SR 的低比特 PTQ Diffusion Models for IR&E 基于时空复杂度做层级低秩补偿与量化校准，降低 VSR 扩散模型部署成本。

在企业网络环境中，通过跳板机访问内网或 WSL2 主机时，SSH 经常出现不稳定问题，例如连接卡在 SSH2_MSG_KEX_ECDH_REPLY，或在连接成功后出现 vim/tmux 显示不完整、会话假死等现象。 这类问题本质上与网络路径、MTU、TCP 长连接稳定性有关，单纯依赖 ssh 或 autossh 很难彻底解决。 目标 实现如下访问路径： MacBook → 公网服务器 → 内网机器 / WSL2 在 MacBook 上通过 SSH 连接公网服务器的某个端口，即可稳定访问内网主机的 SSH 服务。 服务端（公网服务器） 下载并启动 frps： wget https://github.com/fatedier/frp/releases/download/v0.53.2/frp_0.53.2_linux_amd64.tar.gz tar xf frp_0.53.2_linux_amd64.tar.gz cd frp_0.53.2_linux_amd64 创建最小配置： # frps.ini [common] bind_port = 7000 启动服务： ./frps -c frps.ini 确保云防火墙放行 7000 端口。 客户端（内网机器 / WSL2） 下载 frpc 并配置反向 SSH 通道： wget https://github.com/fatedier/frp/releases/download/v0.53.2/frp_0.53.2_linux_amd64.tar.gz tar xf frp_0.53.2_linux_amd64.tar.gz cd frp_0.53.2_linux_amd64 # frpc.ini [common] server_addr = 公网服务器IP server_port = 7000 [ssh] type = tcp local_ip = 127.0.0.1 local_port = 22 remote_port = 2222 启动客户端： ...

在 WSL2（Ubuntu 22.04） 中，通过 ssh 连接远端服务器时，连接会无响应。执行调试命令： ssh -vvv user@host 可以看到输出停在： expecting SSH2_MSG_KEX_ECDH_REPLY 客户端不再继续，服务器侧也没有任何日志。更换网络或在 Windows 原生终端中连接正常，说明并非服务器或账号问题。 搜索该现象后，定位到 Unix StackExchange 上的一篇帖子，指出这是 SSH 在 密钥交换阶段（KEX） 发送的握手包过大，在某些网络（WSL2 NAT、防火墙、VPN、校园/公司网络）中触发 Path MTU 黑洞，导致服务器无法收到 KEX_ECDH_INIT，因此不会返回 SSH2_MSG_KEX_ECDH_REPLY。 按照帖子中的建议，手动指定较短的密钥交换算法测试： ssh -o KexAlgorithms=ecdh-sha2-nistp521 user@host 连接立即成功，确认问题与网络路径和握手包大小有关。 为避免每次手动指定参数，将配置写入用户级 SSH 配置文件： ~/.ssh/config 内容如下： Host my-server HostName real.server.ip.or.domain User myuser KexAlgorithms ecdh-sha2-nistp521 此后使用 ssh my-server 即可正常连接，问题稳定解决。

在 Linux 系统上，依次执行以下步骤 mkdir actions-runner && cd actions-runner curl -o actions-runner-linux-x64-2.329.0.tar.gz -L https://github.com/actions/runner/releases/download/v2.329.0/actions-runner-linux-x64-2.329.0.tar.gz tar xzf ./actions-runner-linux-x64-2.329.0.tar.gz 然后来到你的仓库 -> settings -> actions -> runners -> Add your self-hosted 可以看到 Configure 部分的指令，执行它们进行登录。会让你输入一些名称之类的，本次教程全部回车，根据自己需要配置 然后我们安装服务 sudo ./svc.sh install sudo ./svc.sh start 这样 runner 就会作为服务在后台

这是为了赋予该用户某些高权限操作，且不会赋予太多权限，保证服务器安全 # 1. 创建用户（无密码，避免本地密码登录） sudo adduser --disabled-password --gecos "" ghactions # 2. 创建 .ssh 目录 sudo mkdir -p /home/ghactions/.ssh # 3. 权限收紧 sudo chown -R ghactions:ghactions /home/ghactions/.ssh sudo chmod 700 /home/ghactions/.ssh 然后为 github actions 创建私钥用于github action 远程登录 # 切换至用户 sudo su ghactions # 生成公私钥 ssh-keygen -t ed25519 -C "github-actions" -f ~/.ssh/id_ed25519 # 查看公钥，复制到剪贴板： cat ~/.ssh/id_ed25519.pub # 切换回原用户 su <原用户名> # 执行赋予权限 sudo bash -c 'echo "这里换成你的公钥内容" >> /home/ghactions/.ssh/authorized_keys' sudo chown ghactions:ghactions /home/ghactions/.ssh/authorized_keys sudo chmod 600 /home/ghactions/.ssh/authorized_keys 为 ghactions 赋予特定操作的权限 ...

postgres docker run -d --name postgres -e POSTGRES_PASSWORD=postgres -e POSTGRES_USER=postgres -e POSTGRES_DB=postgres -p 5432:5432 -v pgdata:/var/lib/postgresql/data postgres:16 pgvector docker run -d \ --name pgvector-db \ -e POSTGRES_PASSWORD=mysecret \ -p 5432:5432 \ pgvector/pgvector:pg16

在 obsidian 设置中点击第三方插件，搜索插件 git 然后通过终端进入你的 obsidian 笔记所在目录，初始化一个 git 仓库 然后其实和正常 git 一样，你需要和远程 github 仓库关联。此处不赘述 然后，在插件中开启 也可以根据自己需要修改其他的