笔记

Git rebase 使用方法

Tue, 31 Dec 2024 00:00:00 GMT

背景说明:

在使用 Aider 和 DeepSeek 的开发过程中，每一次修改都会生成一次新的提交。因此，随着项目的迭代，提交历史可能变得较为零散，包含很多类似的修复和功能改动。为了简化提交历史并确保提交信息的清晰性，通常需要使用 git rebase -i 进行提交合并（squash）操作。

假设你有如下的提交历史：

目标:

我们希望将前面几条提交（style 类的提交）合并为一个更简洁的提交，并且在合并后的提交中明确说明它们涉及到UI改进的内容。具体操作如下：

步骤：

启动交互式 rebase：首先，执行以下命令启动交互式 rebase：

这将打开编辑器，显示最近的提交。你会看到类似下面的内容：

修改提交操作：将希望合并的提交标记为 squash，即将它们压缩成一个提交。你希望合并的是前三个提交（关于样式和设置的改动），所以修改文件如下：

这表示将 0a789ad, 76506ee, 和 c4c0e98 这三次提交合并成一个提交。

保存并退出编辑器：保存更改并退出编辑器。Git 会开始执行 rebase 操作，并自动合并前三个提交。

编辑合并提交消息：接下来，Git 会让你编辑合并后的提交消息。你可以将这些提交合并成一个简洁的提交消息：

修改后的消息可以如下：

这将合并三次关于 UI 改进和设置调整的提交，并且简化为一个清晰的提交消息。

完成 rebase：保存并退出后，Git 会继续执行 rebase，并将三个提交合并为一个新的提交。完成后，你可以使用 git log 查看新的提交历史。

合并后的结果：

合并后的提交会看起来像这样：

在新的提交历史中，前三个提交已被合并成一个 improve UI of DegreeTrainer settings 的提交，并且其他提交保持不变。

DegreeTrainer介绍

Sat, 21 Dec 2024 00:00:00 GMT

强烈建议观看这个主播的视频

https://www.youtube.com/watch?v=Y6BPB3Cso00

油管搜索max konyi，我是根据他的理念做的练习网页，他的视频详细介绍了首调的概念，并且有比较多的带练视频。

他自己也有开发一款练耳app但是还没上市，叫做Sonofield Ear trainer，可以关注并支持他一下！

1. 调和音级

什么是调

在音乐中，调（Key）指的是一组音符的集合，通常围绕一个特定的音作为主音（Tonic）。两只老虎》这首歌，在不同的调中会有不同的音符，但旋律的关系是一样的。你不需要关心具体的音名，，我们只需要关注音高之间的关系，具体音符会根据选择的调而变化。

什么是音级

音级是每个音符在调中的位置（或者级数）。以常用的七声音阶为例：

第1级（Tonic，主音）：这是调的核心音，给人“家”的感觉，非常稳定。

第7级（Leading Tone，导音）：7音通常有一种“未完成”的感觉，会强烈地指向1。比如，唱“1234567”，停在7的时候会让人觉得不满足，仿佛需要回到1来结束。

通过训练这些音级，你可以更好地感受它们之间的区别，理解每个音符在调中的功能。

这是两只老虎的音频，三段分别在C、G、A调，但是听完会觉得他们两只老虎。这是因为在不同的调里面，都是按照do re mi do, do re mi do, mi fa so mi fa so这样的音级去弹奏的。

2. 调、音级和主音的关系

在音级训练中，每次练习会有一个持续的音，这个音就是我们的“调音”或者“主音”（Tonic）。它是所有其他音符的基准：

默认调是C调，其音符依次为：C D E F G A B，对应的音级是：1 2 3 4 5 6 7。

如果你选择了其他调，比如G调，音符会变成：G A B C D E F#，音级仍是： 1 2 3 4 5 6 7。

每个音级在调中有不同的听感和功能，比如1是稳定的主音，5是属音（具有引导感），而7则是导音（不稳定，倾向于回到1）。

3. 怎么练习？

在练习中，你会听到以下两个声音：

持续的主音（调音）：这是你练习的基准音，它是调的核心音。

测试音：这是你需要辨别和唱出的音符，你需要感受它和主音之间的音程关系。

练习步骤：

首先，听清楚持续的主音，感受它的稳定性。

然后，听测试音，感受它与主音的差异，并唱出这两个音。

最后，选择测试音在音级中的位置，比如1、2、3……7。

这个方法通过听辨和模唱，可以帮助你理解音级在调中的功能，训练你的听觉辨识能力。

4. 网站功能介绍

免提模式

开启免提模式后，系统会自动播放正确答案，适合用来练习音高记忆和音程感知，不需要手动选择答案。

设置选项

音量设置：调整主音音量（持续音）和测试音量（测试音），根据环境选择合适的音量，手机上操作主音音量会比较小，需要调大一点。

音符范围：设置练习的音高范围，限制在低音区、中音区或高音区。

选择音级：指定想要练习的音级（比如3-5或1-7），从简单到复杂逐步提高。

BPM设置：调整练习速度，适应个人的节奏需求。

统计数据

查看自己的总尝试次数、正确数和正确率，方便追踪练习进展。

删除数据

删除本地统计数据，清除历史记录，重新开始。

5. 挑战模式与自由训练

挑战模式：一次完成30道题目，正确率达到90%才能解锁下一级。适合目标明确的进阶练习。

自由训练：没有限制，可以随意选择练习内容，适合轻松体验或重点练习。

6.快捷键介绍

可以用电脑键盘的数字键1234567代表1234567级答题，相比于鼠标定位去点按钮更加方便。

如果有midi键盘，也可以直接演奏相应音符答题，练耳的同时还能练习键位感觉。

迁移Conda环境

Tue, 19 Nov 2024 00:00:00 GMT

Conda环境批量迁移笔记

为什么需要批量复制环境？

在学生实验课中，机房的网络速度往往无法满足在课堂上安装 Anaconda 及相关包（如 PyTorch、Matplotlib、NumPy 等）的需求。为了确保每位学生都能顺利进行实验，需要通过离线方式批量复制环境。

操作步骤

找到环境文件夹： 前往 Anaconda 的安装路径，例如：

复制环境文件夹： 将 env_name 这个环境的文件夹压缩、复制出来，保存到移动存储设备上。

粘贴到新电脑： 在另一台 Windows 电脑上，将复制的环境文件夹解压、粘贴到对应的 Anaconda 环境目录下。

注意事项

Jupyter 的路径问题： 由于 Jupyter 有配置文件，如果不同电脑的用户目录不同（例如，A 电脑的用户是 userA，B 电脑是 userB），会导致路径错误。解决方法是重新安装 Jupyter：

避免路径问题的方法： 在所有电脑上都使用系统范围安装的 Anaconda，这样软件会安装在 C://ProgramData 而不是每个用户的独立目录中。这样，所有电脑的 Anaconda 路径都相同，避免了路径不一致的问题。

通过以上方法，可以高效地在多台电脑上部署相同的 Conda 环境，满足离线环境下的教学需求。

Docker 网络配置，以Yacd 为例

Sat, 02 Nov 2024 00:00:00 GMT

Docker image

Docker Hub haishanh/yacd

GitHub Container Registry ghcr.io/haishanh/yacd

Docker Container with Fixed IP and IPtables Rules for IP Range

Create Custom Docker Network:

Run Container with Fixed IP:

Set IPtables Rules for Allowed Range (10.8.0.0/24):

Allow access to ip A for IPs in the 10.8.0.0/24 range:

Block all other access to ip A:

This configuration enables access for the 10.8.0.x IP range while blocking others.

吉他练习

Sat, 07 Sep 2024 00:00:00 GMT

音乐练习汇总

这里汇集了一系列多样化的音乐练习。长时间专注于单一类型的练习可能会导致收益递减，就像一个被子装满水后再加水就会溢出一样。因此，我们采用短时间内练习多种类型的方法，然后给予大脑适当的休息时间来消化和巩固所学内容。

这个练习集合的目的是：

提供多样化的练习选择，以避免单调和疲劳

允许在不同技能和领域之间灵活切换

优化学习效率，通过适度休息来促进大脑的恢复和巩固

根据当前需求和状态，随时可以从这里挑选合适的练习

记住，选择练习时要考虑你的目标、当前状态和可用时间。合理安排练习和休息，才能实现最佳的学习效果。

练习技巧

练习时不需要一次性推广到所有12个调或音符。练习是无穷无尽的，而我们也要适度。慢慢来，注重质量而非数量。一次练三五个调已经是喜人的过程，有所进步就行。

Exercises

手指训练

买卖股票IV

Mon, 12 Aug 2024 00:00:00 GMT

想法

在股票交易中，寻找在最多 k 次交易中获得最大利润的问题可以通过逐步考虑每一步的交易来分解。初步想法是使用动态规划来管理买入和卖出股票的不同状态。

方法

这个方法的核心思想是维护两个表：buy 和 sell。buy[i][j] 表示在进行 i 次交易后的第 j 天的最大利润，而 sell[i][j] 表示在进行 i 次交易后的第 j 天卖出后的最大利润。

更新这些表的公式为：

买入：

这意味着第 j 天进行第 i 次买入后的最大利润是

当天不买入：已经持有股票了（buy数组）的最大利润。

当天买入：是没持有股票的时候（sell数组）的最大利润减去当天的买入价格。

卖出：

这意味着第 j 天进行第 i 次卖出后的最大利润是

当天不卖出：前一天的最大利润

今天卖出：最好的持仓利润加上当天的卖出价格。

示例

初始化（第0天）：

buy[0] 和 sell[0]： 这些初始化用于提供计算的基线：

buy[0][*] 设置为 100001，表示没有发生买入。
sell[0][*] 设置为 0，因为还没有发生卖出。

迭代1（第一次交易）：

第1天：

buy[1][1] = -3： 第一天买入的价格为 3，因此 buy[1][1] = -3。这反映了潜在的利润（因为还没有卖出，所以是负的）。
sell[1][1] = 0： 因为我们不能在买入当天卖出，卖出的最大利润仍然为 0。

第2天：

buy[1][2] = -2： 第2天的价格为 2，低于第1天。因此，第2天买入更有利，将 buy[1][2] = -2。
sell[1][2] = 0： 因为还没有卖出，利润仍然为 0。

第3天：

buy[1][3] = -2： 尽管第3天的价格是 6，但持有第2天以 2 买入的股票仍然是最好的选择。因此，buy[1][3] = -2 保持不变。
sell[1][3] = 4： 如果我们以 6 的价格卖出第2天买入的股票，利润为 4，因此 sell[1][3] = 4。

第4天：

buy[1][4] = -2： 第4天价格降至 5，继续持有第2天的仓位（buy[1][4] = -2）比以更高价格买入要好。
sell[1][4] = 4： 如果不在第4天卖出，利润仍然为 4。

第5天：

buy[1][5] = 0： 价格降至 0，这是最好的买入时机。但是，由于这仍然是第一次交易的一部分，当天的最大潜在损失为 0，更新为 buy[1][5] = 0。
sell[1][5] = 4： 第一次交易的最大利润仍然为 4，如果没有卖出。

第6天：

buy[1][6] = 0： 买入决策保持与第5天相同，没有进一步的交易发生在这一迭代中。
sell[1][6] = 4： 第一次交易的最大利润仍然为 4，因为没有找到更好的卖出价格。

迭代2（第二次交易）：

第1天：

buy[2][1] = -3： 如果在第1天进行了第二次交易的买入，潜在损失为 3。
sell[2][1] = 0： 由于没有发生卖出，利润仍然为 0。

第2天：

buy[2][2] = -2： 第2天最好的行动是以 2 的价格买入，因此 buy[2][2] = -2。
sell[2][2] = 0： 由于还没有卖出，利润仍然为 0。

第3天：

buy[2][3] = -2： 持有第2天的仓位仍然是最好的选择，因此 buy[2][3] = -2。
sell[2][3] = 4： 在第3天以 6 的价格卖出，获得的利润与第一次交易相同，因此 sell[2][3] = 4。

第4天：

buy[2][4] = -1： 第4天，在完成第一次卖出后，第二次交易最好的选择是以 5 的价格买入，因此 buy[2][4] = -1。
sell[2][4] = 4： 如果没有卖出，利润仍然为 4。

第5天：

buy[2][5] = 4： 价格降至 0，这是在第一次卖出后的最佳买入时机，更新为 buy[2][5] = 4。这带来了第一次交易的利润。
sell[2][5] = 4： 没有发生卖出，因此利润仍然为 4。

第6天：

buy[2][6] = 4： 第5天的买入决策仍然有效，因为没有更好的机会出现。
sell[2][6] = 7： 最后，在第6天以 3 的价格卖出，第二次交易的最大利润为 7。

最终结果：

完成两次迭代后，最多进行 2 次交易所能获得的最大利润为 7。这是在 sell[2][6] 中找到的结果。

复杂度

时间复杂度:

该解决方案的时间复杂度为，因为我们遍历了交易次数 k 和天数 n。

空间复杂度:

空间复杂度为，因为我们为 buy 和 sell 维护了二维数组。

代码

空间复杂度改进

为了优化空间复杂度，我们可以注意到第 i 次交易仅依赖于上一次交易的结果。这使得我们可以将 buy 和 sell 表从二维数组减少为一维数组。通过这样做，空间复杂度从改善为。

以下是优化后的代码：