Jack Huang's Blog


  • 首页

  • 标签

  • 归档

  • 搜索

逻辑学入门读书笔记

发表于 2025-09-14

为了更好的有效的沟通,及时准确的发现对方言语中的逻辑谬误,以便有理有据精准反驳,学习一点逻辑学知识是非常有必要的。阅读格桑老师的《逻辑学入门》,做点读书笔记。

目录

001 01. “老师,我不认识孙中山” 偷换概念
003 02. “买一送一,原来是这样的啊” 混淆概念
005 03. “你说的千里马,明明就是蛤蟆嘛” 模糊概念
007 04. “所有的天鹅都应该是白色的” 归纳谬误
009 05. “为什么总会有人将错就错” 协和谬误
011 06. “上不了好学校,将来就会学坏吗” 滑坡谬误
013 07. “我就不信我赢不了” 赌徒谬误
015 08. “贫穷和疾病不是偷窃的理由” 诉诸怜悯
017 09. “多数人认为对的,不一定是真理” 诉诸大众
019 10. “我一直躺着看书,也没有近视” 诉诸个体
020 11. “经验这个东西,并非都那么可靠” 诉诸经验
022 12. “没人能证明你是对的,所以别跟我争辩” 诉诸无知
024 13. “请你相信我,那只是一个例外” 诉诸规则以外
025 14. “如果做不到完美,就干脆不要做” 诉诸完美
027 15. “我只是偷了东西,又没有伤人” 诉诸最差
029 16. “如果你不相信,我说了也没用” 诉诸信心
031 17. “卧室里放这个,全家得癌症” 诉诸恐惧
033 18. “你说喝酒对身体不好,你不也喝吗” 诉诸反诘
035 19. “不说话,肯定就是你弄坏的” 诉诸沉默
037 20. “如果你不想被开除,就得遵守这一规则” 诉诸势力
040 21. “无利不早起,他这么做一定有所图” 动机论
042 22. “这是名人说的,难道也是错的吗” 诉诸权威
044 23. “谎言重复一千遍,也不会变成真理” 重复谎言
046 24. “开这么好的车,肯定是父母有钱” 强制推理
047 25. “太阳傍晚下山,是因为保姆阿姨回家了” 因果混淆
049 26. “挂一个鸟笼,就一定要养鸟吗” 惯性思维
051 27. “有其父必有其子,是不是真的呢” 诉诸出身
053 28. “我的鸡蛋是臭的?你才是臭的呢” 诉诸人身
055 29. “有意义就是好好活,好好活就是做有意义的事” 循环论证
058 30. “再逼真的稻草人,也不是真实的人” 稻草人谬误
060 31. “骆驼挂铃铛和高塔挂铃铛,不是一回事” 转移论题
063 32. “刻舟求剑的楚国人,到底错在哪儿了” 诉诸感觉
066 33. “你的假设有问题,别想误导我” 预设谬误
071 34. “这样的结果很可怕,你掂量掂量” 诉诸后果
074 35. “我不想出国,所以没必要学英语” 否定前件
077 36. “东施效颦,为什么越闹越丑” 机械类比
079 37. “如果再给我一次机会,我一定……” 无理假设
081 38. “双重否定等于肯定,是这样的吗” 双否定前提
083 39. “所有的天鹅,都有白色的羽毛” 不当周延
085 40. “所有的科莱特人都是说谎者” 罗素悖论
088 41. “鲍西亚的肖像藏在哪个匣子中” 排中律
091 42. “为什么是这样,而不是那样呢” 充足理由律
093 43. “妈妈,师范大学在哪儿呢?” 范畴错误
095 44. “天才是1%的灵感加上99%的汗水” 断章取义
097 45. “嗯?有两个报社的记者参加……” 结构歧义
099 46. “那里的老鼠没有一只是驼背的” 隐含命题
102 47. “套用你的话,看你还能怎么狡辩” 同构意悖
105 48. “说了半天,跟什么都没说一样” 分解问题
108 49. “不是这个,就是那个,没有中间物” 虚假两分
111 50. “你如何知道它是真的,能证明吗” 事实断言
114 51. “只要支付全款的10%就行了” 隐瞒证据
117 52. “不好直接回答时,就回答点别的” 答非所问
119 53. “什么是‘正’,什么是‘不正’” 绝对化谬误
122 54. “诡辩家的半费之讼,你看懂了吗” 二难诡辩术
127 55. “导致这种结果的原因只有一个吗” 简化因果关系
129 56. “中国人民银行的资金有18元8角8分” 故意歪解
131 57. “阴沉着脸,是因为心情不好” 命名谬误
133 58. “小明是小明爸爸的儿子” 同语反复
135 59. “明天约好了去爬山,所以明天肯定是晴天” 一厢情愿
137 60. “所有男人都喜欢看世界杯吗” 区群谬误
139 61. “说不上来,就是有一种感觉” 直觉思维
141 62. “这个项目结束后,起码能赚二三十万” 预期理由
143 63. “萧敬腾一开演唱会,肯定会下雨” 巧合谬误
145 64. “给懒惰的农民发两头牛,他们就勤奋了” 因果倒置
148 65. “夸奖让学生成绩下降,责骂让学生成绩进步” 回归谬误
150 66. “和尚动得,为何我动不得” 推不出来
151 67. “下半年有富余的话,我肯定借给你” 设定条件
153 68. “抽烟会影响空气质量,赶紧戒了吧” 无足轻重
155 69. “自古以来,家务活都是女人做的” 诉诸传统
158 70. “我们该为别人的盲目行为负责吗” 说即劝说
160 71. “狂放之士,用他有什么益处呢” 以人为据
162 72. “盗书,怎么能算是偷呢” 说文解字
165 73. “你的动作总是出错,不是跳舞的料” 过度引申
167 74. “人的眼睛有5.76亿像素,却终究看不懂人心” 不当类比
170 75. “眼见都不一定为实,更何况道听途说呢” 诉诸传言
171 76. “本命年穿红色衣服,就会有好运吗” 破除迷信
173 77. “简单答案?算了吧……” 简单答案不存在
175 78. “思维卡壳的时候,你该怎么办” 触类旁通
177 79. “能不能把话说得明白一点儿” 中性词语
179 80. “打破砂锅问到底,直至找出满意的答案” 追踪思维
181 81. “葡萄那么酸,我才不想吃呢” 合理化
183 82. “是团体中的成员太蠢了” 集体思维
186 83. “你不认为这么想是合理的吗” 诱导性问题
188 84. “把最胖的那位科学家丢出去” 求易思维
190 85. “组合的力量是无穷的……” 组合思维
192 86. “我喊‘3’的时候大家一起睁开眼” 逆向思维
194 87. “下次不下雨的时候,献祭活人就是了” 在此之后
196 88. “抽维珍妮细烟能让女性身材变纤细吗” 固定联想

参考链接

  1. 逻辑学入门,by 格桑.
  2. 逻辑学入门,by scribd.

一起因代理设置不当导致网站无法访问的排故记录

发表于 2025-08-02

最近公司遇到一起网站无法访问的故障,记录一下排骨过程。

现象描述

某工位人员电脑突然无法访问公司 web 服务器上部署的网站。

排故过程

  1. 其他工位人员能够访问公司 web 服务器上部署的网站,说明非 web 服务器原因。
  2. 目标工位人员电脑能够 ping 通 web 服务器,说明底层通信链路完好,无法访问是该工位人员电脑自身原因。
  3. 关闭目标工位人员电脑防火墙,仍旧不能访问,说明与防火墙阻挡无关。
  4. 检查网络代理。最终通过 wireshark 抓包查明是该工位人员电脑设置网络代理,导致无法访问公司 web 服务器。

参考链接

  1. 代理服务器,by wikipedia.

AutoGluon使用帮助

发表于 2025-07-23 | 更新于 2025-07-24

最近在看李沐大神的动手学深度学习的视频,看到大神努力地推荐AutoGluon,说它能够让普通人很容易上手使用深度学习模型,因此学习一下。

介绍

AutoGluon由AWS AI开发,自动化机器学习任务,使您能够轻松地在应用程序中实现强大的预测性能。只需几行代码,您就可以在图像、文本、时间序列和表格数据上训练和部署高精度的机器学习和深度学习模型。

安装

使用conda创建一个环境,再在该环境上安装AutoGluon。

1
2
3
4
5
conda create -n autogluon python=3.11
conda activate autogluon
conda install -c conda-forge mamba
mamba install -c conda-forge -c pytorch -c nvidia autogluon "pytorch=*=*cuda*"
mamba install -c conda-forge "ray-tune >=2.10.0,<2.32" "ray-default >=2.10.0,<2.32" # install ray for faster training

测试

使用如下代码快速演示:

1
2
3
from autogluon.tabular import TabularPredictor
predictor = TabularPredictor(label="class").fit("train.csv")
predictions = predictor.predict("test.csv")

参考链接

  1. 使用开源 AutoML 库 AutoGluon 进行机器学习,by Shashank Prasanna.
  2. AutoGluon,一个强大的 Python 库,by 算法金.
  3. AutoGluon-教程1-简单的入门模型,by 愿航.
  4. autogluon,by github.
  5. Installing AutoGluon,by autogluon.

php调试方法

发表于 2025-06-24 | 更新于 2025-06-25

公司一个遗留门户网站需要定期维护,经常需要调试才能确定出问题的地方,因此研究一下php调试的方法,记录一下。

注:该网站使用 php 开发,并采用前后端分离的架构。

通过浏览器打印信息进行调试

在代码中添加 echo、var_dump、print_r 和 exit,在浏览器中查看输出。该方法不适用采用前后端分离架构的门户网站,因为前端通过restful api 访问后端,后端产生的结果不直接显示在浏览器网页中。

使用 XDebug 进行调试

Xdebug 是一款PHP 的调试工具,可以帮助开发者追踪、调试和分析PHP 程序的运行状况。它允许开发者在代码中设置断点,单步执行代码,查看变量值等,从而更有效地排查和解决问题。

参考链接

  1. PHP 调试 - 方式,by kikajack.
  2. Xdebug+phpStorm安装与调试保姆级教程!『通俗易懂』,by GeekerJun.

Conda使用帮助

发表于 2025-06-24 | 更新于 2025-07-12

最近学习《动手学深度学习》第二版这本书,里面用到 miniconda,因此记录一下 Conda 使用方法。

简介

Conda是一个开源跨平台语言无关的包管理与环境管理系统。由“连续统分析”(Continuum Analytics)基于BSD许可证发布。
Conda允许用户方便地安装不同版本的二进制软件包与该计算平台需要的所有库。还允许用户在不同版本的包之间切换、从一个软件仓库下载包并安装。
Conda是用Python语言开发,但能管理其他编程语言的项目(如R语言),包括多语言项目。 Conda可安装Python语言的包,类似于其他基于Python的跨平台包管理器(如wheel 或pip)。

Miniconda 是 Anaconda Distribution 的免费微型安装,仅包含 conda、Python、它们所依赖的软件包以及少量其他有用的软件包。

如果您需要更多软件包,请使用conda install命令从 Anaconda 公共存储库中默认提供的数千个软件包中进行安装,或者从其他渠道(如 conda-forge 或 bioconda)进行安装。

安装

conda 分为 anaconda 和 miniconda,anaconda 是一个包含了许多常用库的集合版本,miniconda 是精简版本(只包含conda、pip、zlib、python 以及它们所需的包),剩余的通过 conda install command 命令自行安装即可;

使用方法

创建环境

1
2
3
4
# 语法
conda create --name <env_name> python=<version> [package_name1] [package_name2] [...]
# 样例 创建一个名为PaddleOCR的环境,python版本为3.7
conda create --name PaddleOCR python=3.7

切换Conda环境

1
2
3
4
5
6
# 语法
conda activate env_name
# 样例 切换到PaddleOCR环境
conda activate PaddleOCR
# 退出当前环境
conda deactivate

查看电脑上已安装的Conda环境

1
2
3
4
5
6
7
8
9
10
11
# 查看当前电脑上所有的conda环境
conda env list

# 激活指定conda环境
conda activate d2l

# 切换到目录
cd /d i:/learn/d2l-zh

# 运行jupyter
jupyter notebook

删除某个Conda环境

1
2
3
4
# 语法
conda remove --name <env_name> --all
# 样例
conda remove --name PaddleOCR --all

使用Conda安装依赖包

1
2
3
4
5
6
7
# 查看当前conda环境安装的所有依赖包
conda list

# 语法
conda install lib
# 样例
conda install requests

参考链接

  1. Conda 使用教程,by zhangruifeng.
  2. Conda ,by wikipedia.
  3. 「详解」conda 安装与使用,by ViatorSun.
  4. 使用Anaconda管理多个版本的Python环境,by 今天只卖大白菜.

采购管理知识学习笔记

发表于 2025-04-23

项目采购管理包括从项目团队外部采购或获取所需产品、服务或成果的各个过程。

项目采购管理过程

项目采购管理过程包括:

  • 规划采购管理
  • 实施采购
  • 控制采购

规划采购管理

规划采购管理是记录采购决策、明确采购方法,及识别潜在卖方的过程。

实施采购

实施采购是获取卖方应答、选择卖方并授予合同的过程。

评标委员会

第二章 评标委员会

第七条 评标委员会依法组建,负责评标活动,向招标人推荐中标候选人或者根据招标人的授权直接确定中标人。

第八条 评标委员会由招标人负责组建。评标委员会成员名单一般应于开标前确定。评标委员会成员名单在中标结果确定前应当保密。

第九条 评标委员会由招标人或其委托的招标代理机构熟悉相关业务的代表,以及有关技术、经济等方面的专家组成,成员人数为五人以上单数,其中技术、经济等方面的专家不得少于成员总数的三分之二。

评标委员会设负责人的,评标委员会负责人由评标委员会成员推举产生或者由招标人确定。评标委员会负责人与评标委员会的其他成员有同等的表决权。

注:评标委员会负责人很重要,负责评标过程节奏的把控,成员工作的分配,因此应当由经验丰富、德高望重的老前辈负责。

评标的准备与初步评审

第三章 评标的准备与初步评审

第二十二条 投标人资格条件不符合国家有关规定和招标文件要求的,或者拒不按照要求对投标文件进行澄清、说明或者补正的,评标委员会可以否决其投标。

第二十三条 评标委员会应当审查每一投标文件是否对招标文件提出的所有实质性要求和条件作出响应。未能在实质上响应的投标,应当予以否决。

注:本阶段评标委员会将对投标人资质和合规性进行审查。

详细评审

第四章 详细评审

第二十八条 经初步评审合格的投标文件,评标委员会应当根据招标文件确定的评标标准和方法,对其技术部分和商务部分作进一步评审、比较。

注:本阶段评标委员将依据评估标准和方法对招标文件进行详细评审。评估标准可分为客观部分和主观部分。客观部分由可量化的评估标准构成,因此,对同一份招标文件,所有评标委员会成员的打分应该是一致的,评标委员会负责人可以在此处进行成员分工。

控制采购

控制采购是管理采购关系、监督合同绩效、实施必要的变更和纠偏,以及关闭合同的过程。

参考链接

  1. 信息系统项目管理师教程(第4版),by douban.
  2. 评标委员会和评标方法暂行规定,by gov.

__acrt_first_block==header错误的原因及解决方法

发表于 2025-04-17 | 更新于 2025-04-18

同样遇到以下链接所示错误:

  • __acrt_first_block == header错误的一种办法

通过单步跟踪,定位到运行函数 std::vector.push_back(Object)时,就报__acrt_first_block==header错误。最终通过给std::vector对象预留内存解决,即在调用push_back()前先调用reserve()。

参考链接

  1. __acrt_first_block == header错误的一种办法,by hansen_fu.
  2. vector 的push_back() 报错,by 爱钓鱼的歪猴.

Themida & WinLicense 2.0 - 2.4.6 脱壳的方法

发表于 2025-04-17

最近遇到一个软件,使用exeinfo pe查看,发现其使用 Themida & WinLicense 2.0 - 2.4.6 加了壳,于是想办法给该软件脱壳,记录一下过程。

PE文件格式

壳是一种专用的加密软件技术,它能够保护软件的二进制程序,避免其直接暴露在不怀好意的同行面前。要理解壳,要脱壳,首先得了解一些基本知识。

壳所保护的软件二进制程序通常采用PE文件格式,包括壳自身也是如此。因此有必要了解PE文件格式。

壳的分类

常用的壳可分为压缩壳、加密壳、虚拟机保护壳。

脱壳技术

脱壳技术的核心是寻找目标程序的 OEP(Original Entry Point,原程序入口点),然后将目标程序恢复出来。

脱壳过程

请参考[分享]Themida & WinLicense 2.0 - 2.4.6 脱壳。脱壳过程需要注意的是:

  • ODBGScript v1.82.6,ODBGScript插件版本必须不小于v1.82.6,否则 Themida & WinLicense 2.0 - 2.4.6 的脱壳脚本将运行报错。
  • 需要在 32 位系统中运行 OllyDBG,否则将报 StrongOD 插件不可用错误。

参考链接

  1. [分享]Themida & WinLicense 2.0 - 2.4.6 脱壳,by Hasic.
  2. 软件破解之脱壳八法,by 爱笑的程序狗.

Ubuntu下交叉编译ARM程序方法

发表于 2025-03-03

需要在 X64 的 Ubuntu 20.04 平台交叉编译 ARM64 架构的程序,研究一下交叉编译工具链的使用方法。

交叉编译工具链

交叉编译工具链是一个由编译器、连接器和解释器组成的综合开发工具集,交叉编译工具链主要由binutils、gcc和glibc三个部分组成。有时出于减小 libc 库大小的考虑,也可以用别的 c 库来代替 glibc,例如 uClibc、dietlibc 和 newlib。

Ubuntu ARM 交叉编译工具链安装

目前主流的 ARM 交叉编译工具链主要有三种:

  • Linaro 提供的 ARM 交叉编译工具链,可以到 Linaro 官网 Linaro Releases 去下载已经制作好的交叉编译工具链
  • GNU(提供源码,自行编译制作)
  • Codesourcery

参考连接

  1. Linux Clash 最速安装使用,by 工科生的困意.
  2. Ubuntu 交叉编译工具链安装,by 孤情剑客.
  3. 【一】ubuntu交叉编译工具链选择与安装,by UNI-少林寺武功.

DeepSeek大模型本地部署方法

发表于 2025-02-26 | 更新于 2025-03-01

DeepSeek如此火热,不禁也研究一下本地部署DeepSeek的方法。

Ollama 安装和使用

Ollama是一款启动并运行大型语言模型的工具。

安装完成后,我们直接打开命令行执行 ollama –version 判断是否安装成功。

ollama 会在我们本地服务监听 11434 端口。

在线部署大模型

我们可以直接使用 ollama run 模型名称 来下载和运行我们想要的模型。例如:

1
2
3
4
5
6
# 查看ollama版本
ollama --version
# 下载大模型
ollama pull deepseek--r1:1.5b
# 运行大模型
ollama run deepseek-r1:1.5b

离线部署大模型

1
2
3
4
5
6
7
8
# 在联网生成大模型描述文件
ollama show deepseek-r1:1.5b --modelfile > modelfile.txt

# 复制大模型和大模型描述文件到离线电脑某个文件夹,然后使用如下命令离线部署
ollama create deepseek-r1:1.5b -f modelfile.txt

# 验证是否离线部署成功
ollama list

与AI交互的客户端

ChatBox 桌面客户端

Chatbox 是一款开源的 AI 客户端,专为与各种大型语言模型进行交互而设计。它支持包括 Ollama 在内的多种主流模型的 API 接入,无论是本地部署的模型,还是其他服务提供商的模型,都能轻松连接。

连接本地 Ollama 服务

连接远程 Ollama 服务

请参考:

  • 如何将 Chatbox 连接到远程 Ollama 服务:逐步指南

Open-webui Web客户端

Open-WebUI是一个可扩展、功能丰富且用户友好的自托管人工智能平台,设计上完全离线运行。它支持各种大语言模型(LLM)执行器,如 Ollama和兼容OpenAI的APIs ,并内置了用于检索增强生成(RAG)的推理引擎,使其成为一个强大的AI部署解决方案 。

部署过程请参考:

  • llama3本地环境配置(Ollama+open-webui)
  • Open WebUI

Page Assist + Ollama - 实现本地模型联网

Chatbox 提供了联网功能,但是 DeepSeek R1 模型是没办法联网。

想要让本地模型联网我们还得靠一个浏览器插件 Page Assist。

Page Assist 是一款开源的浏览器扩展程序,旨在为本地 AI 模型(如 Ollama)提供便捷的交互界面。

RAG 打造知识库

RAG 架构介绍

RAG(Retrieval-Augmented Generation,检索增强生成)是一种结合信息检索与生成模型的人工智能技术,旨在通过检索外部知识库中的信息来增强语言模型的生成能力。

LLM(Large Language Model,大语言模型)

Embedding(嵌入):通过一个专门的模型来把你上传的文本、表格数据等本地文件处理成机器能理解的 “数字代码”。相似的文本在这个向量空间中距离会更近。比如,“苹果”和“水果”这两个词的嵌入向量就会比较接近,而“苹果”和“汽车”就会离得很远。

Vector Database(向量数据库):用来存储上一步处理好的 “数字代码” 的数据库,它能够高效地存储和检索这些向量。当你有一个问题时,它会把问题转换成向量,然后在这个仓库里快速找到和问题最相关的向量。比如,你问“苹果是什么?”它会在这个仓库里找到和“苹果”相关的向量,比如“水果”“红色”“圆形”等。

Anything LLM

Anything LLM 是一款基于 RAG架构的本地知识库工具,能够将文档、网页等数据源与本地运行的大语言模型(LLM)相结合,构建个性化的知识库问答系统。

知识库的构建请参考:

  • 跟着DW学习大语言模型-什么是知识库,如何构建知识库
  • 从零开始构建一个基于大模型和 RAG 的知识库问答系统

大模型微调

Fine-tuning(微调):通过特定领域数据对预训练模型进行针对性优化,以提升其在特定任务上的性能。

请参考:

  • 【大模型开发 】 一文搞懂Fine-tuning(大模型微调)
  • 深入理解大语言模型微调技术

参考链接

  1. 如何拥有一个无限制、可联网、带本地知识库的私人 DeepSeek?,by ConardLi​.
  2. 如何把你的 DeePseek-R1 微调为某个领域的专家?,by ConardLi​.
  3. DeepSeek + Cherry Studio:简捷搭建个人知识库,by 苏点点.
  4. 打造DeepSeek最强外挂!一篇文章教会你搭建「个人知识库」(喂饭版),by m0_63171455.
  5. LLM context 长度分析与提升方法总结,by phynlp.
  6. What do you mean exactly with “embedding length” ?,by reddit.
  7. What is Quantization in LLM,by Nithin Devanand.
  8. 什么是大语言模型量化? 每个量化精度都代表什么?,by karminski.
  9. 大模型|“上下文长度”和“上下文窗口”不再傻傻分不清楚!,by 智识可乐.
  10. 本地部署deepseek模型保姆级教程,by lovefc.
  11. 跟着DW学习大语言模型-什么是知识库,如何构建知识库,by 羞儿.
  12. DeepSeek +Kimi 免费快速生成PPT!,by UIED用户体验交流学习.
12…53下一页

Jack Huang

524 日志
68 标签
© 2025 Jack Huang
由 Hexo 强力驱动
|
主题 — NexT.Muse