eLF整合包，全名eLF-真实世界生存。由笔者自行调配Mod组成。
版本：MC Java Edition 1.21 Fabric
下载7z压缩包，解压并运行exe文件即可。
加入我们的服务器吧！
pylindex.top:25565
mixture-group.jp.e4mc.link
[2409:8a20:a60a:e20:3236:294e:fb26:a3ed]:25565
在我家里，使用了树莓派连接光猫进行拨号上网上网，并且用hostadp进行WiFi共享并分发。However，这个无论如何没法分发ipv6地址。所以，我决定采用一个方法，来让我家里的设备里的服务可以被外网访问。于是乎，我就想到了frp。
目前frp的最新版本是v0.61.1，我们下载最新版至一个文件夹内：
aria2c "https://github.com/fatedier/frp/releases/download/v0.61.1/frp_0.61.1_linux_arm64.tar.gz" -x 16 -o ./frp_0.61.1_linux_arm64.tar.gz接下来解压这个文件：
tar -xvzf frp_0.61.1_linux_arm64.tar.gz
rm frp_0.61.1_linux_arm64.tar.gz
cd ./frp_0.61.1_linux_arm64可以看到有以下文件：
├── frpc
├── frpc.toml
├── frps
├── frps.toml
└── LICENSE删除无关文件：
rm frpc frpc.toml LICENSE frps.toml接下来编辑start.sh：
./frps --bind-port 7000 --dashboard-port 7500 -t 选择一个密码 --dashboard-user 选择一个用户名 --dashboard-pwd 选择一个密码添加执行权限：
chmod +x ./start.sh新建screen窗口：
screen -S frps开启frps服务：
./start.sh退出screen窗口：
按下 Crtl + A，接着按 D打开Server IP:7500可以进入控制面板，
在这个框里输入用户名和密码，这里未涉及，不再作解释。
目前，服务端已经搭建好，可以正常使用，地址为Server IP:7000。
Enjoy It !
迫于学校的无聊生活，我们迫不得已给自己找点乐子。在三国杀的灵感激发下，我们（一共5人）终于是创造了一款崭新的亮闪闪的卡牌游戏，我们把他叫做：
在一开始，我们就定下了十分宏伟的愿景：尽量制造丰富，有趣，多样化，十分多的卡牌。为了达成这一目标，我们率先定下来150张的目标。接下来的4天内，不论上课下课，我们5个人在一张张大约6cm*3cm的纸条上面写各式各样的功能牌。除此之外，我们还制造了五个国家分别是：林国，陈国，顺国，姜国，潘国，还给每个国家上了独一无二而又有趣的专属BUFF。150张的目标很快达成，我们脚步不停，最后制造了大约361张。这其中，由于我物理课翻字典找灵感被军克戴看到了，字典还遭受了一些无妄之灾。
基础的制造卡牌的工作完成之后，望着堆积如山的卡牌，我们充满了斗志。首先，顺子带来了如此多卡牌的家——一个全身透明的笔盒。接下来，我们就正式开始了分类场的Hard Work。我们将亲爱的卡牌们分为几堆，把每张牌归为攻击，防御，特殊，单位，附属国（后两种有时候归为前三种），然后给前三种都标上等级：1，2，3。这时，游戏骨架已经基本完成了。
接下来，我们将活计交给了全场智商最高的顺子。制定规则这件事么，虽然活不多，但是脑细胞的消耗绝对是一等一的。他对整个游戏进行了完整的翔实的丰满的规则，对所有牌的关于等级的克制都做了详细的规定。这其中我们剩下的四个人也提供了不少的灵感。
到这时，游戏已经基本完成了。我们先试玩了几把，调整了平衡之后就彻底完工了。自己做的玩起来就是舒服，是打发时间的利器：
为了应对老师的抽查和没收虽然从未有过，我们决定把所有卡牌交与我，让我备份在电脑上并且用统一字体打印出来。我欣然同意。我花了星期五的下午+星期六一天的摸鱼努力+星期天的大半个下午，终于是全部打字录入进了电脑。其中，我还写了一个Python脚本帮我提高效率。之后，我使用了Python将它们做成了PDF（见附件[1]）便于打印。这玩意虽然排版不行，但是裁剪后就可以了。一共三十张共15元。
[1]:https://www.pylindex.top/typecho/usr/uploads/2024/12/406896160.pdf
即得易见平凡，仿照上例显然。
留作习题答案略，读者自证不难。
反之亦然同理，推论自然成立。
略去过程Q.E.D，由上可知证毕。
本人使用制作了一个基于nanoGPT用于生成诗词的AI大语言模型。数据集来自于chinese-poetry。
python3 -m pip install numpy transformers datasets tiktoken wandb tqdm opencc其余依赖项：
现在就可以快速使用本人已经训练好的模型进行推理了。速度视您电脑的配置而定。
python3 main.py稍等一会，您应该在控制台看到一些输出。如果出错，请检查环境配置是否正确。
模型参数：iter 23750， train loss 2.1653， val loss 2.4391。
训练设备：CPU: Intel® Xeon® Gold 5220R Processor, GPU:Tesla T4 GPU 16GB
首先，我们需要提取数据。为此，请运行：
python3 data/poetry/get_data.py接着，将数据从繁体中文翻译为浅显易懂的简体中文：
python3 data/poetry/translate.py最后，预处理数据：
python3 data/poetry/prepare.py这将在数据目录中创建train.bin和val.bin。
现在，是时候训练您的GPT了。
您有一个GPU 太好了，我们可以使用config/poetry.py配置文件中提供的设置快速训练一个小型GPT：
python3 train.py config/poetry.py如果您查看其中，您将看到我们正在训练一个GPT。在训练了600000次迭代后，训练将会停止，并会在out-poetry目录中保存一个模型。接下来，参考快速开始来使用他。如果想停止，可以随时按下Ctrl+C。每过一段时间，模型就会自动保存。
您只有一台MacBook（或GPU差强人意或非NVIDIA GPU） 别担心，我们仍然可以训练一个GPT，但我们要降低一些要求。我建议获取最新的PyTorch nightly版本（在安装时选择它），因为目前它很可能会使您的代码更有效。即使没有最新版本，一个简单的训练运行可能如下所示：
python3 train.py config/poetry.py --device=cpu --compile=False --eval_iters=20 --log_interval=1 --block_size=64 --batch_size=12 --n_layer=4 --n_head=4 --n_embd=128 --max_iters=2000 --lr_decay_iters=2000 --dropout=0.0在这里，由于我们在CPU上而不是在GPU上运行，我们必须设置--device=cpu以及关闭PyTorch 2.0编译选项--compile=False。然后，在评估时，我们会得到一个更加嘈杂但更快的估计（--eval_iters=20，从200减少），我们的上下文大小仅为64个字符，而不是256个字符，每次迭代的批量大小仅为12个示例，而不是64个。我们还将使用一个更小的Transformer（4层，4个头，128个嵌入大小），并将迭代次数减少到2000（并相应地通常将学习率衰减到--lr_decay_iters处）。由于我们的网络如此小，我们也放松了正则化（--dropout=0.0），因此也会得到更糟糕的样本，但仍然很有趣。可以使用以下代码来使用模型进行推理：
python3 main.py --device=cpu该代码将使用CPU来进行推理。