一般而言，我们让公司测序都是知道链特异性建库的方法，除非你觉得他们给的结果不对，或者说你是从公共数据库中获取的转录组数据，并不确定采取的是什么建库方法。

关于链特异性测序的详细介绍，见链特异性测序那点事, 本文只是介绍如何使用RseQC的 infer_experiment.py 命令进行推断而已。

需要注意的是infer_experiment.py 的运行需要一个记录基因注释信息的bed文件，也就是没有注释文件就执行不了。

首先是安装这个RseqQC, 以及准备bedops，可以直接创建一个新的conda环境.

1
2
3

mamba create -n RseqQC -c bioconda -c conda-forge rseqc bedops -y
# 启动环境进行后续分析
conda activate RseqQC

我们需要先将给定的gff文件转成bed文件，假设你的gff文件名是 input.gff

1

gff2bed < input.gff > input.bed12

接着，准备你需要分析样本的BAM文件，如果你只有fastq，那么需要用STAR或者HISAT2进行比对，假设输出结果为 output.bam。

最后就可以使用 infer_experiment.py进行分析

1
2
3
4
5
6
7

infer_experiment.py --input-file output.bam -r input.bed12

# 输出信息如下
This is PairEnd Data
Fraction of reads failed to determine: 0.0160
Fraction of reads explained by "1++,1--,2+-,2-+": 0.0178
Fraction of reads explained by "1+-,1-+,2++,2--": 0.9663

结果表明，read基本都是”1+-,1-+,2++,2–”，也就是最常用的基于dUTP的链特异性建库。

如果是非特异性建库，那么结果大概都是50%-50%。

1
2
3
4

This is PairEnd Data
Fraction of reads failed to determine: 0.0172
Fraction of reads explained by "1++,1--,2+-,2-+": 0.4903
Fraction of reads explained by "1+-,1-+,2++,2--": 0.4925

后续的参数设置，就见链特异性测序那点事

思路

1. 基于clash的代理，配置本地的代理转发
2. 配置环境变量，http_proxy和https_proxy

第一步：购买代理服务器，我推荐使用熊猫翻滚，即PandaFan, 注册的时候可以考虑填写邀请ID, 185780。

第二步：安装clash，你可以考虑在服务器上直接下载，但是大概率会遇到龟速。百度网盘链接: https://pan.baidu.com/s/1xErNbHOCsOeCnW44WfZQyg?pwd=zgnh 提取码: zgnh . 密码 xuzhougeng.top

1

wget https://github.com/Dreamacro/clash/releases/download/v1.18.0/clash-linux-amd64-v1.18.0.gz

在服务器上的家目录中，解压缩clash，并赋予可执行权限。

1
2
3
4
5
6

# 配置clash
mkdir clash
mv clash-linux-amd64-v1.18.0.gz clash
cd clash
gzip -d clash-linux-amd64-v1.18.0.gz
chmod +x clash-linux-amd64-v1.18.0

第三步，配置clash

clash的运行需要一个Country.mmdb文件，虽然会自动下载。但是速度比较慢，所以我也放在了百度盘中。按照如下方法进行手动配置

1
2

mkdir -p ~/.config/clash
mv ~/Country.mmdb ~/.config/clash

另外clash还需要一个yaml文件，配置代理规则，因此，你需要在clash的目录下新建一个config.yaml文件，内容如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

port: 7890
socks-port: 7891
allow-lan: true
mode: Rule
log-level: info
external-controller: :9090
proxies:
- name: "trojan"
  type: trojan
  # interface-name: eth0
  # routing-mark: 1234
  server: 服务器地址
  port: 服务器端口
  password: 密码
proxy-groups:
  - name: science
    type: url-test
    proxies:
      - trojan
    url: http://www.gstatic.com/generate_204
    interval: 300
rules:
 - DOMAIN-SUFFIX,amazonaws.com,science
 - DOMAIN-KEYWORD,github,science
 - DOMAIN-SUFFIX,github.com,science
 - DOMAIN-SUFFIX,github.io,science
 - DOMAIN-SUFFIX,githubapp.com,science
 - DOMAIN-SUFFIX,githubassets.com,science
 - DOMAIN-SUFFIX,githubusercontent.com,science
 - DOMAIN-KEYWORD,github,science
 - DOMAIN-SUFFIX,github.com,science
 - DOMAIN-SUFFIX,github.io,science
 - DOMAIN-SUFFIX,githubusercontent.com,science
 - DOMAIN-SUFFIX,rawgithub.com,science
 - DOMAIN-SUFFIX,github.com,science
 - DOMAIN-SUFFIX,github.io,science
 - DOMAIN-SUFFIX,githubapp.com,science
 - DOMAIN-SUFFIX,githubassets.com,science
 - DOMAIN-SUFFIX,githubusercontent.com,science
 - GEOIP,CN,DIRECT

注意上面的server, port, password都需要自己配置。我们可以从pandafan的账号后台中获取

第四步：在你需要从github上下载数据到时候， 我们先通过./clash-linux-amd64-v1.18.0 -f config.yaml &启动代理，然后配置环境变量http_proxy和https_proxy，如下

1
2

export http_proxy=http://127.0.0.1:7890
export https_proxy=http://127.0.0.1:7890

那么后续从github上获取数据就非常方便了。例如从github上克隆singularity

1

git clone --recurse-submodules https://github.com/sylabs/singularity.git

速度如下

参考资料

• https://dreamacro.github.io/clash/

Singularity的编译不是完全需要root权限，但是有root权限会更加简单，如果你的服务器上没有singularity，用的是ubuntu，可以把这篇文章发给管理员，让他帮你装一个。

编译的Singularity的环境是Ubuntu 20.04，先安装必要的依赖环境

1
2
3
4
5
6

sudo apt-get update && sudo apt-get install -y \
    build-essential \
    libssl-dev \
    uuid-dev \
    libgpgme11-dev \
    squashfs-tools

然后你需要安装大于1.20的GO，否则无法编译新的singularity，这里用的GO版本是1.21。

1
2

wget https://go.dev/dl/go1.21.0.linux-amd64.tar.gz 
sudo tar -C /usr/local -xzf go1.21.0.linux-amd64.tar.gz 

添加到自己的环境变量中

1
2
3

echo 'export GOPATH=${HOME}/go' >> ~/.bashrc
echo 'export PATH=/usr/local/go/bin:${PATH}:${GOPATH}/bin' >> ~/.bashrc
source ~/.bashrc

接着，我们需要从github上克隆一份singularity到本地，并切换到对应目录中

1
2
3
4

mkdir -p $GOPATH/src/github.com/sylabs
cd $GOPATH/src/github.com/sylabs
git clone https://github.com/sylabs/singularity.git
cd singularity

克隆之后，还需要下载这个库中的一些GO依赖库

1
2

git submodule update --init
go get -u -v github.com/golang/dep/cmd/dep

最后就是编译安装

1
2
3

./mconfig
make -C builddir
sudo make -C builddir install

最后会得到两个文件，一个是执行文件/usr/local/etc/singularity，一个是配置文件/usr/local/etc/singularity/singularity.config。

需要注意的是，由于安装过程中，需要从GitHub上下载数据，因此要求服务器能够顺畅的访问GitHub，否则会因为网络原因失败。

除了课程介绍如何使用第三方API外，可能大家也想申请一个OpenAI的官方账号。尽管在课程中，我们的演示过程非常顺利，中间没有出现意外，但考虑到不同学员的网络环境非常不同，所以这里做点补充。

网络环境

如果你使用wildcard，可以使用他们提供的美国家庭的浏览器环境。

首先，一定要打开隐私模式或无痕模式或Edge浏览器的InPrivate模式。不同浏览器有不同的说法，以Edge为例

其次，打开全局代理。并且网络环境只能选择的非大陆地区，例如英美、新加坡等。部分线路由于使用人数过多，会被OpenAI或者谷歌邮箱拉黑，因此如果在操作过程中遇到这类问题，就需要切换线路。

注意，如果切换了线路，需要你重新打开一个隐私模式或无痕模式或Edge浏览器的InPrivate模式

关于网络环境的提供商，我个人使用的是PandaFan，它的价格比较贵，因此也就比较稳定。只不过，目前用的人好像多起来了，估计用于注册OpenAI和谷歌邮箱，可能不太好用，只能出现问题就换个地区了。

由于GFW的存在，因此PandaFan域名有很多个 https://pandafan.website/,https://pandafan.soccer/, https://pandafan.bid/ ,任选一个就行。（如果注册的时候想填写邀请码，可以考虑写185780）

谷歌邮箱申请

虽然OpenAI的账号不是所有人都需要，但是谷歌邮箱确实很实用。

如果自己有多年前申请的谷歌账号，那是最好的。如果没有，就需要单独申请一个。

部分同学可能在申请过程中，不需要借助短信验证。

如果需要短信验证，就需要使用到 https://sms-activate.org/cn。

注册的谷歌账号，一定要注意，要先用一周（每天能够登录下），确保这个邮箱，不会被封号（俗称养号，不要被当做机器注册号），才能确保注册OpenAI后，能够一直使用谷歌邮箱登录。

OpenAI注册

如果使用自己的环境在短信验证阶段、绑卡阶段出现被ban的情况，就不要在同一环境下继续尝试，建议换个环境，有群友换了，7、8次才成。
OpenAI注册时要用到短信验证，从下面中选择一个方法

方法1： https://sms-activate.org/cn 选择英、美地区，非虚拟的手机号>

方法2：使用bewildcard提供的5条免费短信（因为是免费，所以可能资源紧缺）。

OpenAI绑卡付费

如果使用wildcard的环境也失败，联系下wildcard的客服进行解决。绑卡失败最大的问题就是网络环境，以及卡段问题。我当初就在这一步失败了很久。因此，课程中才介绍了使用第三方使用OpenAI的API方法。

在决定绑卡付费前，请先明白 https://chat.openai.com/ 的使用是不收钱的（当时要求网络环境），所以，如果不是刚需官方的api，可以先用一会 https://chat.openai.com/。

OpenAI的API的使用是收费的，并且由于常年被薅羊毛，新用户的免费额度一降再降，可能部分用户注册后连5美元都没有，甚至，你需要先存钱才能够调用，这都是正常的。因此，为了能够正常使用OpenAI的API付费，需要绑定信用卡。

早年间，我在折腾OpenAI付费的时候，经常遇到下面这个提示：

后来，我发现导致这个情况出现的的两个原因，就是虚拟信用卡的发卡商和网络环境。
经过不断的筛选，确定了课程中使用的WildCard。这是因为我发现，只有wildcar都可以自动扣费，其他都会有问题。

另外请大家在绑卡的时候，最好使用他们提供的远程环境，他们的环境相比于我们自己的代理对OpenAI而言，绑卡更容易被通过。

这也是wildcard提供的解决方法 https://help.bewildcard.com/zh-CN/articles/8075545-%E7%BB%91%E5%AE%9A-openai-%E6%8F%90%E7%A4%BA-your-card-has-been-declined-%E6%80%8E%E4%B9%88%E5%8A%9E

OpenAI绑卡之后，会每个月自动根据你的这个月的使用量给你扣费（每月5号出账，确保卡上优余额），因此绑卡之后，后续原则上就用不上内部环境了。如果OpenAI扣款失败，请联系发卡商的客服进行解决。

最后，如果不打算继续使用OpenAI的API服务了，强烈建议取消付费计划，避免账号被盗导致扣费。

API使用

大部分基于OpenAI API开发的工具默认地址是OPENAI官方的API，即 https://api.openai.com/ 。但是，官方的API地址在使用时需要一定的网络条件。如果需要为亲朋好友、师长等提供帮助，建议用第三方，他们通常会为国内环境做优化。如果一定要使用官方的接口，可以参考 https://www.openai-proxy.com/ 自建转发服务器。

部分应用的API地址有特别的填写要求，例如utools的ChatGPT好友，需要加上 /v1/chat/completions。 请在使用的时候注意修改。

在距今很久的是2016年，我学会了购买域名，然后在一次课程中，我了解到了可以用github page搭建自己的网站，于是我倒腾了下Hexo，尝试这搭建了自己的博客。

但是由于水平不行，也不懂什么是github，最后也只是昙花一现，没能持久，所以，后来我用了简书、CSDN，将自己的技术博客发表在互联网上，让自己的内容更好被检索到。

然而，我内心还是有一个梦想的，我希望大家都可以通过访问包含我的名字拼音(xuzhougeng)的网站来看我的文章，后面机缘巧合下，我找到了一个博客搭建工具，叫做Halo。于是我就把自己的网站搬迁到Halo上，并坚持了多年。但是，由于我的服务器是在国外，就导致每次想把内容复制到微信公众号时，图片都会裂掉，我就需要花很多时间，做图片的重新复制工作。一种解决方案，就是我上个月重新买了一台国内服务器，然后重新部署了一个新版本的Halo。但是，让我难受的是，从1.x到2.x是一个不向下兼容的过程，就导致这个过程很痛苦。同时，每次登陆他的后台写东西也不是我中意的，我还是希望能够在本地写作，然后到处分发。

于是，我想了我的老朋友Hexo。我从之前的服务器上把数据导出成包含front-matter的markdown文件，然后将图片上传到腾讯的COS上，在把之前的图像URL做了替换，代码如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

import re

cos_url = ""

os.makedirs('result', exist_ok=True)

for file in md_file:
    with open(file, 'r', encoding='utf-8') as f:
        content = f.read()
        # print(content)
        # print(re.findall(r'\(/upload/.*?\)', content))
        for img in re.findall(r'\(/upload/.*?\)', content):
            #print(img)
            # print(img[2:-1])
            content = content.replace(img, f'({cos_url}/' + img[2:-1] + ')')
            #print (content)
        # print(content)
        new_file = os.path.join('result', os.path.basename(file))
        with open(new_file, 'w', encoding='utf-8') as f:
            f.write(content)

参考，https://hexo.io/zh-cn/docs/github-pages.html 实现自动化部署，就得到了当前的xuzhougeng.top。

上面说到，为了保证图片的随处使用，我用了腾讯云的COS作为图床，用的是utools的图床插件，他的配置如下

但是目前的博客还是有点小问题，那就是这个tag不太好，同时内容也不是特别的全，缺少我简书里的内容，后续慢慢的优化吧。现在，让我们来发布这篇推文吧

1
2
3
4
5
6

hexo generate
git add *
git commit -m "从halo迁移到hexo"
# $Env:http_proxy="http://127.0.0.1:7890";$Env:https_proxy="http://127.0.0.1:7890"
# export http_proxy="http://127.0.0.1:7890";export https_proxy="http://127.0.0.1:7890"
git push -u origin main

Oatk是我见过的一个非常实用、高效的植物细胞器基于PacBio HiFi测序的基因组组装工具。这里有两个限定语，一个是植物，一个是PacBio HiFi。如果不满足这两个需求，那就无法使用这个工具。

Oatk包括三个组件，syncasm用于从HiFi read中组装细胞器基因组。hmm_annotation会利用OatkDB的HMM profile对组装结果进行组装。最后的pathfinder 会根据注释信息和组装结果，得到环状的DNA序列。

Oatk软件编译本身仅有一个依赖，zlib，下载源码，就可以编译安装。

1
2
3

git clone https://github.com/c-zhou/oatk.git
cd oatk
make -j

在实际运行过程中，由于需要用到nhmmscan ，因此还需要额外安装了HMMER，可以使用conda安装。

另外还需要一个OatkDB，里面是作者预处理过的HMM profile，

1

git clone https://github.com/c-zhou/OatkDB.git

你可以设置一个环境变量，hmm_db_dir，用于后续分析。

1

hmm_db_dir=/path/to/OatkDB/v20230210/

Oatk的运行只需要一个命令，如下

1
2
3
4
5
6

input_hifi=/path/to/your/hifi_reads.fq

oatk -k 1001 -c 150 -t 8  \
    -m $hmm_db_dir/angiosperm_mito.fam \
    -p $hmm_db_dir/angiosperm_pltd.fam \
    -o oatk $input_hifi

其中-k和-c用于设置syncmer大小和深度。所谓的syncmer，类似Minimizers ，用于从序列中高效的选取K-mers（也就是长度为K的序列）。因此-k 1001 表示，kmer长度最小为1001 bp， -c 150 表示该类型的kmer至少要出现150次。

在后续自己分析设置参数时，-k可以保持1001，-c必须根据实际的测序深度来，作者推荐该值在平均测序深度的5-10倍，用于有效的过滤核基因组序列，确保只筛选出细胞器的序列。

-t 时线程数，根据实际的情况调整。

-m和-p对应的你实际物种的线粒体和叶绿体的HMM profile。

-o则是输出文件名的前缀。

最终的输出结果为

• oatk.mito.fasta： 线粒体的fasta
• oatk.pltd.fasta：叶绿体的fasta

整体来说，oatk和作者之前开发的工具一样，非常的简洁，高效，并且实用。正如他所用的编程语言C一样。如果你用Hi-C用来搭基因组的话，强烈推荐用他的yahs。

安装WSL，提供Linux环境

如果你发现后续的命令无法运行或者说软件商城中找不到，这可能意味着你的操作系统不符合要求。WSL安装要求 Windows 10 version 2004（Build 19041 ）及以上，或者是Windows11.

以管理员身份（也就是右击命令提示符）打开Windows下的CMD或PowerShell（后续，我们统一称之为终端）

然后终端中，执行如下命令

1

wsl --install

中间可能会出现几次弹窗，需要用户进行确定，如下是命令运行时的界面。

或许？，你也可以通过Microsoft Store依序下载Windows Subsystem for Linux 和 Ubuntu（命令行的等价操作）。

最后安装完成后，需要你重启一下系统。

重启之后，会自动出现终端，让你输入用户名和密码，该用户还用sudo权限。

如果你没有出现，或者自己手滑了，把它关闭了，这也问题不大，这意味着后续启动将以root用户启动。

PS：启动wsl的方式很简单，就是在终端里输入wsl并回车，或者在应用里搜索ubuntu

如果你觉得权限太大，还是希望以普通用户的方式登录。我们可以在root下用adduser 增加一个用户【WSL环境内】

然后将刚才新建的用户添加到sudo组中，例如xzg

1

usermod -a -G sudo xzg

最后在终端增设置我们刚才的用户为默认启动用户【直接打开的终端环境】

1

ubuntu config --default-user xzg

后续启动wsl 的时候就不再是root，而是新建的用户，并且该用户也能使用sudo。

配置WSL环境

可选：系统代理

由于很多软件都需要从GitHub上下载，因此需要先为Linux系统配置一个系统代理。

先确定下自己的WSL版本

1
2
3
4
5

wsl -l -v
# 输出结果如下
  NAME      STATE           VERSION
* Ubuntu    Running         2

我的是WSL2，它是基于Hyper-V运行，因此与Windows系统在网络上是两台独立的机器。需要让WSL代理指向Windows的IP

1
2
3

# 这部分代码可以放在.bashrc中，启动wsl时自动配置环境
host_ip=$(cat /etc/resolv.conf |grep "nameserver" |cut -f 2 -d " ")
export ALL_PROXY="http://$host_ip:7890"

如果是WSL1，那么就只需要用下面这个代码

1
2

host_ip=127.0.0.1
export ALL_PROXY="http://$host_ip:7890"

之后，在Windows上打开Allow LAN，也就是允许本地区域网的访问。

这样子后续数据下载走的都是代理。

可选：oh-my-zsh

之后，我们还需要简单的配置一个oh-my-zsh

1
2
3
4
5

# 安装zsh
sudo apt install zsh
# 安装oh-my-zsh
sh -c "$(curl -fsSL https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

需要注意，我们后续安装conda之后，oh-my-zsh是没有conda配置的，因此我们还需要在bash环境中初始化下zsh相关的配置

1

conda init zsh

另外，配置在.bashrc里的一些内容，也应该需要自己手动加到.zshrc文件中

可选：NVIDIA驱动

因为我的电脑需要做深度学习相关的分析，所以需要配置深度学习的分析环境。

配置命令参考自：https://developer.nvidia.com/cuda-downloads

只需要在WSL的Ubuntu中运行如下命令行

1
2
3
4
5
6
7
8
9

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
# 2.6G的数据下载
wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda-repo-wsl-ubuntu-12-1-local_12.1.1-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-12-1-local_12.1.1-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda

之后，只要在wsl的命令行中输入nvidia-smi 有输出就算成功。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

nvidia-smi
# 我的输出如下
Wed Jun 21 23:26:37 2023
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.05    Driver Version: 528.24       CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce ...  On   | 00000000:01:00.0  On |                  Off |
|  0%   32C    P8    13W / 450W |   2884MiB / 24564MiB |      1%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A        32      G   /Xwayland                       N/A      |
+-----------------------------------------------------------------------------+

如果系统上安装了pytorch，可以检查下，是否能够调用

1
2
3

import torch
torch.cuda.is_available()
# True 表示能够盗用

必选：安装conda

我们使用conda管理不同的环境，避免不同软件的依赖间冲突，导致环境崩溃。

打开你的wsl，我们下载mambaforge，使用mamba作为包管理器，并默认增加conda-forge源

1
2
3
4
5

# 下载mambaforge(需要不错的网络环境）
curl -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-$(uname)-$(uname -m).sh"
# 安装mamba
bash Mambaforge-$(uname)-$(uname -m).sh
# 安装时会有一些的选项，注意选择

之后，就可以用mamba隔离不同的环境。例如，我们需要安装一个pytorch环境（带GPU）

1
2

mamba create -n pytorch2.0.1 pytorch=2.0.1 torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y
# 大约要下载3.1GB

需要注意的是，mamba与镜像的兼容性不是特别好，因此不推荐使用mamba的时候修改镜像，而是使用官方源。

安装vscode

VScode从微软官方站点(https://code.visualstudio.com/)下载安装

配置插件

未安装插件的VSCode只是一款普通的编辑器，为了能让它满足我们后续分析数据的需求，我们需要为其配置一些插件。

我们需要先配置“Remote Development”，有了它，我们才能够连接到WSL系统。安装方式如下（其他插件也类似）

之后用快捷键shift + ctrl +p 调出，然后输入wsl，我们连接到WSL。

需要等待一会的后台初始化

VSCode实现Jupyter

Jupyter 是一个开源的数据科学和机器学习工具，支持多种编程语言和平台。它允许用户在单个交互式笔记本中创建和共享文档，并且支持实时的代码编辑和运行。此外，Jupyter 还提供了一系列的库和扩展，可以用来完成各种数据分析、机器学习和科学计算任务。

通过VSCode中上安装一些插件，也可以通过终端访问 Jupyter Notebook

• Python: 使得VSCode能选择不同的Python内核
• Pytlance：类型检查等功能
• Jupyter: 在VSCode提供类Jupyter的界面

需要注意的是WSL系统下的插件和Windows下插件并不互通，要单独安装。

之后新建一个以.ipynb结尾的文件，就可以切换不同的Python内核

第一次运行代码时，可能会弹出如下提示，选择“安装”即可。

后续就跟网页版的Jupyter Notebook体验一致，你可以在其中画图，处理数据。

那么以上，我们就算实现Windows系统下配置WSL，并使用VSCode作为我们的分析平台，用于处理数据

参考资料：

• WSL的安装： https://learn.microsoft.com/en-us/windows/wsl/install
• 用户配置：https://aka.ms/wslusers
• WSL和VSCode的联动
• WSL的系统配置：https://learn.microsoft.com/zh-cn/windows/wsl/tutorials/wsl-vscode

大型语言模型（LLM）非常的火热，我就想着能不能自己在本地上部署一个开源的模型，比如说chatGLM-6B。尽管苹果公司自己的芯片支持pytorch的图形加速运算，但是真实体验下来，也只能说有待提高。

另一个方法就是配一个4090显卡的主机了，毕竟4090有24Gb的显存，跑个chatGLM-6B还是绰绰有余的。奈何，我多看了一眼LLaMA-60B，光模型文件都差不多80G了，总不可能去买一张A100 80G吧。

思来想去，还是听别人劝，用Google Colab吧。我测试了

那么问题来了，每次都要重新开资源，岂不是要花很多时间在环境配置和数据下载上？

事实上，你从Colab获取HuggingFace的模型时，速度是400Mb/s。

我发现，人的表达欲是看场景的，当涉及到我最感兴趣的技术类的话题时，我其实就知道该说什么了。

最近在搞一个简单的后台管理的源码的二次开发，原项目中，不允许直接在后台添加用户，只能通过注册，或者前期初始化的时候实现。最终，在GPT的协助下，我完成了这个工作。

首先，通过阅读源码，我发现项目中的密码不是明文存放（这个年头了，不会真有人还明文吧），是经过加密的，加密代码如下

1

const hashedPassword = bcrypt.hashSync(password, 10);

于是，我就让GPT根据这行命令给我写了一个脚本，结果如下

1
2
3
4
5
6
7
8
9
10
11
12

// encryptPassword.js 
const bcrypt = require('bcryptjs');

function encryptPassword(password) {
  const hashedPassword = bcrypt.hashSync(password, 10);
  console.log("Hashed Password: ", hashedPassword);
  return hashedPassword;
}

// Get the password from command line arguments
const password = process.argv[2];
encryptPassword(password);

然后，我就发现了一个问题，那就是两次哈希的结果，居然是不一样的

1
2
3
4

$ node encryptPassword.js 123456
Hashed Password:  $2a$10$Xp6RIApHxvQJsFT2FrzNUeKfyJoHOlcSUdqHD2tU/YnnYCSuMniVK
$ node encryptPassword.js 123456
Hashed Password:  $2a$10$rDs3aQs221In0FsastR7PuarxwruyKOQ3Qd9T6p6dO81z/AUstz8q

我第一次遇到这个情况，于是我把结果返回给了了GPT，它给的回复如下：

两次加密结果不一样是因为 bcryptjs 使用了盐（salt）的概念来增加密码的安全性。盐是一个随机生成的值，与密码混合后进行哈希运算，生成最终的加密结果。

每次调用 bcrypt.hashSync 方法时，bcryptjs 会生成一个新的随机盐，然后将该盐与密码混合后进行哈希运算。因此，即使输入的密码相同，由于使用了不同的盐，最终生成的加密结果也会不同。

这种做法是为了增加密码的安全性，即使两个用户使用相同的密码，最终的加密结果也是不同的。这样做可以避免通过比较加密结果来判断用户是否使用相同的密码。

如果需要在后续验证密码时，可以使用 bcrypt.compareSync 方法将输入的密码与存储的加密结果进行比较，bcryptjs 内部会自动提取盐并进行相应的比较验证。

原来如此，于是我让GPT写一个测试脚本，让我来测试下，是不是真的如此

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

//comparePasswords.js
const bcrypt = require('bcryptjs');

function comparePasswords(password, hashedPassword) {
  const isMatch = bcrypt.compareSync(password, hashedPassword);

  if (isMatch) {
    console.log("Password matches!");
  } else {
    console.log("Password does not match!");
  }
}

// Get the user input and hashed password from command line arguments
const userInput = process.argv[2];
const hashedPassword = process.argv[3];
comparePasswords(userInput, hashedPassword);

我运行之后，发现两个不match啊，GPT你是不是骗我

1
2

$ node comparePasswords.js 123456 $2b$12$RJhc7WSsbRhkg2QxZuDG6.qgPXhFlrbvfOtw0SWDHkElgt1thSPD2
Password does not match

当我把这段内容给GPT时，它敏锐的观察到，我的输入有问题，它的回复如下

在你的示例中，你在命令行中传递了哈希值作为一个参数。这在许多命令行解释器中可能会引起问题，因为哈希字符串中的$符号可能会被视为变量的开头，然后尝试去解析它。结果就是，你的程序可能没有接收到完整的哈希字符串，而是只接收到了一部分。

你可以尝试用引号将哈希字符串括起来，以避免命令行解释器对$符号进行解析。

你的命令应该这样写：

1

node comparePasswords.js 123456 "$2b$12$RJhc7WSsbRhkg2QxZuDG6.qgPXhFlrbvfOtw0SWDHkElgt1thSPD2"

在这个版本中，哈希字符串被括在双引号中，这会防止命令行解释器将$符号视为变量的开头。

看来可能是因为$导致的。不过遗憾的是，我运行上述的代码还是失败了。因为$在双引号内还是会作为变量的开头，使用单引号才行，因此正确形式是

1

node comparePasswords.js 123456 '$2b$12$RJhc7WSsbRhkg2QxZuDG6.qgPXhFlrbvfOtw0SWDHkElgt1thSPD2'

不管如何，我在GPT的帮助下，了解了一个新的库，Bcrypt，还知道了它能够保证每次加密的结果都是随机的，但又保证了，同一个密码能够正确的验证。比如说我让GPT写了一个python版本，虽然输出的结果很不一样，但是依旧能够通过验证。

这篇不是一个技术文章，只是我最近的一些感想吧，记录下来，给以后的我看。

今年清明的时候，村委会的人问我回不回去，因为他们需要我上台讲点东西。我没有回去，因为我不知道说些什么。

在写毕业论文时，我在致谢这一部分拖了好久，明明有很多感受，有很多话要说，但是落笔却非常艰难，因为我不知道写的内容是否合适。

答辩结束的时候，主席老师问我想不想说些什么，我拿起话筒，刚准备说什么的时候，由于其他人没听到刚才那句话，以为已经结束了，就开始了下一个环节。我有点庆幸，因为我不知道说些什么。

毕业典礼快到了，研究生部希望我们录制一点视频，说说自己的一些感想。我本来想录制的，但是我发现一个问题，我不知道说些啥。

前些时候，给熊当伴郎帮忙，我问他婚礼上应该没有环节需要伴郎说两句吧，他说没有。还好没有这个环节，因为我不知道说些什么。

当我处于一个都是陌生人的环境时，我都会非常局促，我不知道应该如何开口，我不知道自己应该说些什么？

或许，不知道说些什么，是情绪太过复杂了？

或许，不知道说些什么，是因为我认为存在一个标准回答模式？

或许，不知道说些什么，是因为我之前根本没有类似经历，所以大脑直接宕机了？

哎，想不明白啊。