最近 AI 绘画十分火爆，我看得也有些心痒痒。于是在移动 SSD 里面装了一个 Deepin 20.7，顺便也能当个随身系统了。
先前我已经进行了多次试验，证明 AMD 显卡采用 DirectML 无法在 Windows 下运行泄露模型，因为没有合理的方式转换为 ONNX 格式模型。而且，DirectML 运行 ONNX 的其他 Stable Diffusion 模型效率也偏低。
分类： 默认
简单聊聊我全新的服务器基础架构
已经很久没有更新博客了，想来最近稍稍有了时间，有必要把之前一直没有时间写完的博客更新了
尽管之前我 基于 GitLab、Docker-Compose 和 Harbor 的 CI/CD 实现 中已经实现了一个 CI/CD 流程。但 Docker 本身并不够强大，CI/CD 实现中也十分不优雅。
年轻人的第一台 ITX
随着年轻人开发欲望的逐渐强烈，Surface Book 2 顶配的 16GB 内存也渐渐捉襟见肘。加上暑假的时候用上学期赚到的细软购入了 AirPods，于是越来越需要一台电脑来补足苹果全家桶中的一份空缺。
开学以来，在 Redrock B 区重操旧业装了三台 hackintoshes，有点上头就想给自己也整一台。然而现在手头资金实在是太吃紧了，以至于电源都没有上全模组（
经历了不少波折，总算最终还是搞出来一台，还是十分可喜可贺的。虽然 B360M-ITX/ac 没货搞得我很难受。提着就走属于是十分巴适了。
回归 macOS 的感觉真好啊~
基于 GitLab、Docker-Compose 和 Harbor 的 CI/CD 实现
在红岩网校工作站运维安全部工作已有一年之久，在维护各种服务的同时，也了解到了各种先进的技术架构。而这一年来使我印象尤其深刻的是网校先进的 Kubernetes 集群架构和 CI/CD 流程。
于是在这个暑假，我决定将自己的基础架构推上 CI/CD 流程。关于 CI，大约一年前我已经基于 Docker 部署了 GitLab，并使用 Docker in Docker 实现了 GitLab Runner。部署过程当时由于时间因素并未写入博客，可以类比 以 Docker in Docker 的方式部署 JupyterHub 进行配置。
实现效果：
SANTAK TGBOX-850 在 Linux 下的 UPS 部署踩坑记
为了保障数据安全，UPS 必不可少。两年前 50 不包邮捡到的 SANTAK MT500 Pro 从上一台服务器服役至今已经老化，正好我也希望不再使用基于 Java 的比较封闭的 Winpower 作为监测软件，而是希望使用更加开放的方案。因此我购入了一台 SANTAK TGBOX-850。
简述
UPS 规格为 850VA，510W。而我服务器的处理器为单路 E5-2678 v3，加上里面的数块硬盘，实测日常功率为 100W 上下，满载功率为 250W 作用。除此之外，UPS 还需要保障 PoEAC 路由器和 AP 的供电，因此日常负载约为 150W。对于它而言是十分轻松的。
以 Docker in Docker 的方式部署 JupyterHub
期末临近，出于对处理大学物理实验数据的需求，我决定部署一个计算环境。众所周知 iPython 同时具备良好的计算能力和交互能力，而基于 iPython 的 JupyterHub 自然是一个优秀的选择。
然而，JupyterHub 为每一个用户创建 server 时需要依赖 Docker。而官方提供的将 JupyterHub 运行于 Docker 的解决方案仅支持将宿主环境的 /var/run/docker.sock 透传进容器，这既不安全也不友好。