❌

阅读视图

发现新文章，点击刷新页面。

this的类型与bind/call/apply

✇掘金 前端
wuhen_n
在TypeScript中，this 不再是"玄学"，而是可以通过类型系统精确控制的工具。把 this 看作函数的第一个隐式参数，用类型系统来约束它，用绑定技术来控制它。

如何实现寄生式继承

✇掘金 前端
代码猎人
寄生式继承是一种基于原型继承的模式，它通过"借用"一个对象，增强它，然后返回这个对象。核心思想是在一个函数内创建一个新对象，对其进行扩展，然后返回它。 基本实现模式 1. 最简单形式 几种常见实现方式

原型链是什么

✇掘金 前端
代码猎人
原型链（Prototype Chain）  是 JavaScript 实现继承的核心机制。简单来说，它是一个对象之间通过 __proto__（或 [[Prototype]]）属性链接起来的链式结构，用

【节点】[InstanceID节点]原理解析与实际应用

✇掘金 前端
SmalBox

【Unity Shader Graph 使用与特效实现】专栏-直达

在Unity引擎的渲染管线中，GPU实例化是一项重要的性能优化技术，它允许在单个绘制调用中渲染多个相同的网格，显著减少了CPU到GPU的数据传输开销。在URP（Universal Render Pipeline）的Shader Graph中，InstanceID节点扮演着关键角色，它为开发者提供了访问每个实例唯一标识符的能力。本文将深入探讨InstanceID节点的各个方面，包括其工作原理、应用场景、使用技巧以及实际示例。

InstanceID节点的基本概念

InstanceID节点是Shader Graph中的一个特殊功能节点，它返回当前正在渲染的几何体实例的唯一标识符。这个标识符在GPU实例化过程中由Unity引擎自动分配和管理。

当Unity使用GPU实例化技术渲染多个相同网格时，每个实例都会获得一个独一无二的Instance ID。这个ID从0开始递增，对应于绘制调用中每个实例的索引位置。理解这一点对于正确使用InstanceID节点至关重要。

InstanceID节点的输出是一个浮点数值，代表当前实例的标识符。在非实例化渲染情况下，这个值始终为0。需要注意的是，当使用动态实例化时，实例ID在不同帧之间可能不会保持一致，这意味着开发者不应该依赖实例ID在多个帧之间的持久性。

InstanceID节点的工作原理

要深入理解InstanceID节点，首先需要了解GPU实例化的基本机制。GPU实例化允许在单个绘制调用中渲染多个相同的网格，每个实例可以有不同的变换矩阵、颜色和其他属性。Unity通过实例缓冲区（Instance Buffer）将这些每实例数据传递给着色器。

在着色器执行过程中，系统会为每个实例分配一个唯一的索引，这就是Instance ID的来源。InstanceID节点本质上就是访问这个内置的着色器变量unity_InstanceID。

在HLSL代码中，InstanceID节点的实现大致如下：

HLSL

void Unity_InstanceID_float(out float Out)
{
    Out = unity_InstanceID;
}

当在Shader Graph中使用InstanceID节点时，这个内置变量会被自动包含在生成的着色器代码中。Unity的渲染管线负责在实例化绘制调用时正确设置这个值。

InstanceID节点的端口配置

InstanceID节点的端口配置相对简单，只有一个输出端口：

输出端口（Out）提供当前实例的ID值，数据类型为浮点数（Float）。这个端口不需要任何绑定，因为它的值是由渲染管线自动提供的。

虽然输出类型显示为浮点数，但实际使用时，实例ID通常是整数值。在Shader Graph中，我们可以通过适当的节点将其转换为整数，或者直接作为浮点数使用，具体取决于应用场景。

InstanceID节点的应用场景

InstanceID节点在Shader Graph中有多种应用场景，以下是几个常见的用例：

  • 实例差异化：通过Instance ID为每个实例生成不同的颜色、大小或外观，即使它们使用相同的网格和材质。例如，在渲染一片森林时，可以使用Instance ID为每棵树生成略微不同的颜色和大小，增加场景的自然感。
  • 程序化动画：利用Instance ID为每个实例创建不同的动画效果。例如，在渲染一群鱼时，可以使用Instance ID控制每条鱼的游动相位，使鱼群运动更加自然。
  • 数据索引：使用Instance ID作为索引，从纹理或数组中查找对应的数据。这在需要为每个实例应用不同贴图或参数时特别有用。
  • 随机值生成：将Instance ID作为随机数生成的种子，为每个实例创建可预测的随机值。这种方法确保同一实例在不同帧中保持一致的随机行为。
  • 调试和可视化：在开发过程中，使用Instance ID可视化不同的实例，帮助调试实例化相关的问题。

使用InstanceID节点的注意事项

在使用InstanceID节点时，有几个重要事项需要注意：

  • 实例化启用条件：InstanceID节点只有在真正使用GPU实例化时才会返回有意义的非零值。确保材质和渲染设置正确启用了GPU实例化。
  • 动态实例化的不稳定性：当使用动态实例化时，实例ID在不同帧之间可能不一致。避免依赖实例ID的持久性进行跨帧的状态管理。
  • 性能考虑：虽然访问InstanceID本身开销很小，但基于它的复杂计算可能会影响性能。在移动平台等性能受限的环境中要特别小心。
  • 最大值限制：实例ID的取值范围受限于绘制调用中的实例数量。在极少数情况下，如果实例数量超过一定限制，可能需要考虑替代方案。
  • 与非实例化渲染的兼容性：在非实例化渲染情况下，InstanceID始终返回0。确保着色器在这种情况下也能正确工作。

InstanceID节点与其他节点的配合使用

InstanceID节点通常需要与其他Shader Graph节点配合使用才能发挥最大效用：

与数学节点结合，可以通过简单的运算将Instance ID转换为更有用的值范围。例如，使用取模运算将Instance ID限制在特定范围内。

与纹理节点配合，可以使用Instance ID作为UV坐标或纹理数组的索引，实现每个实例使用不同纹理的效果。

与随机节点结合，可以将Instance ID作为随机种子，生成每个实例特有的随机值，同时保证这些值在帧间保持一致。

与时间节点配合，可以创建基于Instance ID的相位偏移动画，使多个实例的动画效果错开，增加视觉多样性。

实际示例：创建实例化颜色变化效果

下面通过一个具体示例演示如何使用InstanceID节点为实例化对象创建颜色变化效果：

首先在Shader Graph中创建InstanceID节点，然后将其连接到Color节点的各个通道。通过适当的数学运算，可以将Instance ID映射到不同的颜色范围。

一个常见的做法是使用正弦函数基于Instance ID生成平滑的颜色变化：

HLSL

// 伪代码示例
float hue = (InstanceID * 0.1) % 1.0;
float3 color = HSLtoRGB(hue, 1.0, 0.5);

在Shader Graph中，可以通过以下节点连接实现类似效果：

  1. 将InstanceID节点连接到Multiply节点，乘以一个小数（如0.1）控制颜色变化速率
  2. 将结果连接到Fraction节点，取小数部分确保值在0-1范围内
  3. 使用这个值作为HDR Color节点的Hue输入

这种方法可以为每个实例生成独特但协调的颜色，非常适合用于创建大规模的对象群组，如草地、人群或星空。

实际示例：实例化动画偏移

另一个实用示例是使用InstanceID节点为实例化对象创建动画偏移：

假设我们有一组使用相同动画的实例，但希望它们的动画相位不同，避免所有实例完全同步运动。可以通过以下步骤实现：

将InstanceID节点连接到Multiply节点，乘以一个控制相位间隔的值。然后将结果添加到时间变量上，作为每个实例的个性化时间输入。

在Shader Graph中的具体实现：

  1. 创建Time节点获取着色器时间
  2. 创建InstanceID节点获取实例标识
  3. 使用Multiply节点将InstanceID乘以一个小的相位值（如0.2）
  4. 使用Add节点将时间与相位偏移相加
  5. 将这个个性化时间用于驱动动画计算

这种方法可以创建更加自然和有机的动画效果，特别适用于群体动画，如鸟群、鱼群或摇摆的植物。

性能优化与最佳实践

为了确保使用InstanceID节点的着色器具有良好的性能，可以遵循以下最佳实践：

  • 尽量减少基于InstanceID的复杂计算，特别是在片段着色器中
  • 尽可能在顶点着色阶段完成基于InstanceID的计算，而不是在片段着色阶段
  • 使用适当的精度修饰符，在保证质量的同时减少计算开销
  • 在移动平台上，测试使用InstanceID的着色器性能，确保不会造成帧率下降
  • 考虑使用其他实例化技术，如GPU实例化属性块，对于大量不同的实例数据

常见问题与解决方案

在使用InstanceID节点时，可能会遇到一些常见问题：

如果InstanceID始终返回0，首先确认是否真正启用了GPU实例化。检查材质的Inspector窗口，确保"Enable GPU Instancing"选项已勾选。同时确认是通过Graphics.DrawMeshInstanced或类似的实例化API进行渲染。

如果实例化对象的颜色或行为不符合预期，检查基于InstanceID的计算是否正确。特别注意数值范围和精度问题，确保计算不会导致意外的截断或溢出。

当遇到性能问题时，使用Unity的Frame Debugger分析绘制调用和实例化情况。确认实例化确实按预期工作，并且没有意外的批处理中断。

【Unity Shader Graph 使用与特效实现】专栏-直达 （欢迎点赞留言探讨，更多人加入进来能更加完善这个探索的过程，🙏）

🚀 纯前端离线局域网P2P大文件断点传输：别让你的照片墙崩了

✇掘金 前端
子兮曰

前言：小明和他的照片墙危机

想象一下，你是小明，一个热爱摄影的程序员。周末去爬山拍了一堆4K高清照片，总共3GB，准备发给老婆分享。微信传？算了，压缩后画质渣得像像素风。网盘？离线状态下连不上。蓝牙？慢得像蜗牛在跑步。你急得团团转，突然灵机一动：用电脑直接传啊！可是怎么在浏览器里实现局域网P2P大文件传输，还得支持断点续传？别急，今天咱们就聊聊这个技术方案。

技术背景：P2P不是什么新鲜玩意儿

P2P（点对点）传输在局域网里其实挺常见的，BT下载就是经典案例。但咱们今天聊的是纯前端实现，意思是完全不用后端服务器，用户A直接把文件传给用户B。核心技术是WebRTC（Web Real-Time Communication），这货本来是用来视频聊天的，但咱们可以拿来传文件。

为什么选WebRTC？因为它支持数据通道（DataChannel），可以直接在浏览器间建立连接。加上File API和Blob，咱们就能把大文件切成小块，边传边收，断点续传自然就出来了。

核心实现：分块传输 + 断点续传

1. 文件切块：大象塞冰箱，得先切成块

浏览器处理大文件有个硬伤：内存限制。如果直接把3GB文件读进内存，Chrome得哭爹喊娘。所以咱们用FileReader分块读：

// 文件分块函数
function chunkFile(file, chunkSize = 1024 * 1024) { // 1MB每块
  const chunks = [];
  let offset = 0;
  
  while (offset < file.size) {
    const chunk = file.slice(offset, offset + chunkSize);
    chunks.push(chunk);
    offset += chunkSize;
  }
  
  return chunks;
}

这里用file.slice()切块，每个块1MB。为什么要1MB？平衡传输效率和内存占用，太小网络开销大，太大浏览器卡。

2. WebRTC连接：建立地下通道

WebRTC连接需要信令服务器（用来交换连接信息），但咱们是离线局域网，所以可以用WebSocket或者直接用浏览器本地存储交换SDP（会话描述协议）。

// 创建RTCPeerConnection
const pc = new RTCPeerConnection({
  iceServers: [] // 局域网不需要STUN服务器
});

// 创建数据通道
const dataChannel = pc.createDataChannel('file-transfer');

// 监听连接事件
dataChannel.onopen = () => console.log('通道开了，可以传文件了');
dataChannel.onmessage = handleMessage;

3. 断点续传：从中断处继续

断点续传的关键是记录已传块的进度。用IndexedDB或者localStorage存进度：

// 发送文件块
async function sendFileChunks(file, dataChannel) {
  const chunks = chunkFile(file);
  const progress = loadProgress(file.name) || 0; // 从本地加载进度
  
  for (let i = progress; i < chunks.length; i++) {
    const chunk = chunks[i];
    const arrayBuffer = await chunk.arrayBuffer();
    
    // 发送块数据，带上索引
    dataChannel.send(JSON.stringify({
      type: 'chunk',
      index: i,
      data: arrayBuffer
    }));
    
    saveProgress(file.name, i + 1); // 保存进度
  }
  
  // 发送结束信号
  dataChannel.send(JSON.stringify({ type: 'end' }));
}

接收端收到块后，先存到临时数组，收到'end'信号再合并成完整文件。

浏览器限制：那些坑爹的现实

1. 文件大小限制：Chrome说不行就不行

Chrome对单个文件上传有限制，默认是2GB。有些版本甚至更低。遇到大文件怎么办？继续分块，但块数太多会影响性能。

解决方案：用File System Access API（Chrome 86+），可以直接操作本地文件系统，绕过内存限制。

// 使用File System Access API
const fileHandle = await window.showOpenFilePicker();
const file = await fileHandle.getFile();
const writableStream = await fileHandle.createWritable();

// 分块写入
for (const chunk of chunks) {
  await writableStream.write(chunk);
}
await writableStream.close();

2. 内存泄漏：传着传着浏览器崩了

大文件传输时，如果不及时释放Blob对象，内存会爆。解决方案：用stream API边读边传：

// 用ReadableStream处理大文件
const stream = file.stream();
const reader = stream.getReader();

while (true) {
  const { done, value } = await reader.read();
  if (done) break;
  
  // 直接发送value（Uint8Array）
  dataChannel.send(value);
}

3. 网络限制：局域网防火墙挡道

公司局域网可能有防火墙，WebRTC的UDP连接会被挡。解决方案：降级到WebSocket，或者用TURN服务器中转（但这就不纯前端了）。

实战案例：三个真实场景

案例1：照片分享应用

我之前做的一个家庭相册App，用这个技术实现了局域网照片同步。妈妈在客厅电脑上传相册，爸爸在卧室就能直接收到，不用连路由器。

关键代码：进度条显示 + 错误重试

// 进度显示
dataChannel.onmessage = (event) => {
  const message = JSON.parse(event.data);
  if (message.type === 'progress') {
    updateProgressBar(message.percent);
  }
};

案例2：游戏存档同步

做游戏开发时，团队成员在局域网同步大存档文件（几GB）。用断点续传，网络断了重连后从断点继续，省去了重传的时间。

案例3：视频剪辑素材传输

剪辑师在局域网传4K视频素材。传统方法用U盘慢，用这个方案直接浏览器传，还能显示传输速度和剩余时间。

其他方案：当WebRTC不够用时

方案1：WebTorrent

基于WebRTC的BitTorrent实现，支持多对多传输，更适合大文件群发。

import WebTorrent from 'webtorrent';

const client = new WebTorrent();
client.seed(file, (torrent) => {
  console.log('种子创建成功:', torrent.magnetURI);
});

优点：多人同时下载快。缺点：需要种子文件管理。

方案2：Socket.IO + 二进制传输

用WebSocket传二进制数据，配合socket.io实现断点续传。

const socket = io();
socket.emit('send-file-chunk', { chunk, index });

socket.on('chunk-received', (index) => {
  // 继续发下一块
});

优点：兼容性好。缺点：需要服务器中转。

方案3：Electron应用

如果纯浏览器限制太多，可以做个Electron桌面应用，用Node.js的fs模块直接操作文件系统，结合WebRTC。

总结与展望

纯前端P2P大文件断点传输，听起来高大上，其实就是把文件切块 + WebRTC传数据 + 本地存储进度。浏览器限制是客观存在的，但通过File System API和内存管理，大部分场景都能搞定。

未来，随着WebTransport协议的普及（基于HTTP/3），传输效率会更高。5G和WiFi 6普及后，局域网传输速度会飞起。

下次老婆让你传照片，别再抱怨网速了，直接用浏览器P2P传吧！有什么问题，评论区见。🚀

Ollama 本地部署完整指南

✇掘金 前端
一诺滚雪球

1. 简介

1.1 什么是 Ollama？

Ollama 是一个开源的大模型运行工具，支持在本地运行 Llama 3、Qwen2.5、DeepSeek、Mistral 等上百款大语言模型。它通过命令行操作，简单高效，特别适合开发者快速部署和测试各类 AI 模型。

1.2 核心特性

特性 说明
一键部署 一行命令完成安装和模型启动
API 兼容 自带 OpenAI 格式 API，现有项目可直接迁移
跨平台支持 macOS、Linux、Windows 全平台覆盖
模型丰富 内置 Qwen2.5、DeepSeek-V3、Llama 3 等上百款模型
安全可靠 支持密钥认证，修复已知安全漏洞

1.3 硬件要求

模型规模 显存要求 内存要求 推荐场景
3B（轻量） 3GB+ 8GB+ 低配设备、快速测试
7B（推荐） 4-6GB 16GB+ 日常开发、个人使用
13B（进阶） 10-12GB 32GB+ 专业应用、团队协作
30B+（专业） 24GB+ 64GB+ 企业部署、复杂任务

2. 安装指南

2.1 macOS 安装

# 方法一：一键安装脚本（推荐）
curl -fsSL https://ollama.com/install.sh | sh

# 方法二：使用 Homebrew
brew install ollama

# 验证安装
ollama --version

2.2 Linux 安装

# 一键安装脚本
curl -fsSL https://ollama.com/install.sh | sh

# 验证安装
ollama --version

2.3 Windows 安装

  1. 访问官网下载：ollama.com/download
  2. 下载 OllamaSetup.exe
  3. 运行安装程序，务必勾选「Add to PATH」
  4. 打开 PowerShell 或 CMD，验证安装：
ollama --version

2.4 验证安装成功

安装完成后，运行以下命令验证：

ollama --version
# 输出示例：ollama version is 0.12.0

3. 启动服务（重要）

3.1 启动 Ollama 服务

安装完成后，必须先启动 Ollama 服务才能下载模型或进行对话。

方法一：启动服务（推荐）

ollama serve

保持这个终端窗口运行，然后新开一个终端窗口执行其他命令。

方法二：后台运行（macOS/Linux）

# 后台启动服务
ollama serve &

# 然后直接执行其他命令
ollama pull qwen2.5:7b

Windows 用户：

确保 Ollama 应用已经在运行（在系统托盘查看 Ollama 图标），或在 PowerShell/CMD 中执行：

ollama serve

3.2 验证服务运行状态

# 测试服务是否正常运行
curl http://localhost:11434/api/tags

# 或查看已安装模型
ollama list

3.3 服务未响应处理

如果遇到 Error: ollama server not responding 错误：

  1. 确认服务已启动：运行 ollama serve
  2. 检查端口占用：lsof -i :11434（macOS/Linux）或 netstat -ano | findstr :11434（Windows）
  3. 重启服务：关闭当前终端，重新执行 ollama serve
  4. 检查安装：运行 ollama --version 确认正确安装

4. 国内加速配置（必做）

4.1 设置国内镜像

由于 Ollama 官方模型库在国内访问较慢，建议配置国内镜像加速：

# macOS / Linux
export OLLAMA_MODEL_SERVER=https://mirror.ollama.com

# Windows（PowerShell）
$env:OLLAMA_MODEL_SERVER="https://mirror.ollama.com"

4.2 永久配置镜像

macOS / Linux（推荐）：

# 编辑配置文件
nano ~/.bashrc  # 或 ~/.zshrc

# 添加以下内容
export OLLAMA_MODEL_SERVER=https://mirror.ollama.com

# 保存后重新加载配置
source ~/.bashrc  # 或 source ~/.zshrc

Windows：

  1. 右键「此电脑」→「属性」→「高级系统设置」→「环境变量」
  2. 在「用户变量」中新建：
    • 变量名：OLLAMA_MODEL_SERVER
    • 变量值：https://mirror.ollama.com

5. 安全配置（重要）

5.1 设置 API 密钥

为防止未授权访问，建议设置访问密钥：

# 设置密钥
export OLLAMA_API_KEY=your_strong_password123

# Windows PowerShell
$env:OLLAMA_API_KEY="your_strong_password123"

5.2 限制本地访问

仅允许本地访问，避免暴露到公网：

# 绑定到本地回环地址
export OLLAMA_HOST=127.0.0.1:11434

# Windows PowerShell
$env:OLLAMA_HOST="127.0.0.1:11434"

6. 模型管理

6.1 搜索可用模型

访问 Ollama 官方模型库：ollama.com/library

常用中文模型推荐：

模型 说明 显存占用
qwen2.5:7b 通义千问 2.5，中文效果优异 ~4.5GB
qwen2.5:14b 更强中文能力，适合专业场景 ~9GB
deepseek-r1:7b DeepSeek 推理模型 ~4.5GB
gemma2:9b Google 开源模型 ~5.5GB
llama3.1:8b Meta Llama 3.1 ~5GB

6.2 下载模型

# 下载通义千问 7B（中文推荐）
ollama pull qwen2.5:7b

# 下载 INT4 量化版本（显存优化）
ollama pull qwen2.5:7b-chat-q4_0

# 下载 Llama 3.1
ollama pull llama3.1:8b

# 下载 DeepSeek 推理模型
ollama pull deepseek-r1:7b

6.3 查看已安装模型

ollama list

输出示例：

NAME                    ID              SIZE    MODIFIED
qwen2.5:7b              846a0b7e        4.7GB   2 hours ago
llama3.1:8b             a7872503        4.9GB   1 day ago

6.4 删除模型

# 删除指定模型
ollama rm qwen2.5:7b

# 删除多个模型
ollama rm llama3.1:8b gemma2:9b

7. 使用指南

7.1 命令行对话

# 启动交互式对话
ollama run qwen2.5:7b

# 直接提问（非交互模式）
ollama run qwen2.5:7b "请用 Python 写一个快速排序"

# 从文件读取提示
ollama run qwen2.5:7b "$(cat prompt.txt)"

7.2 启动 API 服务

# 启动服务（默认端口 11434）
ollama serve

# 自定义端口
export OLLAMA_HOST=0.0.0.0:8080
ollama serve

7.3 测试 API 服务

# 测试健康检查
curl http://localhost:11434/api/tags

# 测试对话接口
curl http://localhost:11434/api/generate -d '{
  "model": "qwen2.5:7b",
  "prompt": "你好，请介绍一下你自己"
}'

8. 编程调用

8.1 浏览器环境（原生 Fetch）

// 流式响应示例
async function chatWithOllama(prompt) {
  const response = await fetch("http://localhost:11434/v1/chat/completions", {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      "Authorization": "Bearer your_api_key"
    },
    body: JSON.stringify({
      model: "qwen2.5:7b",
      messages: [{ role: "user", content: prompt }],
      stream: true
    })
  });

  const reader = response.body.getReader();
  const decoder = new TextDecoder();
  let result = "";

  while (true) {
    const { done, value } = await reader.read();
    if (done) break;

    const chunk = decoder.decode(value);
    const lines = chunk.split("\n").filter(line => line.trim());

    for (const line of lines) {
      if (line.startsWith("data: ")) {
        const data = line.slice(6);
        if (data === "[DONE]") continue;
        try {
          const json = JSON.parse(data);
          const content = json.choices?.[0]?.delta?.content;
          if (content) {
            result += content;
            console.log(content);
          }
        } catch (e) {
          // 忽略解析错误
        }
      }
    }
  }
  return result;
}

// 使用
chatWithOllama("写一个 Python 快速排序");

8.2 Node.js 环境

const axios = require("axios");

async function chatWithOllama(prompt) {
  const response = await axios.post(
    "http://localhost:11434/v1/chat/completions",
    {
      model: "qwen2.5:7b",
      messages: [{ role: "user", content: prompt }],
      temperature: 0.7,
      max_tokens: 2000
    },
    {
      headers: {
        "Authorization": "Bearer your_api_key"
      }
    }
  );

  return response.data.choices[0].message.content;
}

// 使用
chatWithOllama("写一个 Python 快速排序").then(console.log);

9. 常见问题

9.1 下载速度慢

解决方案：

# 配置国内镜像
export OLLAMA_MODEL_SERVER=https://mirror.ollama.com

9.2 显存不足

解决方案：

# 选择 INT4 量化版本
ollama pull qwen2.5:7b-chat-q4_0

# 或选择更小的模型
ollama pull qwen2.5:3b

9.3 Windows 启动失败

解决方案：

下载并安装 Microsoft C++ 生成工具： visualstudio.microsoft.com/visual-cpp-…

9.4 服务未响应

检查清单：

# 1. 确认服务正在运行
ollama serve

# 2. 检查端口是否被占用
lsof -i :11434  # macOS/Linux
netstat -ano | findstr :11434  # Windows

# 3. 检查防火墙设置

# 4. 验证 API 密钥
echo $OLLAMA_API_KEY

9.5 模型加载慢

优化方案：

  • 将模型存储在 SSD 硬盘
  • 关闭其他占用 GPU 的程序
  • 选择量化版本的模型

10. 进阶配置

10.1 自定义模型

创建 Modelfile 自定义模型：

FROM qwen2.5:7b

# 设置系统提示
SYSTEM You are a helpful AI assistant specialized in Python programming.

# 设置参数
PARAMETER temperature 0.7
PARAMETER num_ctx 4096

构建自定义模型：

ollama create my-python-assistant -f Modelfile
ollama run my-python-assistant

10.2 并发设置

调整并发请求数：

export OLLAMA_NUM_PARALLEL=4

10.3 日志级别

# 设置日志级别（debug/info/warn/error）
export OLLAMA_DEBUG=1
export OLLAMA_LOG_LEVEL=info

11. 更新与卸载

11.1 更新 Ollama

# macOS / Linux
ollama update

# Windows：重新下载安装包覆盖安装

11.2 卸载 Ollama

macOS：

brew uninstall ollama
rm -rf ~/.ollama

Linux：

sudo systemctl stop ollama
sudo systemctl disable ollama
rm -rf /usr/local/bin/ollama ~/.ollama

Windows：

  1. 控制面板 → 程序和功能 → 卸载 Ollama
  2. 删除用户目录下的 .ollama 文件夹

CSS魔法:对话生成器与奔驰骏马的创意实现

✇掘金 前端
修己xj

最近逛GitHub时，发现一个很有意思的项目——一个纯前端实现的对话生成器，效果非常精致。推荐给感兴趣的朋友，如果想深入钻研CSS，这个项目也很值得研究。另外，马上就要到马年了，顺便也分享一个之前收藏的用CSS实现的动态奔跑骏马效果。这两个项目都展现了CSS的巧妙运用，既适合学习借鉴，也很有趣味性。

👩聊天生成器

对话生成器：一个简单好玩的在线聊天制作工具

github地址：github.com/zixiwangluo…

在线地址：zixiwangluo.github.io/wxdh/

🌠功能简介

这是一个可以在线生成微信风格聊天截图的工具，支持以下功能：

  • 自定义苹果或安卓手机状态栏（时间、电量、信号等）
  • 设置对话双方的头像和昵称
  • 发送文字、语音、红包、转账等聊天元素
  • 自由编辑对话内容，生成高度仿真的微信聊天效果
  • 无论是制作搞笑对话、剧情截图，还是用于演示与分享等轻松场景，这个工具都能带来不少乐趣。

该项目完全基于HTML、CSS和JavaScript实现，非常适合前端学习者参考。如果想直接使用，可将源码下载到本地，打开index.html即可运行；如果有服务器，也可以直接部署到Nginx等环境中，使用非常简单，这里就不多做介绍了。

平时写文章或做教程时如果需要聊天素材，也可以用它来快速生成。效果示例如下：

🐎纯css实现的奔驰的骏马

随着马年临近，这个奔跑的骏马效果格外应景。最初在某博客中发现这个创意实现，视觉效果流畅自然，于是特别部署了在线演示方便体验。

演示地址1：h5.xiuji.mynatapp.cc/horse/

演示地址2：aa51f2d3.pinit.eth.limo/

效果如下：

horse-run.gif

如果你想获取源码，可以通过浏览器开发者工具（F12）查看并复制相关代码。代码就两文件，一个html,一个css。

👽总结

这两个项目虽然功能不同，但都体现了前端开发的创意与技巧：

  1. 微信对话生成器展示了如何通过前端技术模拟复杂UI，实现高度可定制的交互工具，对学习CSS布局和JavaScript DOM操作很有帮助。
  2. CSS奔驰骏马则纯粹依靠样式表创造流畅动画，是学习CSS动画、关键帧和性能优化的优秀案例。

无论是想要寻找实用工具，还是希望深入学习前端技术，这两个项目都值得收藏研究。它们证明了，即使不使用复杂框架和库，纯前端技术也能创造出既美观又实用的效果。

🐟今日摸鱼小贴士:从入门到“入厕”新境界

领导眼皮底下吨吨灌水，洗手间里频繁“打卡”

主打一个尿喝白，电充绿，事干黄。

业绩虽暂时躺平，但新陈代谢已实现遥遥领先✨

❗❗❗特别声明

此项目来自互联网公开资源，仅供学习交流使用，切勿用于非法途径，由此产生任何纠纷由使用者本人自己承担，如有侵权，请及时联系删除❗❗❗

《实时渲染》第2章-图形渲染管线-2.4光栅化

✇掘金 前端
charlee44

实时渲染

2. 图形渲染管线

2.4 光栅化

顶点及其关联的着色数据（全部来自几何处理阶段）在进行变换和投影后，下一阶段的目标是找到所有像素（图片元素的缩写），这些像素位于要渲染的图元内部，例如三角形。我们将此过程称为光栅化，它分为两个功能子阶段：三角形设置（也称为图元组装）和三角形遍历。它们显示在图2.8的左侧。请注意，这些也可以处理点和线，但由于三角形最常见，因此子阶段的名称中带有“三角形”。因此，光栅化也称为扫描转换，是将屏幕空间中的二维顶点（每个顶点具有z值（深度值）和与每个顶点关联的各种着色信息）转换为屏幕上的像素。光栅化也可以被认为是几何处理和像素处理之间的同步点，因为在这里三角形由三个顶点形成并最终发送到像素处理。

图2.8. 左：光栅化分为两个功能阶段，称为三角形设置和三角形遍历。右：像素处理分为两个功能阶段，即像素着色和合并。

是否认为三角形与像素重叠取决于您如何设置GPU的管线。例如，您可以使用点抽样来确定“内部性”。最简单的情况是在每个像素的中心使用单点样本，因此如果该中心点在三角形内部，那么相应的像素也被视为三角形内部。您还可以使用超级采样或多重采样抗锯齿技术（第5.4.2节）为每个像素使用多个样本。另一种方法是使用保守光栅化，其中的定义是，如果像素的至少一部分与三角形重叠，则像素位于三角形“内部”（第23.1.2节）。

2.4.1 三角形设置

在这个阶段，计算三角形的微分、边方程和其他数据。这些数据可用于三角形遍历（第2.4.2节），以及用于几何阶段产生的各种着色数据的插值。这个任务通常是硬件的固定功能。

2.4.2 三角形遍历

在这个阶段，会检查每个像素中心（或样本）被三角形覆盖的位置，并为与三角形重叠的像素部分生成片元。更详细的抽样方法可以在第5.4节中找到。查找三角形内的样本或像素通常称为三角形遍历。每个三角形片元的属性是使用在三个三角形顶点之间插入的数据生成的（第5章）。这些属性包括片段的深度，以及来自几何阶段的任何着色数据。McCormack等人在文献[1162]中提到了有关三角形遍历的更多信息。也是在这个阶段，对三角形执行透视校正插值[694]（第23.1.1节）。然后将图元内的所有像素或样本发送到像素处理阶段，这个下述章节会进行论述。

❌