[Soft & Share 會員服務] 開源報報 273 – 按照需求最佳化 Linux 系統效能

工具

用於 containerd 與 Docker 相容的命令列工具

• https://github.com/AkihiroSuda/nerdctl

containerd 一個工業標準的容器 runtime ，強調簡單、穩健和可移植性。

開發動機

nerdctl的目標是方便實驗 Docker 中沒有的 containerd 的最尖端特性。

這樣的特性包括但不限於  lazy-pulling 和 encryption of images.。

另外，nerdctl 可能對除錯 Kubernetes 叢集有潛在的幫助，但這不是主要目標。

Vim 的分支版本專注於可擴充性和可用性

• https://github.com/neovim/neovim

Neovim是一個旨在積極重構Vim的專案，目的是：

• 簡化維護和鼓勵貢獻
• 由多個開發人員分擔工作
• 在不修改核心的情況下啟用高階使用者介面。
• 最大限度地提高可擴充性

特色

• 現代圖形使用者介面
• 從任何語言訪問API，包括C/C++、C#、Clojure、D、Elixir、Go、Haskell、Java、JavaScript/Node.js、Julia、Lisp、Lua、Perl、Python、Racket、Ruby、Rust。
• 嵌入式、可腳本化的終端模擬器
• 非同步作業控制
• 在多個編輯器實體之間共享資料（shada）。
• 支援XDG基礎目錄
• 相容大多數Vim外掛，包括Ruby和Python外掛。

用Go編寫的二進位檔案編輯器

• https://github.com/itchyny/bed

為何開發這個工具？

為什麼不呢？程式設計是如此的有趣!

在建立這個編輯器的時候，我學到了很多東西；檔案指標的處理，說細節應該取決於抽象的意思，如何在Go語言中模擬檔案系統進行測試，如何解決goroutine之間的死鎖或競賽條件等等。

畢竟，自己創造是學習工作原理的最好方法。

按照需求最佳化 Linux 系統效能

• https://github.com/FeralInteractive/gamemode

GameMode 是一個Linux的 daemon/lib 組合，它允許遊戲請求將一組最佳化功能暫時應用於主機作業系統和/或遊戲行程 ( process )。

GameMode 的設計主要是為了解決英特爾和AMD CPU省電或按需求管理的問題，但現在已經有了一系列的最佳化功能和配置。

目前，GameMode包括對最佳化的支援，包括。

• CPU調節器
• I/O 優先順序
• 流程完善度
• 核心排程器 (SCHED_ISO)
• 抑制螢幕保護程式
• GPU 效能模式（NVIDIA和AMD），GPU超頻（NVIDIA）。
• 自定義 script

GameMode軟體包適用於Ubuntu、Debian、Solus、Arch、Gentoo、Fedora、OpenSUSE、Mageia，可能還有更多。

Web 應用程式開發

在WebAssembly Studio中學習、教學、工作和遊戲。

• https://github.com/wasdk/WebAssemblyStudio

這個線上IDE將幫助開發者學習或是教授WebAssembly，支援 C 和 Rust ，編譯器在後端執行

在你的電腦安裝 WebAssembly Studio 必須安裝 node.js 和 webpack

資料科學

使用 Python 做演算法交易

• https://github.com/nickmccullum/algorithmic-trading-python

這是 FreeCodeCamp 的 YouTube 課程中使用的程式碼庫，用 Python 進行演算法交易。

這是課程的大綱網頁 https://www.freecodecamp.org/news/algorithmic-trading-using-python-course/，裡面包含有 YouTube Channel 的連結

使用 LSTM 與 Keras 進行吉他放大器/效果器模擬的深度學習模型

• https://github.com/GuitarML/GuitarLSTM

GuitarLSTM可以訓練吉他效果/放大器神經網路模型，用於處理 wav 檔案。錄製目標吉他放大器或效果器( pedal ) 的輸入/輸出樣本，然後使用此程式碼建立一個聲音的深度學習模型。然後，該模型可以應用於其他 wav 檔案，使其聽起來像放大器或效果器。這段程式碼使用了Tensorflow/Keras。

LSTM(Long Short-term Memory)模型可以有效地複製管式放大器的聲音、失真、超頻和壓縮。它還能捕捉到用於記錄取樣的話筒/錄音棚的內含響應。與WaveNet模型相比，這種實現速度更快，可以更準確地複製複雜吉他訊號的聲音，同時還可以在CPU上進行訓練。

這個專案跟這個開源專案有關 使用 JUCE 製作的吉他外掛，該外掛使用神經網路模型來模擬真實世界的樂器。

在麻省理工學院 ADE20K 資料集上實現 Pytorch 語義分割/場景解析。

• https://github.com/CSAILVision/semantic-segmentation-pytorch

這是MIT ADE20K場景解析資料集（http://sceneparsing.csail.mit.edu/）上語義分割模型的 PyTorch 實現。

ADE20K 是最大的語義分割和場景解析開源資料集，由 MIT 電腦視覺團隊釋出。按照下面的連結找到我們的資料集和在Caffe和Torch7上的實現的儲存庫：https://github.com/CSAILVision/sceneparsing。

雲端和網路管理

Web 應用程式安全和滲透測試/CTF的有用有效載荷和繞過( bypass ) 列表

• https://github.com/swisskyrepo/PayloadsAllTheThings

想要了解更多，這邊有書籍和 YouTube 播放列表