• 删除文件test.tex, 直接命令输入

  1	mv -t ~/.local/share/Trash/files --backup=t test.tex

• 在shell中取别名

  1	alias del='mv -t ~/.local/share/Trash/files --backup=t'

• 使用rl命令查看回收站的内容
  

  1 2 3 4 5 6

  alias rl='ls ~/.local/share/Trash/files' alias ur=undelfile undelfile() { mv -i ~/.local/share/Trash/files/$@ ./ }

• 使之立刻生效

  1 2	source ~/.zshrc source ~/.bashrc

01. CupPy 概览

今天我们来聊聊一个在 Python 数据科学领域中日益受到关注的库——CuPy。

什么是 CuPy？

CuPy 是一个开源的 Python 库，它的设计初衷是为了使得在 GPU 上的计算变得简单快捷。

它提供了与 NumPy 非常相似的 API，这意味着如果你已经熟悉 NumPy，那么使用 CuPy 将会非常容易。

CuPy 的亮点在于它能够利用 NVIDIA GPU 来加速计算，这在处理大规模数据时尤其有用。

https://github.com/cupy/cupy

为什么选择 CuPy？

• 速度提升显著：根据多个来源的数据，CuPy 在某些操作上比 NumPy 快了几十甚至几百倍。这对于数据科学和机器学习等领域的应用来说，意味着更高效的数据处理和分析能力。
• 易于上手：CuPy 的接口设计遵循 NumPy，这使得那些已经熟悉 NumPy 的用户可以轻松迁移到 CuPy。
• 广泛的应用场景：从深度学习到图像处理，CuPy 都能提供强大的支持。

安装 CuPy

安装 CuPy 相当简单。你只需要使用 pip 命令：

1
2
3
4
5
6
7
8
9
10
11

# For CUDA 11.2 ~ 11.x
pip install cupy-cuda11x

# For CUDA 12.x
pip install cupy-cuda12x

# For AMD ROCm 4.3
pip install cupy-rocm-4-3

# For AMD ROCm 5.0
pip install cupy-rocm-5-

一个简单的例子

让我们来看一个简单的例子，对比一下 NumPy 和 CuPy 在处理同样任务时的速度差异。

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

import numpy as np
import cupy as cp
import time

# 使用 NumPy 创建一个大数组
start_time = time.time()
numpy_array = np.random.rand(10000, 10000)
numpy_result = numpy_array ** 2
print("NumPy 时间：", time.time() - start_time)

# 使用 CuPy 完成同样的任务
start_time = time.time()
cupy_array = cp.random.rand(10000, 10000)
cupy_result = cupy_array ** 2
print("CuPy 时间：", time.time() - start_time)

NumPy 时间：3.474796772003174

CuPy 时间：0.0693259145678

在这个例子中，我们创建了一个大型数组，并计算了它的平方。

我们会发现，使用 CuPy 完成同样的任务所需的时间远少于 NumPy，速度提升了 50 倍。

一个更酷的性能对比

创建一个 3D NumPy 数组并执行一些数学函数。time.time()

1
2
3
4
5
6
7
8
9
10
11

import time

# NumPy and CPU Runtime
s = time.time()
x_cpu = np.ones((1000, 100, 1000))
np_result = np.sqrt(np.sum(x_cpu**2, axis=-1))
e = time.time()
np_time = e - s
print("Time consumed by NumPy: ", np_time)

Time consumed by NumPy: 0.5474584102630615

同样，创建一个 3D CuPy 数组，执行数学运算，并为其计时以提高性能。

1
2
3
4
5
6
7
8
9

# CuPy and GPU Runtime
s = time.time()
x_gpu = cp.ones((1000, 100, 1000))
cp_result = cp.sqrt(cp.sum(x_gpu**2, axis=-1))
e = time.time()
cp_time = e - s
print("\nTime consumed by CuPy: ", cp_time)

Time consumed by CuPy: 0.001028299331665039

为了计算差异，我们将 NumPy 时间除以 CuPy 时间

1
2
3
4

diff = np_time/cp_time
print(f'\nCuPy is {diff: .2f} X time faster than NumPy')

CuPy is 532.39 X time faster than NumPy

在使用 CuPy 时，我们似乎获得了超过 500 倍的性能提升。

02. 使用示例

CuPy 的基础知识

在本节中，我们将比较 CuPy 和 Numpy 的语法，它们有 95% 的相似度。

• 首先使用 Python 列表创建一个 NumPy 和 CuPy 数组，之后我们将计算向量的范数。

1
2
3
4
5
6
7
8
9
10

import cupy as cp
import numpy as np
x = [3, 4, 5]
x_np = np.array(x)
x_cp = cp.array(x)
l2_np = np.linalg.norm(x_np)
l2_cp = cp.linalg.norm(x_cp)
print("Numpy: ", l2_np)
print("Cupy: ", l2_cp

正如我们所看到的，我们得到了类似的结果。

1
2

Numpy:  7.0710678118654755
Cupy:  7.0710678118654755

• 要将 NumPy 转换为 CuPy 数组，只需使用 .cp.asarray(X)

1
2
3

x_array = np.array([10, 22, 30])
x_cp_array = cp.asarray(x_array)
type(x_cp_array)

cupy.ndarray

• 或者，使用 将 CuPy 转换为 Numpy 数组。.get()

1
2

x_np_array = x_cp_array.get()
type(x_np_array)

numpy.ndarray

CuPy 高级应用示例

• 图像处理：边缘检测

图像处理是 CuPy 的一个重要应用领域。以下是一个使用 CuPy 进行边缘检测的示例：

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

import cupy as cp
import cv2

def edge_detection(image_path):
    # 读取图像
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    image_gpu = cp.asarray(image)

    # Sobel 边缘检测算子
    sobel_x = cp.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype=cp.float32)
    sobel_y = cp.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]], dtype=cp.float32)

    # 应用算子
    edge_x = cp.abs(cp.signal.convolve2d(image_gpu, sobel_x, mode='same'))
    edge_y = cp.abs(cp.signal.convolve2d(image_gpu, sobel_y, mode='same'))

    # 合并边缘
    edge = cp.sqrt(cp.square(edge_x) + cp.square(edge_y))

    # 将结果转换回 CPU 并显示
    result = cp.asnumpy(edge)
    cv2.imshow('Edge Detection', result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 使用示例
edge_detection('path_to_your_image.jpg')

这个示例展示了如何使用 CuPy 在 GPU 上进行图像的边缘检测，这对于图像分析和计算机视觉应用非常有用。

• 大规模数据运算：矩阵乘法

CuPy 在处理大规模数据运算时表现出色。下面是一个矩阵乘法的示例：

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

import cupy as cp
import time

# 创建大型随机矩阵
a_gpu = cp.random.rand(10000, 10000)
b_gpu = cp.random.rand(10000, 10000)

# 执行矩阵乘法
start_time = time.time()
c_gpu = cp.dot(a_gpu, b_gpu)
cp.cuda.Stream.null.synchronize()  # 确保计算完成
print("CuPy 矩阵乘法时间：", time.time() - start_time)

这个示例展示了 CuPy 在执行大规模矩阵乘法时的高效性，这对于科学计算和数据分析尤其重要。

• 深度学习：简单的神经网络

CuPy 也可以用于构建和训练简单的神经网络。以下是一个示例：

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

import cupy as cp

def sigmoid(x):
    return 1 / (1 + cp.exp(-x))

# 随机初始化权重
weights = cp.random.rand(3, 1)

# 示例输入
inputs = cp.array([[1, 0, 1],
                   [1, 1, 1],
                   [0, 0, 1]])

# 前向传播
outputs = sigmoid(cp.dot(inputs, weights))

print(outputs)

这个示例展示了如何使用 CuPy 进行简单的神经网络前向传播计算。

以上示例展示了 CuPy 在不同领域的应用，包括图像处理、大规模数据运算和深度学习。

03. Numpy、Cupy 和 Pytorch

CuPy 和 NumPy 之间的区别

别问我有什么区别，问就是几乎一样样。实在要知道到底有什么区别，参考Differences between CuPy and NumPy

Cupy 与 Numpy 互转

1
2
3
4
5
6
7
8

import cupy as cp
import numpy as np

# cupy->numpy
numpy_data = cp.asnumpy(cupy_data)

# numpy->cupy
cupy_data = cp.asarray(numpy_data)

Cupy 与 Pytorch 互转

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

# 需借助中间库 dlpack
# cupy.array<–>Dlpack.Tensor<–>torch.Tensor

from cupy.core.dlpack import toDlpack
from cupy.core.dlpack import fromDlpack
from torch.utils.dlpack import to_dlpack
from torch.utils.dlpack import from_dlpack
import torch

# pytorch->cupy
cupy_data = fromDlpack(to_dlpack(tensor_data))

# cupy->pytorch
tensor_data = from_dlpack(toDlpack(cupy_data)

Numpy 与 Pytorch 互转

1
2
3
4
5
6
7
8

import numpy as np
import torch

# pytorch->numpy
numpy_data = tensor_data.numpy()

# numpy->pytorch
tensor_data = torch.from_numpy(numpy_data)

抱个拳 总个结

Beyond NumPy

让我们以一张表结束：最快的 CPU VS 最快的 GPU。

CuPy 是一个强大的工具，它能够显著提高数据处理的速度。

对于那些希望在数据科学和机器学习领域进一步提升效率的朋友们，CuPy 绝对值得一试。

diary.sh 开发说明

自从网易、新浪等博客网站关闭后，我决定使用 Hexo 在 Github、Gitee 和 Gitlab 等代码托管平台，借助其 Pages 功能来部署自己的博客。但是每次都使用 Hexo 的标准命令进行操作，步骤上确实很繁琐。随着时间的推移，博客内容越来越多，于是就需要一个能够管理博客并方便发布博客的工具。为了达成这个目标，diary.sh 应运而生！这个脚本一直作为我的私人程序使用，但由于前期编写 Shell 代码的水平有限，使得脚本的通用性不佳，同时一些功能的实现也不太理想。在熟练掌握 Shell 后，我改进了程序，推出了通用版本，并将版本号升级为 V8.0。在新版中，个人信息将以配置文件的形式由作者自行填写，脚本中不再保留任何个人信息。

简明信息

1
2
3
4
5
6
7

# Program  : diary.sh
# Author   : fengzhenhua
# Email    : fengzhenhua@outlook.com
# CopyRight: Copyright (C) 2022-2025 FengZhenhua(冯振华)
# License  : Distributed under terms of the MIT license.
# History  : 2024年04月20日, 升级了菜单选择系统，同时去除个人信息写在脚本中的问题，使diary.sh成为通用程序
#            2024年04月22日, 修改COMMENT为主板名，可以识别出发布博客的机器，比使用主机名更可靠升级V8.3

安装

1
2

sudo curl -o /usr/local/bin/diary https://gitlab.com/fengzhenhua/script/-/raw/usbmain/diary.sh\?inline\=false 
sudo chmod +x /usr/local/bin/diary

使用方法: diary -h 获取帮助。

发布仓库

已经脚本程序分别发布于gitlab和gitee, 请您自行前往下载：

• https://gitee.com/fengzhenhua/script
• https://gitlab.com/fengzhenhua/script

可用脚本为：

1. Git配置

1. 安装Git：https://git-scm.com/
2. 本地命令行生成密钥绑定GitHub账号

1
2
3
4
5
6
7
8

# 输入命令生成密钥对，替换成自己邮箱，然后一路回车
ssh-keygen -t rsa -C "youremail@example.com"

# 将生成的公钥打印出来复制，将这串文本复制粘贴到GitHub的Setting->SSH and GPG keys中
cat ~/.ssh/id_rsa.pub

# 输入命令检查是否绑定成功,输入yes后，如果出现Hi,xxx!则绑定成功
ssh -T git@github.com

3. 配置用户名和邮箱信息：

1
2
3
4
5
6
7
8
9
10
11
12
13

# 查看配置信息，一开始为空
git config --list

# 全局配置，对所有代码库生效
git config --global user.name "你的名字"
git config --global user.email "你的邮箱"


# 局部配置，只对当前的代码库有效
git config --local user.name "你的名字"
git config --local user.email "你的邮箱"

# 配置后，远程仓库提交的commit里对应的用户即为 user.name

2. Git基本概念

1. 本地仓库：本地仓库上存放所有相关的文件，具体可分为工作区、暂存区和仓库区，工作区即项目文件夹下不包含.git文件夹的所有文件，暂存区和仓库区则在.git文件夹下
2. 工作区：即我们工作的文件夹，在里面进行文件的增删改操作
3. 暂存区：临时保存工作区上的改动，通过git add操作将工作区的修改同步到暂存区
4. 仓库区：当执行git commit操作时，将暂存区上的所有变动同步到本地仓库
5. 远程仓库：GitHub/GitLab上保存的仓库，通过git push将本地仓库同步到远程仓库，也可以通过git fetch/pull将远程仓库同步到本地仓库

3. Git基本操作

创建版本库

创建版本库有两种方式，一种是将本地的文件夹直接变成一个git仓库，另一种是直接将远程的仓库克隆到本地

1
2

git init # 将本地文件夹变为一个git仓库
git clone <url> #将远程仓库克隆到本地

修改与提交操作

1
2
3
4
5

git add <file> # 将单个文件从工作区添加到暂存区
git add . # 将所有文件添加到暂存区
git commit -m "messenge" # 将暂存区文件提交到本地仓库
git status # 查看工作区状态，显示有变更的文件。
git diff # 比较文件的不同，即暂存区和工作区的差异。

远程操作

1
2
3
4
5
6

git push origin master # 将本地的master分支推送到远程对应的分支
git pull  # 下载远程代码并合并，相当于git fetch + git pull
git fetch   # 从远程获取代码库，但不进行合并操作

git remote add origin <url> # 将远程仓库与本地仓库关联起来
git remote -v # 查看远程库信息

撤销与回退操作

撤销操作：当修改了工作区/暂存区的文件，但是还没有commit时，想要撤销之前的操作：

1
2
3
4
5
6
7
8
9

# 场景1：当你改乱了工作区某个文件的内容，但还没有add到暂存区
git checkout <file> # 撤销工作区的某个文件到和暂存区一样的状态

# 场景2：当乱改了工作区某个文件的内容，并且git add到了暂存区
git reset HEAD <file> # 第1步，将暂存区的文件修改撤销掉
git checkout <file> # 第2步，将工作区的文件修改撤销掉

# 场景3：乱改了很多文件，想回到最新一次提交时的状态
git reset --hard HEAD # 撤销工作区中所有未提交文件的修改内容

回退操作：当已经进行了commit操作，需要回退到之前的版本：

1
2
3
4
5

git reset --hard HEAD^ # 回退到上次提交的状态
git reset --hard HEAD~n # 回退到n个版本前的状态
git reset --hard HEAD commitid # 回退到某一个commitid的状态
git reset --soft HEAD commitid # 回退到某一个commitid的状态，并且保留暂存区的内容
git reset --mixed(默认) HEAD commitid # 回退到某一个commitid的状态，并且保留工作区的内容

关于reset三种模式的说明：

4. Git分支管理

git的最强大之处就在于分支管理了，具体有两种应用场景：

1. 多人协作：每个人都基于主分支创建一个自己的分支，在分支上进行开发，然后再不断将写好的代码合并到主分支
2. 自己修复bug/增加feature：创建一个bug分支或者feature分支，写好代码后合并到自己的分支然后删除bug/feature分支

1
2
3
4
5
6

git branch <name> # 创建分支
git checkout <name> # 切换到某个分支
git checkout -b <name> # 创建并切换到新分支，相当于同时执行了以上两个命令
git merge <name> # 合并某个分支到当前分支中，默认fast forward
git branch -a # 查看所有分支
git branch -d <name> # 删除分支

5. Git多人协作

多人协作在同一个分支上进行开发的工作模式：

1. 首先，可以试图用git push origin <branch-name>推送自己的修改；
2. 如果推送失败，则因为远程分支比你的本地更新，需要先用git pull试图合并；
3. 如果合并有冲突，则解决冲突，并在本地提交；
4. 没有冲突或者解决掉冲突后，再用git push origin <branch-name>推送就能成功！
5. 如果git pull提示no tracking information，则说明本地分支和远程分支的链接关系没有创建，用命令git branch --set-upstream-to <branch-name> origin/<branch-name>。

6. Git分支重命名

• 在当前分支时

1

git branch -m new_branch_name

• 当不在当前分支时

1

git branch -m old_branch_name new_branch_name

如果是已经推送到远端，应该怎么做呢？

重命名远端分支（假设是在当前分支，并且远端分支与本地分支名是一致的）

• 重命名本地分支

1

git branch -m new_branch_name

• 删除远程分支

1

git push --delete origin old_branch_name

• 上传新命名的本地分支

1

git push origin new_branch_name

• 关联修改后的本地分支与远程分支

1

git branch --set-upstream-to origin/new_branch_name

7. 参考

1. Git教程 | 菜鸟教程
2. Git教程 - 廖雪峰的官方网站

简介

rsync 是一个常用的 Linux 应用程序，用于文件同步。它可以在本地计算机与远程计算机之间，或者两个本地目录之间同步文件（但不支持两台远程计算机之间的同步）。它也可以当作文件复制工具，替代cp和mv命令。它名称里面的r指的是 remote，rsync 其实就是"远程同步"（remote sync）的意思。与其他文件传输工具（如 FTP 或 scp）不同，rsync 的最大特点是会检查发送方和接收方已有的文件，仅传输有变动的部分（默认规则是文件大小或修改时间有变动）。

安装

1

sudo pacman -S rsync

用法

-r参数

本机使用 rsync 命令时，可以作为cp和mv命令的替代方法，将源目录同步到目标目录。

1

rsync -r 源目录  目标目录

参数-r表示递归，复制所有包括子目录的文件，且-r也是必须的，否则rsync运行不会成功。

-a参数

-a参数可以替代-r，除了可以递归同步以外，还可以同步元信息（比如修改时间、权限等）。由于 rsync 默认使用文件大小和修改时间决定文件是否需要更新，所以-a比-r更有用。下面的用法才是常见的写法。

1

rsync -a source destination

最初只是想用U盘作为远程仓库，解决现存托管平台的若干问题。但是，随着近两天的考虑，逐步实现了本地U盘仓库及时同步+联网同步（可选择仓库，用来发布软件）的功能，这种做法的优点是：

• 所有仓库在本地U盘, 可以解决网络托管平台访问速度慢、容量有限、费用高、隐私保护等问题。
• 对于不能联网的电脑，可以使用U盘仓库随时随地编辑代码，离线同步。
• 对于开源代码，可以设置网络，一条命令实现本地+U盘+网络托管平台同步功能，及时发布最新软件。
• 配置文件： 网络托管平台githab、gitlab和gitee等已经配置了ssh或公开的仓库。

  1 2 3 4

  example: gitee https://github.com/project.git gitee git@gitee_fengzhenhua:fengzhenhua gitlab git@gitlab_fengzhenhua:fengzhenhua

ugit 项目

安装脚本

• 安装单U盘版本

  1 2	sudo curl -o /usr/local/bin/ugit https://gitlab.com/fengzhenhua/script/-/raw/usbmain/ugit.sh\?inline\=false sudo chmod +x /usr/local/bin/ugit

  注意：单U盘版是第一代试验性的方案，目前已经实现多U盘版，且功能更加实用，所以单U盘版不再维护。其存在的问题主要是根据U盘名称识别U盘仓库，如果用户修改了U盘名称或使用了同名的其他U盘，则会出现问题，所以不建议大家使用单U盘版。

• 安装多U盘版本

  1 2	sudo curl -o /usr/local/bin/ugit https://gitlab.com/fengzhenhua/script/-/raw/usbmain/neogit.sh\?inline\=false sudo chmod +x /usr/local/bin/ugit

选项及功能

各项操作前，先将U盘插入到Linux电脑的USB接口, 如果没有U盘连接电脑则会出现提示。

技术细节

1. 插入电脑U盘, 假设您的U盘名字为159xxxxxxxx, 您的Linux用户名为wheel, 则在ArchLinux下U盘的地址为

   1	/run/media/wheel/159xxxxxxxx

2. 在U盘创建空仓库test, 实际就是建立一个文件夹作为git的远程仓库

   1 2 3 4

   cd /run/media/wheel/159xxxxxxxx mkdir test cd test git init --bare

   注意：选项--bare必须有, 如果git仓库创建成功，则提示消息为

   1	Initialized empty Git repository in /run/media/wheel/150xxxxxxxx/test/

3. 切换到电脑中您的项目目录，初始化本地仓库

   1 2	cd ~/test-your git init

4. 建立远程仓库连接,编辑本地git配置文件，写入如下内容，关联仓库及其分支

   1 2 3 4 5 6 7 8 9 10 11

   [core] repositoryformatversion = 0 filemode = true bare = false logallrefupdates = true [remote "usb"] url = /run/media/wheel/159xxxxxxxx/test/ fetch = +refs/heads/*:refs/remotes/usb/* [branch "master"] remote = usb merge = refs/heads/master

   注意：文件~/test-your/.git/config, 中的usb是您对远程仓库的别名，可以任意取定。

5. 创建README.md文件，同第一次推送文件，注意此时仍然在您的项目目录中。

   1 2 3 4 5

   git pull touch README.md git add . git commit -m "first push" git push

6. 拉取文件, 注意此时仍然在您的项目目录中。

   1

   git pull

7. 在新电脑上克隆项目

   1	git clone /run/media/wheel/159xxxxxxxx/test

   注意：对于clone下来的项目，push和pull和普通的git操作没有区别。如果不像上面这样编辑默认的默认的仓库及分支，则网络上的教程在U盘上建立git仓库，移动的“私有云”完成的配置的话应当使用命令pull usb master拉取，使用push usb master推送，其显然不如此处的配置便捷。

在使用LaTeX生成目录超链接时，默认超链接的样式为带红色边框，这被多数人认为不美观，所以本文给出去掉边框的方法。

• 在引用hyperref宏包时，应当把它放在最后一个位置，因为它修改了若干命令，如果有其他的宏包也修改了常规命令，则编译文件时会出错。

• 宏包调用时的设置

  • 使用pdfborder选项

    1	\usepackage[colorlinks=false, pdfborder={0 0 0}]{hyperref}

  • 使用hidelinks选项

    1	\usepackage[hidelinks]{hyperref}

  • 修改链接颜色

    1 2 3 4

    \usepackage[ colorlinks=true, linkcolor=black ]{hyperref}

• 使用hyperref的配置选项

  • 使用hidelinks隐藏链接

    1	\hypersetup{hidelinks}

  • 修改链接颜色

    1 2 3 4

    \hypersetup{ colorlinks=true, linkcolor=black }

今天在打开同学的论文时发现乱码，这显然是由于他的LaTeX文件是在Windows下编辑的，默认编码为GBK编码，于是需要配置vim和neovim来自动转换编码到UTF-8才行。处理方法为：

1
2
3
4
5
6
7
8

" 设置编码为utf-8
set encoding=utf-8
" 如下设置，则无论所打开的文件是否为utf-8编码，保存时都强制保存为utf-8
"set fenc=utf-8
" 设置多编码文件
set fileencodings=utf-8,gbk,cp936,gb18030,big5,euc-jp,euc-kr,latin1,ucs-bom,ucs
" 设置终端显示编码为utf-8
set termencoding=utf-8

1
2
3
4
5
6

-- 设置编码为UTF-8
vim.o.encoding = "utf-8"
-- 如下设置，则无论所打开的文件是否为utf-8编码，保存时都强制保存为utf-8
-- vim.o.fenc=UTF-8
-- 设置多编码文件
vim.o.fileencodings = "utf-8,gbk,big5,cp936,gb18030,euc-jp,euc-kr,latin1,ucs-bom,ucs "

ArchLinux 是一个优秀的操作系统，但是实际使用的过程中时间给我上了一课！ 最初追逐Gnome3的简洁，同时它也是渲染效果最好的桌面环境，与之齐名的是KDE Plasma 桌面环境。在Plasma4的时候，由于其经常漰溃，所以切换到了Gnome3。 但Gnome3虽然简洁好用，同时最符合我的个人需求，但是它的最大缺点就是依懒大量的插件，而我主要需要的插件是hide-top-bar 、dash-to-dock 和USER-Theme , 每次Gnome3的大版本升级，这些插件就会大量挂掉！由于这个问题切换到了KDE Plasma5, 据网传Plasma5比Plasma4要稳定的多，经过几个月的使用，证实了Plasma5稳定的传说。但是在2024年04月11日升级我的ArchLinux后，发现Plasma5已经升级到了Plasma6, 刚刚到这个桌面环境下，由于第一次支持Wayland, 速度提升明显，但是毕竟是刚刚发布，其稳定性堪忧，这不2024年04月14日系统就无法进入了！不得不考虑切换到其他桌面，尝试了budgie, 其足够简洁，同时基于gnome3构建，而它比Gnome3落后太多，渲染效果并不好。综合上述使用经验，一个在生产实践中的最佳方法就是不要急于升级桌面环境，要待Gnome3的插件都稳定的跟上相应版本时升级Gnome3环境，对于Plasma也是，不要急于升级，等到Plasma版本稳定后再升级。本文就是在解决这个稳定使用的问题时提出的，这是时间和实践的教训！

Pacman列出可用软件包组

pacman是package manager的缩写。列出可用软件包组命令：

1
2
3

sudo pacman -Sg
sudo pacman -Sg gnome
sudo pacman -Sg gnome |wc -l

配置软件包和软件包组禁止更新

编辑文件/etc/pacman.conf, 找到IgnorePkg和IgnoreGroup, 对应位置后添加不需要升级的软件包或软件包组的名字。如果要添加多个包，则用空格分隔两个连续的包，即

1
2
3
4
5
6
7

# Pacman won't upgrade packages listed in IgnorePkg and members of IgnoreGroup
#IgnorePkg   =
IgnoreGroup = gnome gnome-extra kde-applications

#NoUpgrade   =
#NoExtract   =

临时禁止软件包或软件包组更新

1
2

sudo pacman -Syyu --ignore=linux,vim
sudo pacman -Syyu --ignoregroup=gnome, gnome-extra

降级安装软件包

1
2

sudo pacman -S downgrade
sudo downgrade plasm-desktop

Thunderbird 默认开启了保留副本功能，这导致了每次发送邮件时在已发送邮箱中总是保留两份邮件，让人感觉不爽。下而给出解决方法：

编辑→帐户设置→副本和文件夹→取消保留副本到