这里是苏苏的小屋

最近由于工作上的需求，需要使用Tensorflow加载语言模型 SpanBERT（Facebook 发布的 BERT 模型的变体），但是作者只发布了 Pytorch 版的预训练权重，因此需要将其转换为 Tensorflow 可以加载的 checkpoint。

在 Pytorch 框架下，大多数开发者使用 Huggingface 发布的 Transformers 工具来加载语言模型，它同时支持加载 Pytorch 和 Tensorflow 版的模型。但是，目前基于 Tensorflow（或 Keras）的工具基本上都不支持加载 Pytorch 版的 bin 模型，转换代码在网上也很难找到，这带来了很多不便。

bert

通过搜索，目前能够找到的有以下几个转换代码片段可供参考：

• bin2ckpt：用于转换 TinyBERT，但实测并不可用；
• convert_pytorch_checkpoint_to_tf：Transformers 自带的转换脚本，但官方文档中并没有提及；
• pytorch_to_tf：实体同指任务的一篇论文提供的转换脚本；
• PyTorch 版的 BERT 转换成 Tensorflow 版的 BERT：VoidOc 编写的基于 Transformers 的转换脚本。

通过分析可以看到，将 PyTorch 版 bin 模型转换成 Tensorflow 版 ckpt 的过程并不复杂，可以分为以下几步：

1. 读取出模型中每一层网络结构的名称和参数；
2. 针对 PyTorch 和 Tensorflow 的模型格式差异对参数做一些调整；
3. 按照 Tensorflow 的格式保存模型。

读取和保存模型

PyTorch 和 Tensorflow 框架都提供了模型的读取和保存功能，因此读取和保存语言模型的过程非常简单。

读取模型直接使用 PyTorch 自带函数 torch.load() 或者 Transformers 提供的对应模型包的 from_pretrained() 函数就可以了；而保存模型则使用 Tensorflow 自带的模型保存器 tf.train.Saver 来完成。

以 BERT 模型为例，读取模型的过程就是：

1
2
3
4

model = BertModel.from_pretrained(
    pretrained_model_name_or_path=pytorch_bin_path,
    state_dict=torch.load(os.path.join(pytorch_bin_path, pytorch_bin_model), map_location='cpu')
)

或者

1

model = torch.load(os.path.join(pytorch_bin_path, pytorch_bin_model), map_location='cpu')

模型的保存过程则通过 Tensorflow 提供的保存器 tf.train.Saver 来完成：

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

tf.reset_default_graph()
with tf.Session() as session:
    for var_name in state_dict:
        tf_name = to_tf_var_name(var_name) # 将层名称改为Tensorflow模型格式
        torch_tensor = state_dict[var_name].numpy()
        # 将参数矩阵改为Tensorflow模型格式
        if any([x in var_name for x in tensors_to_transpose]):
            torch_tensor = torch_tensor.T
        tf_var = create_tf_var(tensor=torch_tensor, name=tf_name, session=session)
        tf.keras.backend.set_value(tf_var, torch_tensor)
        tf_weight = session.run(tf_var)
        print("Successfully created {}: {}".format(tf_name, np.allclose(tf_weight, torch_tensor)))

    saver = tf.train.Saver(tf.trainable_variables())
    saver.save(session, os.path.join(ckpt_dir, model_name.replace("-", "_").replace(".ckpt", "") + ".ckpt"))

整个过程就是先逐层读取模型的层名称和对应参数，然后将格式调整为 Tensorflow 模型的格式，再一次性写入到 checkpoint 文件中。

注意：部分转换脚本忽略了 reset_default_graph() 这一操作，会导致生成的 meta 文件不仅保存网络结构，还会保存完整的网络参数，从而体积庞大。

调整模型格式

由于 PyTorch 和 Tensorflow 的模型格式定义有所差异，因此转换的关键就是对部分层的名称和参数矩阵进行调整。具体来说，首先需要构建名称映射字典，对部分层的名称进行调整：

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

var_map = (
    ("layer.", "layer_"),
    ("word_embeddings.weight", "word_embeddings"),
    ("position_embeddings.weight", "position_embeddings"),
    ("token_type_embeddings.weight", "token_type_embeddings"),
    (".", "/"),
    ("LayerNorm/weight", "LayerNorm/gamma"),
    ("LayerNorm/bias", "LayerNorm/beta"),
    ("weight", "kernel"),
)

def to_tf_var_name(name: str):
    for patt, repl in iter(var_map):
        name = name.replace(patt, repl)
    return "bert/{}".format(name)

注意：这里演示的是转换 BERT 模型，所以转换后的层名以 bert/ 开头。如果转换的是其他模型，需要做相应的修改。

然后，由于 PyTorch 和 Tensorflow 模型中 dense/kernel、attention/self/query、attention/self/key 和 attention/self/value 层的参数矩阵互为转置，因此还需要对模型中的对应层的参数进行调整：

1
2
3
4

tensors_to_transpose = ("dense.weight", "attention.self.query", "attention.self.key", "attention.self.value")

if any([x in var_name for x in tensors_to_transpose]):
    torch_tensor = torch_tensor.T

至此，转换过程就全部完成了。

完整的代码

综上所述，将 PyTorch 版 bin 模型转换成 Tensorflow 版 ckpt 的过程还是比较清晰的。本文对 VoidOc 编写的脚本进行了进一步的简化，以转换 BERT 模型为例，完整的代码如下（Github）：

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
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91

# coding=utf-8

"""
Convert Huggingface Pytorch checkpoint to Tensorflow checkpoint.
"""

import numpy as np
import tensorflow.compat.v1 as tf
import torch
from transformers import BertModel
import os

def convert_pytorch_checkpoint_to_tf(model: BertModel, ckpt_dir: str, model_name: str):

    """
    :param model:BertModel Pytorch model instance to be converted
    :param ckpt_dir: Tensorflow model directory
    :param model_name: model name
    :return:

    Currently supported Huggingface models:
        Y BertModel
        N BertForMaskedLM
        N BertForPreTraining
        N BertForMultipleChoice
        N BertForNextSentencePrediction
        N BertForSequenceClassification
        N BertForQuestionAnswering
    """

    tensors_to_transpose = ("dense.weight", "attention.self.query", "attention.self.key", "attention.self.value")

    var_map = (
        ("layer.", "layer_"),
        ("word_embeddings.weight", "word_embeddings"),
        ("position_embeddings.weight", "position_embeddings"),
        ("token_type_embeddings.weight", "token_type_embeddings"),
        (".", "/"),
        ("LayerNorm/weight", "LayerNorm/gamma"),
        ("LayerNorm/bias", "LayerNorm/beta"),
        ("weight", "kernel"),
    )

    if not os.path.isdir(ckpt_dir):
        os.makedirs(ckpt_dir)

    state_dict = model.state_dict()

    def to_tf_var_name(name: str):
        for patt, repl in iter(var_map):
            name = name.replace(patt, repl)
        return "bert/{}".format(name)

    def create_tf_var(tensor: np.ndarray, name: str, session: tf.Session):
        tf_dtype = tf.dtypes.as_dtype(tensor.dtype)
        tf_var = tf.get_variable(dtype=tf_dtype, shape=tensor.shape, name=name, initializer=tf.zeros_initializer())
        session.run(tf.variables_initializer([tf_var]))
        session.run(tf_var)
        return tf_var

    tf.reset_default_graph()
    with tf.Session() as session:
        for var_name in state_dict:
            tf_name = to_tf_var_name(var_name)
            torch_tensor = state_dict[var_name].numpy()
            if any([x in var_name for x in tensors_to_transpose]):
                torch_tensor = torch_tensor.T
            tf_var = create_tf_var(tensor=torch_tensor, name=tf_name, session=session)
            tf.keras.backend.set_value(tf_var, torch_tensor)
            tf_weight = session.run(tf_var)
            print("Successfully created {}: {}".format(tf_name, np.allclose(tf_weight, torch_tensor)))

        saver = tf.train.Saver(tf.trainable_variables())
        saver.save(session, os.path.join(ckpt_dir, model_name.replace("-", "_").replace(".ckpt", "") + ".ckpt"))

def convert(pytorch_bin_path: str, pytorch_bin_model: str, tf_ckpt_path: str, tf_ckpt_model: str):

    model = BertModel.from_pretrained(
        pretrained_model_name_or_path=pytorch_bin_path,
        state_dict=torch.load(os.path.join(pytorch_bin_path, pytorch_bin_model), map_location='cpu')
    )

    convert_pytorch_checkpoint_to_tf(model=model, ckpt_dir=tf_ckpt_path, model_name=tf_ckpt_model)

if __name__ == '__main__':
    bin_path = './pretrained_model/pytorch_model/'
    bin_model = 'pytorch_model.bin'
    ckpt_path = './pretrained_model/tensorflow_model/'
    ckpt_model = 'bert_model.ckpt'

    convert(bin_path, bin_model, ckpt_path, ckpt_model)

转换过程被包装为 convert() 函数，输入 PyTorch 版 bin 模型的路径和名称，以及 Tensorflow 版 ckpt 的保存路径和名称即可。

再次提醒一下，由于本文转换的 SpanBERT 只是 BERT 的一个变体，因此模型的层名称是与 BERT 模型完全一致的，如果需要转换其他模型，请自行修改 to_tf_var_name() 函数和 tensors_to_transpose 变量。

2022-10-08 本地部署 stable-diffusion-webui 并替换模型为 waifu-diffusion(没有 NSFW 问题)

参考：

Git：https://git-scm.com/download

Miniconda：https://docs.conda.io/en/latest/miniconda.html

CUDA：https://developer.nvidia.com/cuda-toolkit-archive

waifu-diffusion：https://huggingface.co/hakurei/waifu-diffusion

waifu-diffusion-v1-3：https://huggingface.co/hakurei/waifu-diffusion-v1-3

stable-diffusion-v-1-4-original： https://huggingface.co/CompVis/stable-diffusion-v-1-4-original

stable-diffusion-webui：https://github.com/AUTOMATIC1111/stable-diffusion-webui

免责声明：本文所讲内容仅供学习使用，请勿用于违法用途！请遵从 开源协议 ！

温馨提示：最近有些人在自己部署的时候遇到了问题，然后联系笔者，但笔者并没有时间来帮助这些人处理问题，故在此声明：

如果需要笔者协助解决问题，请先从博客底部的打赏支付 100 元，笔者承诺在能力范围内解决问题（不承诺解决问题）。

大家的时间都是很宝贵的，有问题先 百度/Google ，你遇到的问题一定已经有人遇到过了，所以请自己动手解决问题

开始

要顺利运行 stable-diffusion-webui，需要足够大的显存（不是内存），笔者使用的电脑配置如下：

型号：联想拯救者R9000P
CPU:R7-5800H 8核
内存：16GB
显卡：RTX3060 Laptop（显存 6GB）
硬盘：512GB SSD

根据项目的 README.md ，至少需要 4GB 显存才能运行，配置不够的同学就不用尝试了。

另外本项目是 N 卡教程， A 卡用户请自行搜索其他教程。

下面开始正式进入教程

准备工作

根据项目 wiki 必须的依赖 有：

1. Python 3.10.6
2. Git 官网下载
3. CUDA，CUDA 的版本由显卡决定，后续会讲述如何选择 CUDA 版本

开始安装

1.安装 Python 3.10.6

和其他文章不同，笔者依旧推荐使用 Miniconda 来管理 Python 版本，可以实现 Python 多版本切换，下面来讲述如何安装 Miniconda。

进入Miniconda 官网，选择适用于自己的操作系统的版本，下载安装即可，全部图形化操作。

安装成功后在命令行执行

1

conda -V

成功跳出版本即为安装成功。

1

conda 4.12.0

这里不用着急创建 Python 环境，配置完镜像再创建。

接下来配置镜像环境，加快安装速度。（参考：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/ ）

先执行 conda config --set show_channel_urls yes 生成 .condarc 文件

然后在 C:\Users\XXX.condarc 下修改文件内容如下：

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

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

再运行 conda clean -i 清除索引缓存，保证用的是镜像站提供的索引。

然后创建 Python 3.10.6 版本的环境

1
2
3
4

# 因为本项目是教 stable-diffusion-webui 的，所以就直接叫 stable-diffusion-webui 了
conda create --name stable-diffusion-webui python=3.10.6
# 激活环境，注意，在要运行的地方激活，这个环境切换不是全局的。
conda activate stable-diffusion-webui

创建环境的这一步有概率遇到 SSL 问题，可能跟 openssl 的版本有关，该问题请自行搜索解决

配置 pip 镜像加速（参考：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/ ）

升级 pip 到最新的版本 (>=10.0.0) 后进行配置：

1
2

python -m pip install --upgrade pip
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

如果您到 pip 默认源的网络连接较差，临时使用本镜像站来升级 pip：

1

python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip

pip 这一步有概率遇到 https 无法访问的问题，可能跟 openssl 的版本有关，该问题请自行搜索解决

这时我们就有了一个 Python 3.10.6 的纯净环境了

2.安装 Git

前往 Git 官网 或其他镜像网站下载即可。

命令行运行

1

git --version

出现版本号即为安装成功

1

git version 2.33.1.windows.1

3.安装 CUDA

在安装 CUDA 之前，先在命令行执行

1

nvidia-smi

会跳出如下结果，只要看 CUDA Version一项即可，记住这个版本号，之后就下载这个版本即可。

比如说笔者这里就是 11.6版本，下载的 CUDA 也是这个版本就行了。

接下来前往 CUDA 的官网，下载对应版本即可。

CUDA 的版本很多，请一定要下对版本，建议就下载nvidia-smi查询出来的结果。

另外多说一句，CUDA 的体积很大，建议安装在 C 盘之外的硬盘，免得占用宝贵的 C 盘空间。

在版本的选择上，操作系统版本就不用多说了，选择自己的系统就行，win10 就选 10，win11 就选 11。

至于下面的 Installer Type，用 local 版本比较省事，下载一次就是完整的安装包了，用 network 版本依旧是要联网下载的，结果也没差太多。

4.下载项目源码

1
2
3
4

# 下载项目源代码
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
# 切换到项目根目录
cd stable-diffusion-webui

5.下载 stable-diffusion[可选]

本项目不会自动去下载模型，故需要手动下载 stable-diffusion

如果就使用 waifu-diffusion，可以跳过本步骤，直接看下一步

下载的方式有 3 个：

1. 官网下载：https://huggingface.co/CompVis/stable-diffusion-v-1-4-original/resolve/main/sd-v1-4.ckpt

2. File storage：https://drive.yerf.org/wl/?id=EBfTrmcCCUAGaQBXVIj5lJmEhjoP1tgl

3. Torrent：

1

magnet:?xt=urn:btih:3a4a612d75ed088ea542acac52f9f45987488d1c&dn=sd-v1-4.ckpt&tr=udp%3a%2f%2ftracker.openbittorrent.com%3a6969%2fannounce&tr=udp%3a%2f%2ftracker.opentrackr.org%3a1337

数据模型较大，请确保磁盘空间充足。

下载完成后的模型请放到 models\Stable-diffusion\ 下，并将文件名称修改为 model.ckpt

6. 下载 waifu-diffusion[可选]

要使用 waifu-diffusion 作为模型，也是一样的，从官网下载即可。

下载地址：https://huggingface.co/hakurei/waifu-diffusion-v1-3/tree/main

下载完成后的模型请放到 models\Stable-diffusion\ 下，并将文件名称修改为 model.ckpt

至于 ckpt 文件怎么选，选最近更新的，然后名字中带有 float16 的优先。当然也可以试试别的，自行尝试即可

正式运行

是的没错，stable-diffusion-webui 项目不需要手动安装依赖，他已经帮我们做好了，只需要运行即可。

1
2
3
4

# 如果没有切换到 stable-diffusion-webui 环境记得切换
conda activate stable-diffusion-webui
# 切换到项目根目录运行
webui-user.bat

接下来就是一段漫长的等待时间，下载的内容是非常多的（几个 G），请耐心等待。

依赖安装完毕后，会跳出一个链接，复制到浏览器访问即可（默认是 http://127.0.0.1:7860 ）。

然后就在输入框里面写你想要生成的图片即可，相信各位的英语水平一定比笔者要高，在此就不赘述了。

【Prompt 里填写想要的特征点，Negative prompt 里填不想要的特征点】

温馨提示：Prompt 里最大只支持 77 个词，多了会报错，删掉几个词就行

可能是由于源码差异，在相同配置下，运行 waifu-diffusion 最大只能生成 512 x 512 ，但是运行 stable-diffusion-webui 时最大可以支持 832 x 832，可以说提高了一些性能。

另外多说一句，本项目和 waifu-diffusion 不同，没有 NSFW 问题！

最后

那么最后就是老问题了，要怎么写 prompt 呢？

答案是科学上网，自行前往推特上 Waifu Diffusion 相关话题下查看即可，点击 ALT，看下别人是怎么写的就行了。

完成以上步骤之后，相信你也能愉快的玩耍 Waifu Diffusion 了。

喜欢的话就请支持下笔者。

附录

2022-10-13 更新：关于如何写 tag ，可参考源站 Danbooru的写法，原因是 waifu-diffusion/stable-diffusion/Novel AI 等都有从该网址获取 tag 进行训练，所以直接使用源站的 tag 是最准确的

写个商城静态页练练手，又想要版心，又想用 grid 布局，要致富，先撸树，砰砰砰写好了

后来又想在 gird 的两行中间弄一条线分隔一下。

第一想到用 border-bottom，可是这玩意跑不出 gird 的手掌心啊，我要的 bar 可是要横穿整个页面哦。

算了，没有什么是定位解决不了的，如果有就砸键盘！！

1

<div class="bar"></div>

1
2
3
4
5
6
7
8
9

.bar{
  top:100%;
  left:50%;
  transform:translateX(-50%);
  position:absolute;
  width:100vw;
  height:2px;
  background-color:red;
}

哪个元素下面需要横线，就塞个 <bar> 进去。

最近写个静态页练练 CSS，有些规则就是想不通。

比如下面这个关于模态框的 CSS，我打算给 dd 添加伪元素修饰一下

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
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

.second_class {
    display: none;
    position: absolute;
    z-index: 999;
    left: 100%;
    top: 0%;
    min-height: 100%;
    width: 800px;
    background-color: #f7f7f7;
    border-right: 1px solid #e6e6e6;
    border: 1px solid #e6e6e6;
    padding: 10px 12.5px 0 12.5px;
    dl {
      display: flex;
      align-items: stretch;
      flex-flow: row wrap;
      padding-bottom: 10px;
      // padding: 0 12.5px 0 12.5px;
      dt,
      dd {
        // position: relative;
        // padding: 2px 8px;
        // margin: 0;
        margin: 2px 0;
      }

      dt {
        font-weight: 700;
      }

      dd:nth-of-type(n + 2)::before {
        content: '';
        display: inline-block;
        margin: 0 10px;
        width: 1px;
        height: 70%;
        align-items: flex-start;
        vertical-align: middle;
        background-color: red;
      }

      dd:first-of-type::before {
        content: '';
        margin: 0 1px 0 5px;
        display: inline-block;
        // width: 10px;
        // height: 10px;
        border-top: 5px solid transparent;
        border-left: 7px solid dodgerblue;
        border-right: 5px solid transparent;
        border-bottom: 5px solid transparent;
        // vertical-align: middle;
      }

      a:hover {
        color: red;
      }
    }
  }

自定义 webpack 作为构建工具

webpack 相关包

less 预编译: less, less-loader
提取 css: mini-css-extract-plugin
压缩 css: optimize-css-assets-webpack-plugin
css 兼容性处理: postcss, postcss-preset-env

js 兼容性处理: babel-loader, @babel/preset-env, @babel/core, corejs

样式中图片处理： url-loader
html 中图片处理: html-loader
其他文件处理： file-loader
html 模板打包: html-webpack-plugin

开发工具: webpack-dev-tool

开发框架：vue

前言

深拷贝和浅拷贝的区别，各位大小牛们应该都不陌生，这里主要给前端新人介绍一下，也帮助我自己复习一下。

为什么会突然讲这个呢，最近搬砖有点头晕目眩，趁着有空闲时刻，突然想练习一下递归，看看自己尚能饭否，结果就猪脑过载了。

后来就遇到了深拷贝，毕竟作为一道前端入门的经典面试题，以及和递归相关的题目，出场率也是挺高的。

cropper.js 官网

https://fengyuanchen.github.io/cropper/

作为搬砖小能手，每次使用插件时都要去百度各种配置项，实在太费劲，给自己总结记录插件的使用方法也是很重要的哦。

引入文件

三个文件都要按下面顺序引入哦，因为我用的 cropper.js 是 jquery 插件嘛，不知道你们用的是不是呢？

1
2
3
4
5
6

<!-- 引入jq -->
<script src="https://cdn.bootcdn.net/ajax/libs/jquery/3.6.0/jquery.js"></script>
<!-- 导入cropper的js -->
<script src="https://cdn.bootcdn.net/ajax/libs/cropperjs/2.0.0-alpha.2/cropper.min.js"></script>
<!-- 导入copper中间件 -->
  <script src="https://cdn.bootcdn.net/ajax/libs/jquery-cropper/1.0.1/jquery-cropper.min.js"></script>

前言

直接在 win10 上安装 mysql 其实不怎么优雅，毕竟要携带许多依赖环境。既然学了 docker，不用怎么行呢，接下来探讨如何用 docker 启动一个学习用的 mysql

环境准备

操作系统：win10
Docker版本：基于 wsl2 的 docker-desktop v19.03.13
docker-compose版本：1.27.4

当我们前端调试数据的时候，除了使用 mock，或者通过 node express 开启服务监听返回数据外，还有一种玩法，那就是今天试玩的 json-server

安装命令（全局安装）

1

npm install -g json-server

create a json file，名字随便起个 db.json，里面装个示例数据。

1
2
3
4
5
6
7
8
9

{
  "posts": [
    { "id": 1, "title": "json-server", "author": "typicode" }
  ],
  "comments": [
    { "id": 1, "body": "some comment", "postId": 1 }
  ],
  "profile": { "name": "typicode" }
}

前言

虽说在下是 springboot 新手，但是作为前端接口调试而言，springboot 实在太过重量级。现在发现了一个作为测试服务器相当好用的玩意： NodeJs。话不多说，开搞。

设置 url 映射，并开启服务器监听

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

// helloExpress.js
// 1、引入 express
var express = require('express')

// 2、创建应用对象
var app = express()

// 3、创建路由规则
// request 是对请求报文的封装
// response 是对响应报文的封装
app.get('/', (request, response) => {
  response.send('Hello Express')
})

// 4、监听端口启动服务
app.listen(8000, () => {
  console.log('服务已经启动，8000 端口监听中 ...')
})