博客 RSS 訂閱

u_16213369 頭像

mob64ca12e1881c - centos7安裝 ollama

在這篇博文中，我們將深入探討如何在 CentOS 7 系統上安裝 Ollama。Ollama 是一個基於開源的模型部署平台，適用於多種 AI 模型的手動或自動化部署。以下是具體的步驟和內容結構，包括環境準備、分步指南、配置詳解、驗證測試、優化技巧和排錯指南等模塊。 環境準備 軟硬件要求 在安裝 Ollama 之前，需要確保您的系統符合以下基本要求： 操作系統：Ce

System , bash , Centos , aigc

收藏 評論

u_16213676 頭像

mob64ca140e76c8 - 把mysql數據庫從windows遷移到linux系統上的方法

數據中心動環系統MySQL遷移SOP：Windows 5.7 / Linux8.0→ Linux 8.0，覆蓋測試與生產（零停機mysqldump邏輯備份實戰）。 一、遷移背景 一、源庫信息（From） 操作系統：windows server 2022 數據庫版本：MySQL 5.7.32 服務器 IP/主機名： 端口：3306 庫

mssql , MySQL , 運維 , 數據庫 , Linux , Css , 前端開發 , HTML

收藏 評論

u_16213676 頭像

mob64ca140e76c8 - 深度學習 水位尺識別 yolo

1、應保持儀表垂直安裝。在安裝超聲波液位計時，要保證換能器的發射面和被測的平面平行，這樣可以保證垂直髮射到被測物體表面的聲波以最大的能量返回。 2、實際安裝時，如果現場工況有蒸汽，易有水珠附着在探頭表面，並且探頭的量程比實際要測量的距離大很多，這時可以傾斜3°左右，以避免水珠結水的影響。 3、在安裝時，應注意超聲波液

深度學習 水位尺識別 yolo , 人工智能 , 深度學習

收藏 評論

u_12968 頭像

davisl - 限制容器只能讀取某幾張gpu卡

服務通常需要考慮速度和容量限制，增強系統的魯棒性。 背景 筆者曾負責過某公司內公眾號服務開發。公眾號接口服務接收到用户的推送請求後會構造公眾號消息並寫入消息隊列，路由服務異步接收到消息後進行消息存儲後，再交由推送服務向用户推送消息。基本流程如下圖所示： 消息存儲過程： 路由服務發起消息存

限容 , 雲計算 , 本地緩存 , 限制容器只能讀取某幾張gpu卡 , 消息存儲 , 信號量 , 雲原生

收藏 評論

u_16213696 頭像

mob64ca14133dc6 - 計算機網絡常見面試題 - 楊柳依依

UDP和TCP是傳輸層最重要的兩種協議，它們的區別從根本上決定了互聯網上各種應用的表現。 簡單來説： TCP像打電話：需要接通、確認對方能聽到、有條理地對話、最後説再見。可靠，但步驟多。 UDP像發傳單：把傳單扔出去就行，不關心對方是否收到、是否按順序收到。快速，但不可靠。 下面通過一個詳細的表格和解釋來全面對

大數據 , tcp , ip , hadoop , udp , 網絡協議

收藏 評論

u_16213589 頭像

mob64ca13f9a97c - element的textarea中autosize不生效

文章目錄 DOM編程（二） 一、DOM元素特性 二、table對象 三、創建DOM對象 四、修改DOM對象 DOM編程（二） 一、DOM元素特性 element.attributes： 返回元素的所有特性 element.getAttribute(name

機器學習 , js , dom , 刪除元素 , 人工智能 , 子節點 , Javascript

收藏 評論

u_16213671 頭像

mob64ca140d61c6 - grafana 統計主機流量

參考 http://os.51cto.com/art/201404/435279.htm 網卡流量監控工具可以監控通過網絡接口傳輸的數據，並測量目前哪些數據所傳輸的速度。入站流量和出站流量分開來顯示。一些命令可以顯示單個進程所使用的帶寬。這樣一來，用户很容易發現過度使用網絡帶寬的某個進程。這些工具使用不同的機制來製作流量報告。nload等

grafana 統計主機流量 , 數據 , 雲計算 , 操作系統 , 雲原生 , 網絡 , Python

收藏 評論

u_16099187 頭像

網絡安全俠 - hyper-v server 2008安裝及簡要配置【圖文】_rickyfang

第八章：模型接入與配置 8.1 模型概述 8.1.1 Dify 與模型的關係 Dify 是基於大語言模型（LLM）的 AI 應用開發平台，模型是 Dify 的核心驅動力。Dify 本身不提供模型，而是作為一個統一的接口層，讓你可以： 接入數百種不同的模型 統一管理模型配置 靈活切換和對比模型 控制模型調用成本

API , azure , 負載均衡 , Css , 前端開發 , HTML

收藏 評論

u_13019 頭像

boyboy - 智能Agent概述

第六章：Agent 智能助手 6.1 Agent 概述 6.1.1 什麼是 Agent Agent（智能代理/智能助手）是一種能夠自主完成複雜任務的 AI 應用。與普通的聊天助手不同，Agent 具備以下核心能力： 目標規劃：理解用户的最終目標 任務拆解：將複雜任務分解為可執行的子任務 工具調用：自主選擇和使用合適的工具

數據 , API , 搜索 , 前端開發 , Javascript

收藏 評論

u_16099323 頭像

架構魔法師 - 【轉載】TMS協議簡介_51CTO博客

其他地圖服務協議 1. TMS TMS（Tile Map Service）是一種用於發佈地圖瓦片的服務協議。TMS定義瞭如何存儲、組織和訪問地圖瓦片，使得客户端可以通過HTTP請求獲取預渲染的地圖瓦片，並將這些瓦片組合在一起形成連續的地圖。以下是一些TMS的主要特性： 獲取地圖瓦片：TMS的主要功能是獲取地圖瓦片。客户端可以發送一個HTTP請求，指定所

座標系統 , 客户端 , 緩存 , 前端開發 , Javascript

收藏 評論

ziwupython 頭像

子午 - 【寵物識別系統】Python+TensorFlow+Vue3+Django+人工智能+深度學習+卷積神經網絡算法

一、介紹 寵物識別系統，本系統基於TensorFlow框架，採用卷積神經網絡（CNN）算法，構建了一個能夠識別37種常見寵物品種的智能識別系統。所使用的數據集涵蓋了多個貓犬品種，例如阿比西尼亞貓、布偶貓、柴犬、哈士奇等。經過多輪迭代訓練，最終得到了識別準確率較高的預測模型，並部署於Web端實現可視化交互。 前端: Vue3、Element Plus 後端：Django 算法：TensorFlow、

圖像識別 , 人工智能 , 深度學習

收藏 評論

u_14306318 頭像

咚咚王哲 - 人工智能之數據分析 Matplotlib：第四章 圖形類型

人工智能之數據分析 Matplotlib 第四章 圖形類型 (文章目錄) 前言 Matplotlib 支持多種圖表類型。本文將詳細介紹 散點圖、柱形圖、餅圖、直方圖 以及其他常見圖表（如箱線圖、熱力圖、面積圖、3D 圖等）的繪製方法、參數説明和典型應用場景。 一、散點圖（Scatter Plot） 用途 顯示兩個變量之間的關係，

子圖 , yyds乾貨盤點 , 人工智能 , 數據分析 , 直方圖 , Python

收藏 評論

u_16175522 頭像

mob649e8169ec5f - ollama GPU內存佔滿

ollama GPU內存佔滿問題是近期開發者在使用機器學習模型時常遇到的挑戰之一。當多模型同時運行或處理大規模數據集時，GPU內存容易被佔滿，導致性能降級甚至崩潰。因此，本文將詳細記錄解決這一問題的過程，包括環境準備、分步指南、配置詳解、驗證測試、優化技巧和排錯指南。希望通過這些內容，幫助大家更高效地使用GPU資源。 環境準備 在開始之前，我們首先需要準備適合的硬件和軟件環境。

硬件資源 , aigc , 重啓 , CUDA

收藏 評論

ziwupython 頭像

子午 - 海洋生物識別系統【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度學習+卷積神經網絡算法

一、介紹 海洋生物系統，本項目基於深度學習技術，構建了一個集海洋生物識別、數據可視化和智能問答於一體的Web應用系統。系統採用TensorFlow框架搭建卷積神經網絡模型，通過對22種常見海洋生物（包括海豚、鯨魚、鯊魚、珊瑚、海星等）數據集進行多輪迭代訓練，最終獲得高精度識別模型，並開發了功能完善的Web操作平台。 前端: Vue3、Element Plus 後端：Django 算法：Tensor

圖像識別 , 深度學習 , Python

收藏 評論

u_16175498 頭像

mob649e8163f390 - copilot for M365 prompt

隨着企業數字化轉型進程的加快，許多組織正在使用“Copilot for M365”來提升生產力。然而，遷移到該平台並不是一件簡單的事情，尤其是在面對兼容性和配置調整時。本文將圍繞如何解決“Copilot for M365 prompt”類型的問題進行詳細的探討，涵蓋了版本對比、遷移指南、兼容性處理、實戰案例、排錯指南和生態擴展等方面。 版本對比 在開始之前，瞭解不同版本的特性對於

API , server , aigc , ci

收藏 評論

u_16213382 頭像

mob64ca12e4972a - ollama 設置使用顯卡

在深度學習和機器學習越來越普及的今天，藉助顯卡加速計算變得十分重要。大家都知道，使用顯卡能顯著提升訓練模型的效率，但如何設置“ollama”來更好地利用顯卡呢？這篇博文將為你詳細介紹關於“ollama 設置使用顯卡”的問題，從背景定位到生態擴展，一步步為你揭示解決方案。 背景定位 在許多AI應用場景中，使用CPU進行模型訓練時，計算速度往往會成為瓶頸。例如，在處理大量數據和複雜計

基準測試 , 性能調優 , 配置文件 , aigc

收藏 評論

u_16213465 頭像

mob64ca12f86e32 - Linux ollama 下載模型命令

在我的探索過程中，我遇到了一個關於“Linux ollama 下載模型命令”的問題。在這個過程中，我採取了有效的備份策略以保證數據的安全，制定了詳細的恢復流程來應對潛在的災難場景，並整合了工具鏈以提高工作效率。此外，我還進行了日誌分析與驗證方法的研究，確保每個環節都能順暢進行。接下來，我將分享這個過程的詳細步驟。 備份策略至關重要，我的備份思路分為幾個層次。在這個基礎上，我設計了思維

System , Backup , aigc , ci

收藏 評論

u_16213437 頭像

mob64ca12f1c6f8 - idea copilot代理

在現代軟件開發中，IDEA Copilot作為一款便捷的開發輔助工具，其“代理”問題時常困擾開發者。這篇文章將帶你深入探討如何解決IDEA Copilot代理問題，包括環境準備、集成步驟、配置詳解、實戰應用、性能優化和生態擴展。 環境準備 在利用IDEA Copilot之前，確保你的開發環境滿足以下要求。請根據項目需求安裝依賴項。 依賴項

API , aigc , JAVA , 多環境

收藏 評論

aipaobudexiangjiao_cktinz 頭像

愛跑步的香蕉_cKtiNz - AI重塑招聘生態：從效率革命到職能升級

AI重塑招聘生態：從效率革命到職能升級 當 HR 還在忙着追候選人時，AI 已經把招聘週期縮短了 40%。 人工智能技術正在逐步改變招聘行業的運作方式。有數據顯示，通過微表情分析與語義推理等技術手段，招聘週期可以實現40%的縮短；某大型銀行引入AI系統後，面試到場率提升至90.7%；輝瑞製藥在研發人才識別中採用AI技能圖譜，創新週期相應縮短22%。 這些變化表明，AI不僅釋放了人

人工智能

收藏 評論

openfuyao 頭像

openFuyao - openFuyao信息直升機 | 第5期：一文了解“高性能AI推理服務化框架”

業務痛點： AI推理是AI領域中將大模型轉化為應用效果與商業價值的核心技術，但在實際生產部署中仍然面臨着多樣化算力場景下的效率低與可部署性成本高，高併發、長上下文LLM推理場景中的性能和資源利用率瓶頸。 根因分析： 用户體驗與資源效率瓶頸：當前長上下文LLM推理的首Token延時普遍在數百毫秒至秒級，且長上下文場景下KV緩存顯存佔用呈線性增長，嚴重製約Agent的響應效率與部署規模；傳統靜態批

llm , 人工智能 , 開源項目介紹

收藏 評論

zhaoqianglaoshi 頭像

趙渝強老師 - 【趙渝強老師】阿里雲大數據集成開發平台DataWorks

DataWorks是阿里雲重要的PaaS（Platform as a Service）平台產品，為用户提供數據集成、數據開發、數據地圖、數據質量和數據服務等全方位的產品服務，一站式開發管理的界面，幫助企業專注於數據價值的挖掘和探索。 DataWorks支持多種計算和存儲引擎服務，包括離線計算MaxCompute、開源大數據引擎E-MapReduce、基於Flink的實時計算、機器學習PAI、圖計算

大數據 , 阿里雲

收藏 評論

mage3218 頭像

馬哥天才3218 - 【技術分享】用python開發採集軟件，爬微博搜索關鍵詞下的帖子

今天給大家分享一款我用Python開發的實用工具——【爬微博搜索軟件】，專為需要批量獲取微博內容的用户打造，解決了常規採集的諸多痛點。 一、工具開發背景與核心優勢 1.1 開發初衷 微博作為國內頂流社交媒體平台，以實時性強、熱點傳播快、KOL影響力大著稱。無論是熱點事件追蹤、行業動態分析，還是用户輿論調研，微博上的海量文字、圖片內容都極具參考價值。但實際操作中，大家常會遇到採集頁數受限、多關鍵詞切

python3.x , 微博 , 微博採集 , 爬蟲

收藏 評論

u_16213437 頭像

mob64ca12f1c6f8 - ollama docker配置允許跨域

配置 Docker 容器以允許跨域請求對於許多現代 Web 應用來説是一個重要的步驟，特別是當你在使用 Ollama 作為 AI 部署平台時。本文將詳細介紹 Ollama Docker 配置允許跨域的全流程，從環境準備到擴展應用，確保你能夠順利完成這個配置。 環境準備 在開始之前，我們需要做好一些基礎環境準備。確保你係統上安裝了 Docker 和 Ollama，以下是相應的安裝命

User , aigc , Docker

收藏 評論

u_16213366 頭像

mob64ca12e0c608 - python二次開發stable diffusion

對“python二次開發stable diffusion”的覆盤記錄 在進行 "python二次開發stable diffusion" 的過程中，我們從環境配置開始，以確保一切能夠順利進行。以下是每一個步驟的詳細記錄： 環境配置 首先，確保安裝必要的依賴工具： 安裝Python及其包管理器pip 安裝CUDA和cuDNN（如果使用GPU加速） 克隆St

System , aigc , 環境配置 , Python

收藏 評論