AI Agent从无到有59: 容器化部署——用 Docker Compose 打包多服务应用

TradingAgents-CN v2.0:基于Docker的量化交易智能体一键部署实践 量化交易智能体是融合AI算法、实时行情处理与订单执行的复杂系统,其核心挑战在于环境一致性与可复现性。Docker通过容器化封装Python运行时、CUDA加速库、TA-Lib等关键依赖,从根本上解决多平台(Mac M1/WSL2/Ubuntu)下编译失败、ABI不兼容与依赖冲突等高频痛点。该技术方案不仅提升开发效率,更支撑策略回测、仿真交易与实盘桥接等全链路场景,使高校教学、个人开发者验证及小型私募沙盒构建具备工程落地基础。TradingAgents-CN v2.0正是这一理念的典型实现。 阅读详情

纲要

  • 容器化部署的意义
  • 核心概念
    • Docker 镜像与容器
    • Docker Compose 多服务编排
    • 服务间内部网络通信与 DNS 解析
    • 数据卷 volumes 持久化
  • 项目部署文件拆解
    • docker-compose.yml 服务定义
    • Dockerfile 构建指令
    • 多进程启动脚本 start.sh
  • 完整可运行示例
    • 项目结构
    • 应用主程序 app/main.py(基于 FastAPI 与 Redis 交互)
    • 依赖文件 requirements.txt
    • Dockerfile 构建配置
    • docker-compose.yml 编排配置
    • 启动、验证与常用运维命令
  • 总结

容器化部署的意义

在 AI Agent 类项目的实际落地过程中,通常需要依赖多个外部服务,例如:大模型 API 网关、向量数据库(如 Chroma、Milvus)、记忆存储组件(如 Redis)、消息队列(如 RabbitMQ)以及各种开放平台 Webhook 回调等。传统的部署方式要求在目标服务器上逐一安装、配置并启动这些组件,不仅操作繁琐,而且极易因为操作系统版本、依赖库冲突、环境变量差异等因素导致 “本地运行正常,上线后报错” 的经典困境。

Docker 技术通过将应用及其完整的运行环境(包括系统工具、依赖库、配置文件)打包为镜像,从根本上保证了开发、测试与生产环境的高度一致性。而 Docker Compose 则在此基础上进一步解决了多服务编排的难题,允许运维与开发人员使用一个统一的 YAML 文件定义整个技术栈的构成、网络规则与存储策略,从而实现一键启动与停止。

以下是容器化部署流程与传统部署流程的对比示意:

Docker Compose 部署

编写 Dockerfile

编写 docker-compose.yml

执行 docker compose up

自动拉取镜像/构建

一键启动所有服务

传统部署

安装操作系统依赖

配置环境变量

安装数据库/缓存

手动修改配置文件

启动应用进程

Docker 与 Docker Compose 核心概念精析

在深入配置文件之前,有必要对齐几个关键的基础概念,这对于后续自行扩展配置文件至关重要。

  • 镜像 (Image):一个只读的静态文件,包含了运行某个应用所需的所有内容——代码、运行时、系统工具、库和设置。可以将其类比为面向对象编程中的“类”。
  • 容器 (Container):镜像的运行态实例。每个容器默认运行在相互隔离的环境中,通过宿主机端口映射或自定义网络进行通信。可以类比为“对象”。
  • Docker Compose:一个用于定义和运行多容器 Docker 应用的工具。通过一个 YAML 文件,你可以配置应用需要的所有服务,然后通过一条命令创建并启动所有服务。
  • 服务名解析 (Service Name Resolution):在 Docker Compose 定义的同一个自定义网络中,服务名(如 redis、db)会被自动注册为内部 DNS 记录。这意味着应用代码中可以直接使用服务名作为主机名,而不需要硬编码 IP 地址或依赖 localhost。
  • 数据卷 (Volumes):用于实现数据的持久化与共享。它将宿主机文件系统中的目录或命名卷挂载到容器内部,使得容器重建或删除时,关键数据(如数据库文件、应用日志)不会丢失。

项目部署配置详解

以一个典型的 AI Agent 示例项目“智能问答助手”为例,它包含两个核心服务:app(基于 FastAPI 的智能体应用)和 redis(用于存储对话记忆与缓存)。下面逐一拆解完整的配置文件。

项目结构

以下是推荐的项目文件布局,所有部署相关的资源均集中在 deploy_project 目录下:

deploy_project/
├── app/
│   ├── main.py               # FastAPI 主应用
│   └── requirements.txt      # Python 依赖
├── start.sh                  # 容器启动脚本
├── Dockerfile                # 镜像构建文件
├── docker-compose.yml        # 服务编排文件
└── .env                      # 环境变量(可选,通常不提交至 Git)

docker-compose.yml 服务编排详解

该文件定义了两个服务,共享一个桥接网络,并分别挂载数据卷以保证数据持久化。

version: '3.8'

services:
  # Redis 缓存与记忆存储服务
  redis:
    image: redis:7-alpine            # 使用官方轻量级镜像
    container_name: xiaolang-redis   # 固定容器名,便于识别
    restart: always                  # 异常退出时自动重启
    ports:
      - "6379:6379"                  # 映射宿主机端口,便于本地调试
    volumes:
      - redis_data:/data             # 挂载命名卷,持久化 RDB/AOF 数据
    networks:
      - app_network
    # 适用版本: Docker Compose >= 1.29, Docker Engine >= 20.10

  # 自定义智能体应用服务
  app:
    build: .                         # 基于当前目录的 Dockerfile 构建
    container_name: xiaolang-app
    restart: always
    depends_on:
      - redis                        # 显式声明依赖,确保 Redis 先启动
    ports:
      - "8000:8000"                  # 暴露 API 端口
    environment:
      - REDIS_URL=redis://redis:6379/0   # 利用 Compose DNS,直接使用服务名
      - PYTHONUNBUFFERED=1               # 确保 Python 日志实时输出
    volumes:
      - app_logs:/app/logs           # 挂载日志目录,方便查看持久化日志
    networks:
      - app_network

# 声明数据卷
volumes:
  redis_data:                        # Docker 管理的命名卷,独立于容器生命周期
  app_logs:

# 声明自定义网络
networks:
  app_network:
    driver: bridge                   # 默认桥接模式,开启内部 DNS 解析

关键设计细节:

  • depends_on 虽然不保证 redis 完全就绪(仅控制启动顺序),但对于缓存服务,通常连接重试机制足以应对。
  • REDIS_URL 中的主机名 redis 会被 Compose 内部 DNS 解析为 redis 容器的虚拟 IP,无需修改代码即可实现服务发现。
  • 定义了两个独立的数据卷 redis_data 与 app_logs,实现存储与计算的分离。

Dockerfile 构建指令解读

Dockerfile 描述了从基础镜像到可运行容器的构建步骤。此处选用 python:3.11-slim 作为基础镜像,兼顾体积与功能。

# 适用版本: Docker Engine >= 18.06
FROM python:3.11-slim

# 设置工作目录
WORKDIR /app

# 安装系统依赖(如 curl 用于健康检查,可根据需要增减)
RUN apt-get update && apt-get install -y curl && rm -rf /var/lib/apt/lists/*

# 复制依赖清单并安装 Python 包
COPY app/requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# 复制应用代码与启动脚本
COPY app/ ./app/
COPY start.sh .

# 赋予启动脚本可执行权限
RUN chmod +x start.sh

# 声明容器运行时监听的端口
EXPOSE 8000

# 设置默认启动命令
CMD ["./start.sh"]

多进程启动脚本 start.sh

在某些场景下,同一个容器中可能需要运行多个进程(例如:主 API 服务 + 后台文档更新服务)。虽然更推荐的模式是“一个容器一个进程”,但在 MVP(最小可行产品)阶段或资源受限时,借助脚本管理是实用的策略。

#!/bin/bash
set -e  # 任何命令失败则退出脚本

cd /app/app

# 启动 FastAPI 主服务(后台运行)
python main.py &

# 如果有额外的辅助服务(例如文档索引更新),可在此取消注释
# python doc_updater.py &

# 等待所有后台进程结束(若主进程退出,容器将退出)
wait

应用代码 app/main.py:集成 Redis 记忆功能

以下 FastAPI 应用代码演示了如何通过环境变量获取 Redis 连接地址,并利用 Redis 提供简单的键值记忆读写能力。代码中不包含任何硬编码的主机名,完全依赖运行时的环境注入。

# 适用版本: Python 3.9+, fastapi >= 0.100.0, redis-py >= 4.5.0
import os
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import redis

app = FastAPI(title="AI Agent Memory Service")

# 从环境变量读取 Redis URL,若未设置则使用默认值(仅用于本地兜底)
REDIS_URL = os.getenv("REDIS_URL", "redis://localhost:6379/0")
r = redis.from_url(REDIS_URL)

class MemoryItem(BaseModel):
    key: str
    value: str

@app.get("/")
async def root():
    return {"message": "AI Agent 服务已成功启动", "status": "healthy"}

@app.get("/memory/{key}")
async def get_memory(key: str):
    """获取指定键的记忆值"""
    value = r.get(key)
    if value is None:
        return {"key": key, "value": None, "found": False}
    return {"key": key, "value": value.decode("utf-8"), "found": True}

@app.post("/memory/{key}")
async def set_memory(key: str, value: str):
    """设置键值对到记忆缓存"""
    r.set(key, value)
    return {"key": key, "value": value, "status": "stored"}

@app.delete("/memory/{key}")
async def delete_memory(key: str):
    """删除指定的记忆键"""
    deleted_count = r.delete(key)
    return {"key": key, "deleted": deleted_count > 0}

依赖文件 app/requirements.txt:

fastapi==0.115.0
uvicorn[standard]==0.30.0
redis==5.0.0

启动、验证与日常运维

在项目根目录(即 docker-compose.yml 所在目录)执行以下命令:

# 构建镜像并后台启动所有服务
docker compose up -d --build

# 查看服务运行状态
docker compose ps

# 查看实时日志(组合输出)
docker compose logs -f

# 仅查看 app 服务的日志
docker compose logs -f app

服务启动后,可以通过 curl 或浏览器验证 API 功能:

# 测试根路径
curl http://localhost:8000/

# 写入记忆数据
curl -X POST "http://localhost:8000/memory/user_123?value=Hello%20Agent"

# 读取记忆数据
curl http://localhost:8000/memory/user_123

# 预期输出: {"key":"user_123","value":"Hello Agent","found":true}

若需要停止并清理所有资源(包括数据卷,请谨慎操作):

docker compose down -v

参考文档

总结

本文围绕 AI Agent 项目的容器化部署,系统性地介绍了 Docker 与 Docker Compose 的核心概念与实践方法。通过 Dockerfile 固化应用运行环境,借助 docker-compose.yml 实现 Redis 记忆存储与 FastAPI 应用服务的编排与联动,并利用 Compose 的内部 DNS 机制简化了服务间通信配置。此外,还通过数据卷实现了日志与缓存数据的持久化,通过多进程启动脚本解决了单容器多任务的临时需求。

本文覆盖的技术栈要点包括但不限于:Docker 镜像与容器基础、Docker Compose 服务编排语法、自定义桥接网络下的服务名解析、volumes 数据卷声明与挂载、depends_on 启动顺序控制、Python 应用中通过环境变量解耦配置、FastAPI 与 Redis 的集成模式,以及 docker compose 常用运维命令。

FDE实战进阶:100个云原生与AI部署项目构建高竞争力作品集 在云原生和人工智能技术普及的背景下,基础设施的自动化部署与管理已成为现代软件工程的核心环节。其原理在于通过容器化、编排和持续交付等技术,将应用的生命周期管理工程化,从而提升交付效率、系统可靠性与资源利用率。这一技术体系的价值在于弥合开发与运维的鸿沟,实现快速、稳定且可重复的软件交付。其应用场景广泛覆盖了微服务架构、大数据平台及AI模型服务化等前沿领域。本文聚焦于前沿部署工程师(FDE)的核心技能,围绕容器化、Kubernetes、CI/CD流水线、可观测性、基础设施即代码(IaC)以及AI集成部署等【热词】 阅读详情

相关推荐

FDE前沿部署工程师:100个实战项目构建硬核作品集指南

容器化与云原生技术是现代软件部署和运维的基石,其核心在于通过Docker等容器技术实现应用的环境标准化与隔离,并借助Kubernetes等编排系统实现自动化部署、扩展和管理。这项技术的核心价值在于提升了应用交付的效率、可靠性和可移植性,是支撑微服务架构、持续集成与持续部署(CI/CD)的关键。在实际工程实践中,这些技术被广泛应用于构建自动化流水线、实现系统的可观测性以及保障生产环境的安全与合规。对于希望提升竞争力的部署工程师而言,掌握从基础设施即代码(IaC)、服务网格到AI/MLOps部署等全链路技能至关

weixin_33816300的博客 410

Docker 学习:术语、使用、Compose、Swarm

Docker 是一个开源的应用容器引擎,基于 Go 语言 并遵从 Apache2.0 协议开源。Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中,然后发布到任何流行的 Linux 机器上,也可以实现虚拟化。容器完全使用沙箱机制,相互之间不会有任何接口(类似 iPhone 的 app),更重要的是容器性能开销极低。

freeking101的博客 6171

从零构建个人数字管家Marvis:架构设计与实战指南

在数字化转型浪潮中,自动化与智能化已成为提升个人效率的关键技术。其核心原理在于通过规则引擎与API集成,将分散的数字服务与物理设备连接成协同工作的系统。这种技术能显著减少重复性操作,实现信息聚合与智能决策,为现代人应对信息过载提供了工程化解决方案。典型的应用场景包括智能家居控制、日程自动化管理以及个性化提醒服务。本文以Marvis项目为例,深入解析如何利用n8n、Home Assistant等工具构建一个可编程的**个人数字管家**,并探讨了集成**大语言模型(LLM)智能体**以实现更高级自然语言交互的进

aibiba0894的博客 374

Hindsight智能体记忆系统:从入门到精通的完整部署指南

Hindsight是一款革命性的智能体记忆系统,它能让ాలుాలుానhets真正ాలుాలు appreeniciation和进化,而hetsyardsాలుenia对话ాల。作为当前最准确的智能体记忆系统,Hindsight在LongMemEval基准测试中实现了最先进的性能表现。本指南将带你从零开始,全面掌握Hindsight的部署与应用,无论你是开发者、架构师还是AI研究者,都能找到适合你

gitblog_01274的博客 1075

DeepSeek V4深度解析:混合架构、工具增强与生产级稳定性

大语言模型正从‘高分实验室’走向‘高可用产线’,核心在于长上下文稳定性、结构化工具调用与多模态语义对齐三大能力。DeepSeek V4通过混合解码设计(如FSCM状态缓存模块)显著降低注意力熵值,实现128K上下文下显存仅增17%;其意图图谱(IG)协议将函数调用升维为可验证、可追溯的结构化操作,大幅提升Agent执行鲁棒性;结合开源轻量微调脚本与RAG协同范式,真正支撑中文场景下的RAG+Agent工程落地。本文聚焦DeepSeek V4预览版本的技术本质与实战路径,覆盖架构原理、实测对比与生产避坑。

chouxuyi9789的博客 407

大模型可信度评估框架:事实锚定、指令鲁棒与安全边界的三重压力测试

大模型可信度并非单一准确率指标,而是涵盖事实准确性、指令遵循稳定性与安全响应质量的复合能力。其核心原理在于通过对抗性压力测试,暴露模型在知识盲区、模糊约束和伦理边界下的行为偏差。技术价值体现在支撑金融、医疗等高敏场景的可审计决策,避免因幻觉漂移或安全阀失效引发合规风险。典型应用场景包括智能投研Agent的事实核查、医疗AI的术语规范输出、法律文书的指令保真生成。本文聚焦‘事实锚定测试’与‘指令鲁棒性测试’两大关键维度,提供开源可复用的评估协议与LiteLLM统一接入实践。

weixin_34252090的博客 311

第2章:Docker 快速搭建Mongo与 Compass 可视化入门

文章摘要 本地生活电商团队在从MySQL迁移到MongoDB时遇到环境标准化问题。解决方案采用Docker容器化技术,通过Docker Compose编排MongoDB服务,实现跨平台环境一致性。关键设计包括:使用官方MongoDB镜像、数据卷持久化、Compose多服务管理、图形化工具Compass辅助开发。实战部分详细展示了目录规划、docker-compose.yml编写、容器启动验证和连接测试的全过程,并总结了常见错误及解决方法。该方案解决了开发环境碎片化问题,确保"构建一次,处处运行"。

davidwang456的专栏 382

【项目01】AI实战90讲 & 专栏目录

欢迎来到《AI实战90讲:从入门到项目落地(2026版)》!这是一个「动手第一、理论辅助」的 AI 实战专栏。不讲空洞的公式推导,不讲你一辈子用不到的边缘理论——每一个项目都是一份完整、可运行、能写进简历的代码。你可能会问:网上免费教程那么多,为什么要付费订阅?三个理由:90 个项目形成体系。免费教程最大的问题是碎片化——今天看一篇图像分类,明天看一篇 NLP,后天不知道学什么。本专栏按照「4 周 × 30 天」的节奏编排,从 CV 到 NLP 到多模态到工程部署,形成完整闭环。跟着走,你不会迷路。

weixin_51988935的博客 584

Mac Android 文件传输:OpenMTP 免费 MTP 直连,4GB 大文件不断线

OpenMTP 是一款免费开源的 Mac Android 文件传输应用:用 USB 数据线把 Android 手机接到 macOS,经 MTP(媒体传输协议,安卓文件传输的底层通道)直连设备,双向搬运照片、视频与素材。适合需要频繁在 Mac 与 Android 之间倒数据的用户,尤其适合大文件传输反复中断的场景。核心卖点:自研 Kalam 内核,高端设备可达 100–120 MB/s。 ## 它

gitblog_00482的博客 410

S7-1200PLC 与温控仪表Modbus RTU通信

硬件:cpu 1214C 目的:通过Modbus RTU协议,实现对温控仪表的控制 软件:Portal V14SP1

weixin_43922025的博客 3万+

Calibre license失效的解决方法

Calibre license失效的解决方法

qq_45354630的博客 6484

基于OpenClaw框架构建企业级AI Agent:桥梁监测智能助手实战

AI Agent(智能体)作为人工智能技术的重要分支,其核心原理是通过大语言模型(LLM)理解自然语言,并规划、调用一系列工具或技能(Skill)来执行复杂任务,从而将专业能力服务化。这一技术价值在于实现了业务能力与交互入口的解耦,能显著降低技术使用门槛,提升工作效率。其典型应用场景包括智能客服、自动化数据分析、企业知识问答等。本文聚焦于一个具体的工程实践案例——桥梁监测分析助手,深入探讨了如何利用OpenClaw这一开源框架,将专业的桥梁数据分析能力封装成模块化的Skill,并安全、可靠地集成到企业微信中

weixin_30599769的博客 393

拆开一个烧坏的IGBT模块,手把手教你识别过压、过流、过温的“案发现场”

本文详细解析了IGBT模块失效分析的实战技巧,通过观察铝层熔化纹路、焊锡溢出形态等物理痕迹,手把手教你识别过压、过流、过温的典型失效模式。文章提供了从基础工具包到现场快速诊断的完整流程,帮助工程师精准定位IGBT模块失效的根本原因。

weixin_30655569的博客 428

QClaw定时任务实践:从OpenClaw智能体到自动化调度

定时任务是自动化系统的核心组件,它基于时间触发器(如Cron表达式)在预定时间点自动执行特定操作。其原理是通过调度器持续解析时间规则,匹配后触发绑定的业务逻辑。在AI工程实践中,定时任务的价值在于将周期性、重复性工作自动化,从而提升效率并确保任务准时执行。典型应用场景包括数据同步、报告生成、系统监控和状态检查等。本文聚焦于QClaw——一个基于OpenClaw智能体框架的上层平台,它深度集成了定时任务功能,为AI驱动的自动化工作流提供了开箱即用的调度解决方案。通过QClaw,开发者可以便捷地配置和管理智能体

culuo8053的博客 463

COCO数据集缺失文件补全方法

本文代码是以目标检测(object detection)和实例分割(instance segmentation)任务的标签文件为例,即文件。其他任务的标签文件内容略有不同,但是图片来源表示字段完全相同,因此代码可通用。另外如果是非2017版本COCO应该也通用。msgspec是一个高性能的序列化和验证库,支持 JSON、MessagePack、YAML 和 TOML 等多种格式。高性能:在常见协议的编码/解码中表现出色,通常比其他库快10-80倍。零成本的模式验证。

qq_46396470的博客 1996

ROS2入门到精通—— ROS2实战专栏(实时更新)

Nav2专栏介绍

BigDavid123的博客 2375

本地部署不是伪需求:五大刚性场景与实操交付体系

本地部署是企业级系统在真实业务环境中应对网络不可靠、数据主权合规、超低延迟、存量系统耦合及自主可控等核心挑战的必然选择。其本质并非技术保守,而是基于成本-风险-可控性三维平衡的工程决策。从物理隔离的数据不出域要求,到毫秒级边缘推理的光速约束,再到国产化硬件与等保三级的供应链刚性,本地化已成为政务、医疗、制造、能源等领域保障业务连续性与合规确定性的关键技术路径。本文聚焦可落地的环境基线标准化、最小权限治理、离线持续交付、故障自愈可观测等实操方法论,提供面向生产环境的本地化交付完整范式。

weixin_34267123的博客 378

D457深度相机调试记录(max96712+max9295A)

使用max96712解串器解4路D457相机。采集深度相机Depth和RGB流。

navy2015_163的博客 1269

从Web开发到AI开发:用线性回归实现机器学习全流程

机器学习并非独立于Web开发的另一个领域,恰恰相反,Web是模型落地的主要载体。线性回归作为最简单的监督学习算法,通过特征加权求和预测连续数值,天然适合初学者理解“数据→模型→服务→前端”的完整链路。掌握训练、评估、保存与推理的基础流程后,开发者可以借助Flask将模型封装为HTTP接口,实现AI服务的快速部署。无论是房价预测、指标趋势分析还是风险评估,这种模式都具备实际工程价值。本文以房价预测为例,展示从Scikit-learn训练到API发布的完整闭环,帮助Web背景开发者快速建立机器学习工程化认知。

weixin_34067102的博客 463

手把手教你学Simulink——四开关 Buck‑Boost(FSBB)变换器的无缝模式切换仿真

本文详细介绍了四开关Buck-Boost(FSBB)变换器的Simulink仿真方法,重点解决模式切换时的直通风险和输出电压波动问题。通过统一电压PI控制、迟滞比较模式仲裁(Buck/Boost/Pass-Through)和200ns死区设计,实现了Vin从26V到22V变化时Vout稳定在12V±0.15V。关键步骤包括:搭建功率级电路、Stateflow模式判断、PI控制器输出占空比映射(Buck模式D≈Vo/Vin,Boost模式D≈1-Vo/Vin),以及带死区的PWM信号分配。仿真验证了切换过程中

MHD0815的博客 118

isaaclab无法识别NVIDIA显卡,如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!    📌 特别说明: 文中部分技术问题来源于真实生产环境及网络公开案例,均经过精挑细选与系统化整理,并结合多位一线资深架构师和工程师多年实战经验沉淀,提

**My Coding Family** 1147

一文看懂SSL证书及其签发流程

本文讲解了SSL协议相关基础知识以及使用不同客户端签发SSL证书的示例,对于已有web服务的场景,推荐使用Certd创建流水线实现SSL证书的自动签发及续期,对于还没有web服务的场景,推荐使用Caddy自动搭建web服务及SSL证书签发。

专注IT技术。 2503

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Docker Compose:搭建本地多服务开发环境

从一个 Java API、PostgreSQL 和 Redis 开始,配置服务名、端口、环境变量、健康检查、数据卷和依赖关系。理解 Compose 文件如何被解析、项目如何隔离,以及哪些数据不能依赖“重建容器”保留,能够把个人开发环境整理成团队可复用的启动入口。

m0_62221377的博客 477

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

docker Harbor 单机部署手册

适用对象:只有一台服务器(或一台测试虚拟机),想把私有镜像仓库跑起来。环境约定:单台机器 192.168.28.100(CentOS 7),Docker CE 20.10.18 + docker compose v2 + Harbor v2.9.0(HTTP)。仓库地址 192.168.28.100,账号 admin / Harbor12345。预计耗时:装 Docker 10 分钟;装 Harbor 15 分钟 + 下载 750MB 安装包。

Whiteknight2026的博客 330

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

CentOS7搭建Kubernetes v1.28完整集群实战|cri‑dockerd适配Docker + Calico网络

K8s 1.24版本移除dockershim后,Docker无法直接作为容器运行时。本文完整记录CentOS7环境下1Master+2Node集群部署全过程,包含系统初始化、Docker与cri‑dockerd适配器安装、kubeadm初始化集群、Calico网络插件部署,最后通过Nginx NodePort服务验证集群可用性,所有命令可直接复制用于实验环境。

Adhjhfes的博客 160

云原生运维学习笔记:Docker 镜像定制、仓库管理与企业级底层技术剖析

本文系统梳理Docker镜像定制、仓库管理与底层技术。通过Dockerfile实现白盒化镜像构建,掌握RUN、CMD、ENTRYPOINT等核心指令及格式差异;基于私有仓库(Registry/Harbor)实现安全分发;深入剖析Namespace与Cgroups在资源隔离与限制中的作用,为生产环境排障与优化提供底层支撑。

2604_96593683的博客 404
上一篇: AI Agent从无到有58: 项目可观测性——用 LangSmith 实现全链路追踪
下一篇: AI Agent从无到有60:基于LangGraph构建监管者多智能体系统
Wang's Blog
博客等级 码龄12年 7438粉丝 2422原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值