2021-09-12

VbenAdmin在本地运行文档

VbenAdmin官方文档.

# 拉取代码
git clone https://github.com/anncwb/vue-vben-admin-doc

# 安装依赖
yarn

# 运行项目
yarn dev

在GitHub上安装和使用

vue-vben-admin.

# 获取项目代码
$ git clone https://github.com/anncwb/vue-vben-admin.git

#安装依赖
$ cd vue-vben-admin
$ yarn install

#run 运行
$ yran serve

#build 打包生成
$ yarn build

在使用yarn命令可能遇到的报错

【yran问题解决】使用yarn命令报错信息:error An unexpected error occurred: “https://registry.npmjs.org/vite/-/vite-2.3.8.tgz: getaddrinfo ENOTFOUND registry.npmjs.org”.
在进行中就一直显示网络不好正在重试…在这里插入图片描述
在GitHub上安装的也一样要删一下,不然你要等到天荒地老也等不到还没下完,亲身经历 哭死~
解决办法
在你的项目文件里面找到它:然后把yarn.lock文件删除后,重新运行yarn,就可以好好的啦~~

使用Vite创建项目及运行

Vite.
什么是Vite?
Vite (法语意为 “快速的”,发音 /vit/) 是一种新型前端构建工具,能够显著提升前端开发体验。它主要由两部分组成:

一个开发服务器,它基于 原生 ES 模块 提供了 丰富的内建功能,如速度快到惊人的 模块热更新(HMR)。

一套构建指令,它使用 Rollup 打包你的代码,并且它是预配置的,可输出用于生产环境的高度优化过的静态资源。

Vite 意在提供开箱即用的配置,同时它的 插件 API 和 JavaScript API 带来了高度的可扩展性,并有完整的类型支持。
可以理解为类似于webpack、Rollup 和 Parcel 等工具。

# 搭建第一个Vite项目
$ npm init vite@latest
# 或者使用Yarn
$ yarn create vite
# 名称
vben-text
# vue模板选项回车
$ vue
# 选取vue-ts模板回车
$ vue-ts

在这里插入图片描述然后按照操作即可!

还可以通过附加的命令行选项直接指定项目名称和你想要使用的模板。例如,要构建一个 Vite + Vue 项目,运行:

# npm 6.x
npm init vite@latest my-vue-app --template vue

# npm 7+, 需要额外的双横线:
npm init vite@latest my-vue-app -- --template vue

# yarn
yarn create vite my-vue-app --template vue

祝大家都能顺顺利利安装好、使用好、创建成功…啥都好。

### 使用 AutoGPTQ 库量化 Transformer 模型 为了使用 `AutoGPTQ` 对 Transformer 模型进行量化,可以遵循如下方法: 安装所需的依赖包是必要的操作。通过 pip 安装 `auto-gptq` 可以获取最新版本的库。 ```bash pip install auto-gptq ``` 加载预训练模型并应用 GPTQ (General-Purpose Tensor Quantization) 技术来减少模型大小和加速推理过程是一个常见的流程。下面展示了如何利用 `AutoGPTQForCausalLM` 类来进行这一工作[^1]。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer from auto_gptq import AutoGPTQForCausalLM model_name_or_path = "facebook/opt-350m" quantized_model_dir = "./quantized_model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) # 加载已经量化的模型或者创建一个新的量化器对象用于量化未压缩过的模型 gptq_model = AutoGPTQForCausalLM.from_pretrained(quantized_model_dir, model=model, tokenizer=tokenizer) ``` 对于那些希望进一步优化其部署环境中的模型性能的人来说,`AutoGPTQ` 提供了多种配置选项来自定义量化参数,比如位宽(bit-width),这有助于平衡精度损失与运行效率之间的关系。 #### 注意事项 当处理特定硬件平台上的部署时,建议查阅官方文档以获得最佳实践指导和支持信息。此外,在实际应用场景之前应该充分测试经过量化的模型以确保满足预期的质量标准。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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