windows使用vscode本地部署python环境

Python 入门教程(2)搭建环境 | 2.3、VSCode配置Python开发环境 Visual Studio Code(简称VSCode)以其强大的功能和灵活的扩展性,成为了许多开发者的首选。本文将详细介绍如何在VSCode中配置Python开发环境。 阅读详情

一、安装软件(windows)

1.软件下载

这里需要两个软件

Visual Studio Code:Download for Windows

python:Python 3.13.13 - April 7, 2026-版本下载

也可以选择其他python版本:选择左边的安装包

版本选择:
新手建议安装 Python 3.10+(稳定且兼容性强)

2.软件安装

vscode

点击最下角的“我同意此协(A)”然后点击右下角的“下一步(N)”

点击右侧的“浏览(R)”选择你自己要安装的位置,然后点击右下角的“下一步(N)”
注意:安装目录不能有中文!!!

修改windows开始菜单的名字,这里不建议修改,也可以不创建,然后点击右下角的“下一步(N)”

选择附加内容:

创建桌面快捷方式(D)

在你的电脑桌面上创建一个叫“Visual Studio Code”的快捷打开链接

将“通过Code打开”操作添加到Windows资源管理器文件上下文菜单

将“通过Code打开”操作添加到Windows资源管理器目录上下文菜单

以上这两个的意思是你在桌面或文件上右键增加一个关于vscode的一个打开方式,然后一些特定的文件可以直接用vscode打开

将Code注册为受支持的文件类型的编译器

添加到PATH(重启后有效)

这两个必须选择关乎到你个人的后续使用

你看没问题就可以直接点击右下角的“下一步(N)”

等待安装完成

点击“运行Visual Studio Code” 先不要打开vscode然后点击“完成(F)”

python

点击下方的“Use admin privileges when insralling py.exe”和“Add python.exe to PATH”如图所示点击成对勾,然后点击蓝色的“Customize installation”进行自定义安装

向图片一样选择“Documentation”、“pip”、“tcl/tk and IDLE”、“python test”、“py launcher”和“for all users (requires admin privileges)”点击成对勾,这些算是扩展吧,但是必须全部是对勾,然后点击“Next”进行下一步

这里首先下面“Customize install location”选择的是安装路径,这个可以自选(建议路径中不要带中文),选择好后点击Install

下面解释这些选项:

“Install Python 3.12 for all users”:为所有用户安装,效果与前面的py launcher for all users(requires admin privileges)一致

“Associate files with Python(requires the 'py' launcher)”:让系统自动将 Python 关联到特定的文件类型,使得在文件资源管理器中双击 Python 脚本文件时,系统会自动使用 Python 解释器来运行这些脚本

“Create shortcuts for installed applications”:创建桌面快捷方式

“Add Python to environment variables”:选择这个选项会将 Python 解释器的路径添加到系统的环境变量中,这样就可以在命令行中直接运行 Python 解释器而不需要输入完整的路径,本来就勾着的就不动了

“Precompile standard library”:对 Python 标准库进行预编译,以提高标准库模块的导入速度,听着很厉害但是对新手来说不重要,可以勾可以不勾

“Download debugging symbols”:给开发人员和调试人员用的调试符号

“Download debug binaries(requires VS 2017 or later)”:给开发人员和调试人员用的调试版本的二进制文件

特殊标注的信息来源于优快云博主sensen_kiss的文章的一部分,原文地址Python安装与环境配置全程详细教学(包含Windows版和Mac版)这也是一个特备好的文章,大家也可以看看

等待,等待,再等待

安装完成点击“Close”退出

二、vscode设置

1.汉化

现在打开vscode看是英文界面

点击键盘的“Ctrl+Shift+P”然后输入“locale”点击“Configure Display Luanguage”

点击简体中文

这个是需要重启的提示,重启之后才可以换成“Restart”进行重启,然后你就惊奇的发现vscode的界面是中文的了👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇

2.安装python的插件

点击键盘的“Ctrl+Shift+X”打开扩展列表,并在搜索栏搜“python”

安装一个名为Python的扩展,安装这一个以后就会自动安装其他需要扩展,等他安装,安装完才可以进行下一步,这步差不多需要1-3分钟

3.配置python的编译器

点击”ctrl+Shift+P“然后输入“python: Select Interpreter”修改python的编译器,如果这里没有就代表你的python插件还没有安装完

选择你python的版本,然后python就安装完了

测试python

print ('Hello, World!')

把这个代码复制到vscode里测试看看能不能运行

能这样输出就代表设置好了

2024年最新VSCode安装且配置Python编程环境(一分钟版) 1956年被认为是现代人工智能学科的诞生之年,因为在这一年,美国达特茅斯学院举办了一场研讨会,会上正式提出了“人工智能”这一术语,并开始了系统性的研究和探讨。而不是跟编程文件的同一目录下(这个逻辑跟我之前用的Spyder是不一样的)别人已经帮我们检验过啦,是他,就是他!这玩意安装比较无脑,如上图改一下位置就可以,我就不演示了。我的习惯是左边文件,所以它占用了 我不喜欢这个布局,改!我自己复制粘贴,发现是灰色,估计粘贴有格式问题。信任文件夹,点击,否则后面老是会弹出来。AI的发展真的会带来新的生产力的进步。 阅读详情

相关推荐

Visual Studio Code 配置 Python 开发环境教程

功能 推荐工具/设置代码提示 Pylance + Python 扩展代码格式化 autopep8 或 black代码检查 pylint 或 flake8调试配置 launch.json 集成终端调试虚拟环境管理 VSCode 自动检测或手动选择解释器。

hy_4377的博客 5434

VS Code配置使用 Python,超详细配置指南,看这一篇就够了

VS Code配置使用 Python,超详细配置指南,看这一篇就够了

Python单行客的博客 32万+

Windows本地部署Hermes Agent:基于WSL2的AI智能体框架搭建指南

智能体(Agent)作为AI技术的重要分支,通过结合大语言模型的推理能力与外部工具调用,实现了从被动对话到主动执行任务的跨越。其核心原理在于将自然语言指令解析为可执行的操作序列,并通过记忆机制维持任务上下文。这一架构赋予了AI系统解决复杂、多步骤实际问题的能力,在自动化办公、数据分析、智能客服等场景展现出巨大价值。本文聚焦于如何在Windows环境下,通过WSL2(Windows Subsystem for Linux 2)这一关键技术,实现Hermes Agent智能体框架的本地化部署,有效规避云端API

迷彩风情 385

Windows系统下Python环境搭建

本章节记录如何在本地搭建Python开发环境。

qq_42868680的博客 5674

Windows10下通过wheel快速部署TensorFlow2.13.0及GPU支持环境(避坑指南)

本文详细介绍了在Windows10系统下,通过wheel文件快速部署TensorFlow 2.13.0(CPU版)和2.10.0(GPU版)环境的完整避坑指南。内容涵盖虚拟环境创建、CUDA与cuDNN的精确配置、本地wheel安装加速,以及如何在VSCode中无缝集成与切换环境,旨在帮助开发者高效搭建稳定的深度学习开发环境。

efc123456的博客 1083

Win10下Odoo16开发环境搭建:Docker与本地部署双方案详解

企业级应用开发中,搭建稳定、可复现的开发环境是首要任务,尤其对于依赖复杂、组件繁多的开源ERP系统。其核心原理在于通过环境隔离与依赖管理,确保应用在不同系统上行为一致。Docker容器化技术通过将应用及其所有依赖打包成标准镜像,实现了环境的快速部署与隔离,极大提升了开发效率和团队协作的便利性。而本地原生部署则通过虚拟环境、包管理等手段,在宿主机上直接构建运行环境,便于深度调试和性能优化。这两种方案各有其技术价值:Docker方案强调环境一致性与快速启动,适合快速原型验证和团队协作;本地方案则提供更直接的资源

weixin_33603377的博客 344

阿里大模型Qwen2.5本地部署步骤

为了尝试一下Alibaba新开发的Qwen2.5大模型,本次的实验环境是Windows,为了测试它的开源能力。在这里详细记录一下运行过程以及踩的一些坑。

心安成长的码字书房 2277

论文理解【LLM-Clarification】—— 【QDrawer】Asking the Right Question at the Right Time: Human and Model Unce

本文基于 CoDraw 任务对 LLM 澄清提问的触发方式进行探索,发现模型内部不确定性与人类澄清决策相关性弱,使用不确定性阈值触发澄清提问相比模仿人类提问时机,性能和计算效率都更好

佚失的诗篇 772

Windows下小智AI本地环境部署

可以进行聊天、编写程序、播放歌曲等等的小智语音聊天小助手,在Windows环境下修改源代码。本篇文章主要讲解Windows下环境的搭建,WebSocket的修改。注:Python3.12.0、ESP-IDF5.3.2、开发板ESP32S3,环境安装以C盘为例。

qq_45171581的博客 5949

不止于修改器:用Cheat Engine(CE)的Lua脚本和D3D Hook打造你的游戏辅助界面

本文深入探讨了Cheat Engine(CE)的高级功能,包括Lua脚本自动化和D3D Hook技术,帮助用户从基础内存扫描升级到开发具有专业图形界面的游戏辅助工具。通过实战示例和优化策略,展示了如何创建高效、稳定的游戏辅助系统,并打包为独立训练器。

weixin_28700411的博客 316

Gromacs空蛋白模拟实战:从PDB文件到动力学轨迹的完整流程解析

本文详细解析了使用Gromacs进行空蛋白分子动力学模拟的完整实战流程。从PDB文件处理、力场选择与拓扑构建,到模拟盒子创建、溶剂化与电荷中和,再到能量最小化、NVT/NPT平衡及最终的生产模拟与基础分析,提供了每一步的命令详解和关键注意事项,旨在帮助计算生物学研究者系统掌握这一核心研究工具。

weixin_28454475的博客 281

Win10本地部署Claude Code与VSCode集成指南

AI编程助手正在改变开发者的工作流程,其中本地部署方案因其数据隐私保护和低延迟特性备受关注。以Claude Code为代表的本地化AI编程工具,通过机器学习模型实现智能代码补全和错误检测,其核心技术包括自然语言处理(NLP)和代码语义理解。在工程实践中,本地部署需要解决环境配置、依赖管理和性能优化等问题,特别是在Windows系统下存在更多兼容性挑战。本文以Win10+VSCode为典型环境,详细演示如何配置Python和Node.js基础环境,处理常见的端口冲突和API连接问题,并分享内存管理和模型缓存等

weixin_42546508的博客 179

IPMI的SOL (Serial Over LAN) 和 UART

UART全名是Universal Asynchronous Receiver/Transmitter(通用異步接收/发送器),它是一个常用的異步串行传输协议。透过UART传输前,接收方须要先知道传输方的鲍率(Baud rate):单位时间内,讯号状态变化的次数。例如 115200 bps,表示每秒会传送115200个bits--> 因此读取率就是 1/115200=8.6微秒读取一次讯号。封包内的资料长度:通常是 8bits。

yeiris的博客 1万+

在Windows系统上本地测试Qwen3模型:环境配置与内网穿透

本文介绍了如何在星图GPU平台上自动化部署🎨 Class Qwen3: 多模态对话视觉黑板报镜像,实现高效的多模态AI应用开发。该平台简化了部署流程,用户可快速搭建环境,利用该镜像的核心能力进行智能对话与视觉内容生成,例如快速创建图文并茂的演示材料或教育内容,显著提升创作效率。

weixin_42576410的博客 156

在统信UOS Server 20上踩坑记:手把手教你搞定openGauss 5.0.0企业版安装(附常见报错解决方案)

本文详细记录了在统信UOS Server 20上安装openGauss 5.0企业版的实战经验,包括环境准备、依赖库问题、目录权限、内存参数调优等常见问题的解决方案。通过伪装系统标识、建立软链接、调整内存参数等方法,成功克服国产操作系统与企业级数据库的兼容性挑战,为开发者提供了一份深度排雷指南。

weixin_28698059的博客 266

TMC5130/TMC5160步进电机驱动芯片深度解析与工程实践

步进电机驱动芯片是精密运动控制系统的物理执行核心,其性能直接决定定位精度、运行噪声与系统鲁棒性。基于电流闭环控制与电压前馈调制的混合驱动原理,现代智能驱动芯片如TMC51X0系列实现了微步插补、堵转检测和片上运动规划等关键技术突破。这类芯片通过SPI寄存器级配置实现StealthChop静音驱动与SpreadCycle高动态响应模式的无缝切换,在3D打印、CNC、机器人关节等场景中显著提升能效比与控制带宽。本文围绕TMC5130与TMC5160的硬件架构差异、寄存器操作时序、驱动模式物理机制及FreeRTO

weixin_35797963的博客 412

Windows系统本地开发环境搭建:调用云端BERT文本分割模型

本文介绍了如何在星图GPU平台上自动化部署BERT文本分割-中文-通用领域镜像,实现高效的文本处理。该平台简化了AI模型的部署流程,用户可快速调用该镜像,将长篇文章或用户评论按语义自动切分为连贯段落,显著提升内容分析与信息整理的效率。

weixin_28999139的博客 27

2023华为OD机试真题B卷 Python 实现【最长的元音子串长度】

定义当一个字符串只有元音字母(a,e,i,o,u,A,E,I,O,U)组成,称为元音字符串,现给定一个字符串,请找出其中最长的元音字符串,并返回其长度,如果找不到请返回0, 字符串中任意一个连续字符组成的子序列称为该字符串的子串

MISAYAONE的博客 904

VSCode Remote-SSH X11 转发:3步解决 Windows 本地显示 Ubuntu GUI 应用

本文详细介绍了如何通过VSCode的Remote-SSH扩展结合X11转发技术,在Windows本地显示Ubuntu服务器上的GUI应用程序。仅需三个关键步骤,包括本地X Server部署、SSH通道配置和VSCode集成,即可实现跨系统图形界面的无缝衔接。文章还提供了性能调优、故障排查和安全增强建议,帮助开发者高效解决远程开发中的图形显示问题。

dianyin7770的博客 564

手把手教您windows如何正确的开启局域网共享,如何解决“没权限、空密码访问等诸多问题”,含手动操作教程 + 傻瓜式一键设置工具(局域网共享+打印机管理),二选一总有一款能满足您!

😫 Windows共享总失败?别抓狂!这篇教程带你破解“空密码”访问的核心难题 🔑,四步搞定所有设置。文末还附赠“一键修复”神器 🚀,让文件共享丝滑如德芙!

XiaoqiangClub的博客 1459

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")

AI部署001 - C++环境部署与服务器使用

AI部署001 - C++环境部署与服务器使用

weixin_46676835的博客 1170

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

DeepSeek本地部署完整指南:从环境准备到接入VSCode与Codex

大语言模型(LLM)正成为软件工程与自动化工作流的核心基础设施,而本地部署则是实现数据隐私、离线推理与深度定制的重要途径。理解模型权重、推理框架与API服务之间的关系,是掌握本地AI应用的关键。Ollama作为一款极简的模型管理工具,通过封装下载、加载与推理流程,大幅降低了LLM的落地门槛。在Windows环境下,搭配WSL可获得接近Linux原生的稳定体验,支持CPU或GPU推理,并兼容OpenAI接口协议,使开发者可无缝接入VSCode、Codex及自定义Python脚本。本文梳理DeepSeek当前可

weixin_33850015的博客 467

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Windows11离线搭建Python开发环境实战指南

Python开发环境配置是软件开发的基础环节,其核心原理是通过解释器、包管理器和IDE的协同工作实现代码执行与调试。在金融、军工等特殊行业场景中,离线环境下的开发工具链部署具有重要技术价值。本文以Windows11为操作系统平台,详细解析如何通过Anaconda管理Python环境依赖,结合VSCode实现高效开发。方案重点解决离线安装中的版本兼容性验证、环境变量配置等工程实践问题,特别适用于企业内网、保密项目等无外网接入场景。通过预下载组件包和建立本地仓库的方式,可确保Anaconda与Python解释器

weixin_28826961的博客 188

Win11安装Claud Code配置流程

原文参考。

ltqdxl的博客 154

ESP-IDF v4.4 离线部署指南:Windows 10 下 3 步完成 VSCode 插件配置与网络问题规避

本文详细介绍了在Windows 10系统下离线部署ESP-IDF v4.4的完整流程,包括VSCode插件配置和网络问题规避方案。通过三步完成环境搭建,特别适合企业内网或网络受限场景下的ESP32开发,提供从工具链配置到项目实战的全方位指南。

weixin_33859231的博客 431

StructBERT零样本分类模型Windows本地开发环境搭建

本文介绍了如何在星图GPU平台上自动化部署StructBERT零样本分类-中文-base镜像,快速搭建AI文本分类环境。该平台简化了部署流程,用户可轻松利用此镜像进行零样本文本分类,例如对电商评论进行情感倾向或主题的自动化归类,无需预先训练模型。

weixin_31961675的博客 373
上一篇: 豆包本地部署-无需登录
gao_zijun
博客等级 码龄2年 6粉丝 4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
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