- 博客(23)
- 收藏
- 关注
RSS订阅原创 Dify部署（RAG应用）
为了确保从官方仓库下载的软件包是真实的，我们需要添加Docker的官方GPG密钥。在安装Docker之前，我们需要安装一些必要的依赖包，以确保Docker正常运行。在安装新版Docker之前，建议先卸载旧版本，以确保系统的干净升级。你可以通过以下命令卸载旧版本。现在，我们已经配置好Docker的仓库，可以安装Docker引擎了。安装完成后，我们需要启动Docker服务，并将其设置为开机自启动。最后，我们可以运行一个简单的Docker命令来验证安装是否成功。接下来，我们需要设置Docker的稳定版仓库。
2025-10-20 10:10:24
267
原创 Docker使用
首先写一个Dockerfile，命名就是Dockerfile。# 使用 Python 3.10 slim 镜像作为基础镜像。将本机的目录挂载到容器目录以后，就可以在本机目录操作了。然后在Dockerfile文件所在目录构建镜像。# 设置默认命令，启动 Python 3.10。# 安装 Python 库 requests。# 设置容器内的工作目录。
2025-09-17 15:30:57
393
原创 conda环境导出
提供的打包工具，可以打包整个环境，包括其安装的依赖包。将环境的所有包文件也一并打包到移动硬盘里，可以使用。文件，其中包含了当前环境的所有依赖项和版本。压缩包，包含了整个环境和所有的依赖。命令将当前环境的配置导出为一个。首先，确保你激活了你要打包的。
2025-09-08 11:15:02
537
原创 TechGPT3部署
本文介绍了TechGPT-3.0-Qwen3模型的部署流程和使用方法。首先需要在Linux环境下通过git-lfs下载模型文件，配置学术加速后克隆代码库。文章提供了详细的模型加载代码，使用FastAPI构建了问答接口，支持prompt输入和历史对话记录。关键参数包括temperature=0.6、top_p=0.95等生成控制参数。最后演示了通过多线程启动服务并测试API调用的方法，包含一个新闻通稿生成的示例请求。整个过程涵盖了从环境配置到API调用的完整部署流程。
2025-07-24 23:10:23
350
原创 TechGPT2部署
本文介绍了如何在本地环境部署和运行TechGPT-2.0-Qwen1.5-7b模型。首先通过conda创建Python3.10环境并安装必要的依赖库，然后登录HuggingFace账户下载模型到本地。运行代码展示了完整的模型加载流程，包括tokenizer初始化、模型配置和生成参数设置。文章重点说明了Qwen模型的特殊提示语处理方式，并提供了一个示例提示"将标题扩写成摘要"。最后通过生成配置参数控制回复质量，输出结果前会打印模型回复。整个过程涵盖了从环境搭建到模型推理的完整技术实现方案。
2025-07-22 11:06:05
406
原创 从日本楼市崩盘看“六年魔咒”：当负债吞噬未来时
然而，这些流动性并未有效进入实体经济，而是堆积在资产市场，推高了房价和股市，形成“资产泡沫”。当经济增速下滑、投资回报率降低，每一笔新增投资的产出开始缩水，旧债尚未消化，新债又不断堆积，于是就形成了“被动加杠杆”。房地产作为家庭财富的核心资产，一旦价格下跌，房屋现值低于贷款余额，家庭即陷入“负资产”状态，净资产为负，陷入破产边缘。六年魔咒，不是神秘的周期律，而是资本收益率下滑后，经济自我修复机制失效的体现。人们追逐的是资产“暴富”的幻想，却忽略了泡沫背后的本质是生产效率的下滑与收入增长的停滞。
2025-07-14 14:11:49
719
原创 金银时代归来：王座的更替与价值的觉醒
从2015年开始的新一轮黄金牛市，不再是“避险”或者“泡沫”的副产品，而是全球货币体系重塑的产物。无论是布雷顿森林体系下的“黄金挂钩”，还是后来的“美债挂钩”，美元之所以能成为普世货币，依靠的是战后美式秩序的主导权和全球化的扩张势头。但真正的价值，从来不局限于“使用”。正如房间的价值来源于它的“空”，江海的伟大来自于它的“虚”，黄金白银正是承载着人类对信用与稳定的信仰，成为财富流动的永恒媒介。黄金的回归，不是暂时的避险，也不是资本无处可去时的权宜之计，而是一场从“信用泡沫”到“硬资产锚定”的结构性逆转。
2025-07-12 10:24:26
605
原创 黄金归来：撕下美元神话的一双手，正在浮现！
彼时的纸币，不过是一种便捷的载体，黄金仍是信用的核心。这不再是技术性问题，而是结构性危机：国家的还债能力已难以服众，国债的利率正悄然攀升，意味着市场对违约的担忧正在蔓延。美元时代的稳定币，比如 USDT，本质上是“数字美元”——它的信用来源是美元本身，以及美元背后的美债系统。当人们能够持有“随时可以兑付黄金”的数字资产，同时又拥有它的高效流通性，那美元赖以存在的“效率优势”便不复存在。而当黄金成为稳定币的新锚定物，它所提供的不是“政治信用”，而是“物理信用”：来自人类千年共识的那种天然权威。
2025-07-11 08:11:59
778
原创 25年国家电网报考数据
国家电网考试难度持续攀升：2025年报考人数暴增8万，岗位仅增1000个，难度年增17%。预计2028年考试难度将比2024年提升50-100%，山东地区上岸率或从4.77%骤降至2.5%。面对激烈竞争，建议考生避免孤注一掷，需合理规划备考策略。
2025-07-10 16:14:08
245
1
原创 简约之力：穿越金融迷雾的洞见与坚持
一个简单的数据比较让人清醒：2001年至今，黄金价格涨幅超1200%，而标普500指数涨幅约376%，连被誉为“股神”的巴菲特，也仅在此期间实现了917%的增长。在一个充满诱惑的世界中，“简约”和“简单”常常被误解为懒惰、无能，甚至是“看不懂”。东亚国家早已在微信、支付宝等体系中大规模使用类稳定币，并未激起过多讨论，反倒是美国的立法引起全球聚焦，这种“美优中劣”的思维惯性，需要警惕。在“技术型繁复”、“信息爆炸”的时代，真正值得信赖的，不是炒作概念的风口，也不是短期投机的激情，而是源于本质的洞察与坚守。
2025-07-08 18:36:51
352
原创 BGE模型加载与相似度计算
本文介绍了如何使用BGEM3FlagModel进行中文文本相似度计算。首先创建项目目录和虚拟环境，安装必要的Python依赖包。然后通过示例代码演示了加载预训练模型、编码文本向量以及计算相似度的完整流程。代码中特别处理了向量格式转换，并计算了句子对的语义相似度，输出格式化的结果。该流程适用于中文文本语义相似度分析任务。
2025-07-08 12:34:30
416
原创 Text2Vec语义相似度分析
摘要：本文介绍了使用text2vec库进行中文文本相似度分析的流程。首先通过Python虚拟环境安装text2vec和相关依赖，然后加载预训练的中文语义模型（shibing624/text2vec-base-chinese）。通过示例代码展示了如何计算句子对的余弦相似度，包括模型加载、句子编码和相似度计算等步骤。该方法可用于评估不同句子的语义相似程度，输出结果为0-1之间的相似度分数。文中提供了完整的安装命令和示例代码，方便开发者快速实现文本相似度分析功能。
2025-07-08 10:21:03
473
原创 OneKE：用于知识提取的双语大型语言模型(3分钟部署)
摘要：本文介绍了OneKE模型的安装配置与使用流程。首先创建Python3.10环境并激活，安装torch、transformers等依赖库。然后说明如何设置缓存路径，提供两种模型下载方式：标准加载和4-bit量化版本（使用BitsAndBytesConfig配置）。最后演示了命名实体识别任务的应用示例，包括系统提示设置、输入构造、模型推理和结果输出。量化配置采用了nf4量化类型、双重量化等技术，以优化模型在GPU上的运行效率。
2025-07-05 22:29:46
642
原创 ReBEL模型的本地部署与运行，用于三元组抽取任务（事件抽取、知识抽取）
安装 PyTorch（建议与 CUDA 11.7 配合）# 安装 Transformers 和基础工具包。
2025-07-01 17:11:49
522
原创 Text2Event事件抽取部署和使用（6分钟搞定）
本文介绍了使用Python和T5模型进行事件抽取的技术方案。重点展示了如何加载预训练的T5模型，实现英文句子切分和事件解析功能，其中核心抽取函数对每句文本调用模型生成事件分析结果。该方案可自动识别文本中的关键事件及其属性，并以结构化格式输出。代码示例展示了从输入文本到事件抽取的完整流程，包括模型加载、文本预处理、事件解析和结果展示等关键步骤。
2025-07-01 14:10:24
387
原创 通用信息抽取大模型PP-UIE 部署+运行使用
首次运行时，PaddleNLP 会自动从。5.运行python程序，验证安装成功。3.安装 PaddlePaddle。4.安装 PaddleNLP。模型，无需手动下载。
2025-06-29 12:20:26
1371
原创 OpenIE使用：抽取三元组
2.下载 Stanford CoreNLP（含 OpenIE）。最后的三元组储存在了result.txt中。4.写一个python脚本过滤输出结果。3.调用openIE。速度很快，质量很高。1.安装 Java。
2025-06-28 11:55:17
420
翻译 CLEVE论文阅读
本文翻译整理自 ACL 2021 论文《CLEVE: Contrastive Pre-training for Event Extraction via Learning Semantic and Structural Representations》，原文链接：https://aclanthology.org/2021.acl-long.53/（本译文仅供学术研究与学习使用，版权归原作者所有。如有任何不妥之处，欢迎联系删除。）事件抽取（Event Extraction, EE）通过微调预训练语言模型（PL
2025-06-28 00:42:13
173
1
原创 AMR解析器:CAMR的使用
1.28行左右的变量path_to_model改为'./bllip-parser/models'创建输入数据文件input.txt。执行以下文件得到input的预处理文件。需要修改camr-master/depparser.py代码的两个地方。2.在第二行插入# -*- coding: utf-8 -*-会缺少部分依赖，逐个安装即可。这里需要下载一个预处理模型。
2025-06-27 23:35:22
399
2
原创 llama.cpp部署Qwen2.5大模型（9分钟搞定）
本文介绍了在配备RTX4090显卡的Ubuntu22.04服务器上部署Qwen2.5-7B-Instruct大模型的过程。首先配置PyTorch2.1.0、Python3.10和CUDA12.1环境，通过镜像网站下载模型文件。接着安装并编译llama.cpp框架，解决依赖问题后启动模型服务。最后通过VSCode端口转发实现交互功能。整个过程涉及环境配置、模型下载、框架编译和端口转发等步骤，为本地部署大语言模型提供了完整指导方案。
2025-06-26 23:05:42
1109
原创 论文笔记【CLEVE：基于对比学习的事件抽取预训练】（大模型、知识抽取、对比学习）
而在泛化性方面，现有事件抽取模型普遍依赖于预定义的事件类型与schema，因此当面对未知的事件类型或新的语言结构时，模型难以泛化，表现明显下降。从实验结果来看，CLEVE 在多个主流事件抽取任务上都显著超越了现有的预训练方法，尤其是在数据较少或事件类型较为复杂的场景中更为突出。总的来看，这篇论文在理论上提出了将结构化语义（如AMR）与对比学习相结合用于事件抽取的全新思路，在实践中则为事件抽取领域提供了一个可扩展、具备强泛化能力的预训练框架，对于未来低资源场景下的信息抽取研究具有重要启发意义。
2025-05-09 10:08:55
434
1
原创 当美元再次站在历史拐点：白银将复刻50年前的财富传奇
但此后十年，黄金飙升14倍，白银疯涨18倍，无数提前布局的投资者见证了财富的几何级增长。更关键的是，白银的市值仅有黄金的1/15，这种微小的体量意味着当资金洪流涌入时，白银的波动性将远超黄金。美联储的资产负债表在2020年后以每月1200亿美元的速度扩张，美元购买力较2000年已蒸发43%，而白银与通货膨胀的120天相关系数高达0.78，这种关联性甚至超过黄金的0.65。当各国央行疯狂印钞时，贵金属总会成为最后的硬通货，但白银的特殊性在于，它既承载着千年货币的基因，又深嵌于现代工业革命的命脉。
2025-04-27 07:17:16
509
原创 PyTorch中，对张量使用x.sum()
从0开始数 “ [ ” 的位置，数到1，操作里面的内容：1.0 + 2.0 + 3.0 = 6.0， 4.0 + 5.0 + 6.0 = 15.0，结果为array([[ 6.],[15.]])。二维张量使用x.sum(0, keepdim=True)是对行求和。二维张量使用x.sum(1, keepdim=True)是对列求和。输出结果为array([[5., 7., 9.]])输出结果为array([[ 6.],[15.]])二维张量计算是很具象的。
2025-04-18 10:33:08
400
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人