书生大模型实战营第四期 L2G4000 InternVL 部署微调实践闯关任务

已于 2024-12-07 17:34:58 修改
阅读量1.3k 收藏 24
点赞数 38
文章标签： python 人工智能 机器学习 nlp
于 2024-12-07 00:26:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_30731313/article/details/144294014
版权

InternVL 部署微调实践闯关任务

文章目录

前言

  • 理解多模态大模型的常见设计模式，可以大概讲出多模态大模型的工作原理。
  • 了解InternVL2的设计模式，可以大概描述InternVL2的模型架构和训练流程。
  • 了解LMDeploy部署多模态大模型的核心代码，并运行提供的gradio代码，在UI界面体验与InternVL2的对话。
  • 了解XTuner，并利用给定数据集微调InternVL2-2B后，再次启动UI界面，体验模型美食鉴赏能力的变化。

一、多模态大模型的常见设计模式

多模态大模型通过处理和整合不同模态的数据（如图像、文本、语音等）实现跨模态的理解与生成。它们的核心设计模式主要分为 Q-Former（如 BLIP-2 系列） 和 ViT+MLP（如 LLaVA 系列） 两种。以下是这两种架构的工作原理及其特点的详细介绍：

1. BLIP-2 系列的 Q-Former

基本原理

BLIP-2（Bootstrapped Language-Image Pretraining）采用了一种名为 Q-Former（Query-Transformer） 的中间模块，作为视觉模态和语言模态的桥梁。其工作流程如下：

  1. 视觉特征提取：通过一个预训练的视觉编码器（如 ViT，Vision Transformer）提取图像的底层特征，这些特征可以看作是图像的多维嵌入表示。
  2. Q-Former 对接视觉特征：
    • Q-Former 是一个轻量级的 Transformer 模块，包含固定数量的 learnable queries（可学习查询向量）。
    • Q-Former通过 self-attention 和 cross-attention 机制，将 learnable queries 与视觉特征进行交互，从图像特征中提取与语言模态关联性更强的信息。
  3. 语言生成：
    • 经过 Q-Former 编码的模态对齐特征被传递到一个冻结的语言模型（如 GPT 或 LLaMA）。
    • 语言模型负责对齐模态特征后执行下游任务（如图像描述生成、跨模态问答等）。
特点
  • 高效性：通过轻量化的 Q-Former，BLIP-2 不需要对大型语言模型（LLM）进行微调，能高效地连接视觉和语言模态。
  • 灵活性：Q-Former模块作为一个中介层，可以适配不同的视觉编码器和语言模型。
  • 任务能力强：在图文生成、问答等任务上表现优异，尤其是在对图像与文本信息高度相关的场景中。

2. LLaVA 系列的 ViT + MLP

基本原理

LLaVA（Large Language and Vision Assistant）系列模型主要使用 ViT（Vision Transformer）+ MLP（多层感知机） 的设计，将视觉特征直接映射到语言模型可以理解的嵌入空间。工作流程如下：

  1. 视觉特征提取：
    • 使用 ViT 作为图像编码器，从图像中提取 patch 特征，将其表示为一组嵌入向量。
    • 这些向量捕捉了局部和全局的视觉模式。
  2. 特征映射：
    • 使用一个多层感知机（MLP）将视觉特征映射到与语言嵌入对齐的空间。
    • MLP 的作用是对视觉特征进行简单的非线性变换，使其与语言模型的输入维度匹配。
  3. 语言生成：
    • 映射后的视觉特征直接与语言模型（如 LLaMA 或 GPT）交互，作为语言模型的输入，结合已有的上下文信息生成跨模态的输出（如对图像的问答）。
特点
  • 简单直接：ViT + MLP 模块设计简单，易于实现且推理速度快。
  • 端到端训练：LLaVA 采用端到端的方式微调视觉特征提取模块和语言模型，更紧密地结合视觉和语言模态。
  • 成本较低：由于去除了 Q-Former 等中介层，整体架构较为轻量。
  • 适合交互：尤其适用于需要实时响应的对话类任务，如跨模态聊天和辅助。

两者的对比

特性BLIP-2（Q-Former）LLaVA（ViT + MLP）
模态对齐方法通过 Q-Former 的交互机制从视觉特征中提取语言相关信息通过 MLP 将视觉特征直接映射到语言嵌入空间
复杂性Q-Former 增加了模型复杂性简单直接，依赖 ViT 和 MLP
可扩展性模块化设计，适配性强端到端设计，需在特定任务上微调
推理效率较慢（需要额外计算 Q-Former 的 attention）快速（ViT + MLP 的计算开销较小）
表现任务图文描述、问答、图文生成图像相关对话、辅助工具

应用场景和选择

  1. BLIP-2 系列的 Q-Former 更适合复杂的跨模态任务，例如需要精确提取图像信息并生成与语言高度相关的描述时。
  2. LLaVA 系列的 ViT + MLP 则适用于对交互速度要求高的场景，例如实时跨模态对话或简单图像问答。

两种设计理念都在多模态学习中体现了独特的优越性，其选择主要取决于具体任务的复杂度和计算资源的限制。

二、InternVL2的设计模式

InternVL2 是一种多模态大模型，主要架构包括 ViT、Pixel Shuffle 和 MLP，并在训练过程中采用动态分辨率。以下是对其模型架构和训练流程的详细解读：

模型架构

  1. ViT（Vision Transformer）

    • InternVL2 使用了 ViT 作为主要的视觉编码器，用于提取图像的视觉特征。
    • ViT 将图像分割为 patch（图像块），并将每个 patch 转换为嵌入表示，输入 Transformer 模块以捕获全局信息。
    • 这种设计保留了图像的细粒度信息，非常适合多模态任务。

  2. Pixel Shuffle

    • 在 InternVL2 中，Pixel Shuffle 的作用是对视觉特征进行空间重构，提升特征的分辨率，从而在下游任务中捕获更细致的视觉细节。
    • Pixel Shuffle 可以在不显著增加计算开销的情况下提高视觉特征的解析度。

  3. MLP（多层感知机）

    • 用于对视觉特征进行进一步变换，映射到语言模型可以理解的嵌入空间。
    • MLP 模块在 InternVL2 的早期阶段单独训练，主要目的是为视觉模态与语言模态之间建立初步连接。

  4. 动态分辨率

    • 在训练过程中，InternVL2 支持动态分辨率，从低分辨率开始训练，逐渐过渡到高分辨率。
    • 动态分辨率的使用能够有效减少训练资源，同时保证模型在高分辨率任务上的性能。

  5. Text Encoder 的保留

    • 不同于 CLIP（丢弃了文本编码器，仅使用视觉编码器生成跨模态嵌入），InternVL2 保留了文本编码器，使得模型能够直接处理文本信息，而不依赖额外的嵌入生成步骤。
    • 保留文本编码器增强了模型对文本模态的处理能力，提高了跨模态对齐的精度。

训练流程

第一阶段：单独训练 MLP

  1. 数据

    • 使用高质量的视觉预训练数据，包括多种视觉任务（如视觉问答、检测、图像分割和 OCR）。
    • 数据来源广泛，涵盖公开数据集和人工标注数据。
    • 动态分辨率：输入图像从较低分辨率开始训练，逐步提升至高分辨率。

  2. 目标

    • 单独训练 MLP 模块，以确保视觉特征能够被有效地映射到语言模态。

  3. 训练模块

    • ViT：提取视觉特征。
    • MLP：对视觉特征进行转换。
第二阶段：联合训练 ViT、MLP 和 LLM

  1. 数据

    • 使用高质量的视觉-文本指令数据，涵盖视觉问答、图像描述生成、文本指令响应等任务。
    • 特别加入了多模态问答和手写 OCR 数据，进一步增强模型在特定任务上的表现。

  2. 目标

    • 优化整个模型的端到端性能，确保视觉模态与语言模态之间的无缝对接。

  3. 训练模块

    • ViT：作为视觉编码器，捕获图像全局信息。
    • MLP：将视觉特征映射到与语言模型对齐的嵌入空间。
    • LLM（大语言模型）：结合视觉特征和文本输入，执行跨模态生成和推理任务。

三、在UI界面体验与InternVL2的对话

新建虚拟环境并进入:

conda create --name xtuner-env python=3.10 -y
conda activate xtuner-env

"xtuner-env"为训练环境名，可以根据个人喜好设置，在本教程中后续提到训练环境均指"xtuner-env"环境。

安装与deepspeed集成的xtuner和相关包：

pip install -U 'xtuner[deepspeed]' timm==1.0.9
pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 --index-url https://download.pytorch.org/whl/cu121
pip install transformers==4.39.0

训练环境既为安装成功。
配置推理所需环境：

conda create -n lmdeploy1 python=3.10 -y
conda activate lmdeploy1
pip install lmdeploy gradio==4.44.1 timm==1.0.9

"lmdeploy"为推理使用环境名。

我们主要通过pipeline.chat 接口来构造多轮对话管线，核心代码为：

## 1.导入相关依赖包
from lmdeploy import pipeline, TurbomindEngineConfig, GenerationConfig
from lmdeploy.vl import load_image

## 2.使用你的模型初始化推理管线
model_path = "your_model_path"
pipe = pipeline(model_path,
                backend_config=TurbomindEngineConfig(session_len=8192))
                
## 3.读取图片（此处使用PIL读取也行）
image = load_image('your_image_path')

## 4.配置推理参数
gen_config = GenerationConfig(top_p=0.8, temperature=0.8)
## 5.利用 pipeline.chat 接口 进行对话，需传入生成参数
sess = pipe.chat(('describe this image', image), gen_config=gen_config)
print(sess.response.text)
## 6.之后的对话轮次需要传入之前的session，以告知模型历史上下文
sess = pipe.chat('What is the woman doing?', session=sess, gen_config=gen_config)
print(sess.response.text)

lmdeploy推理的核心代码如上注释所述。

我们可以使用UI界面先体验与InternVL对话：

拉取本教程的github仓库https://github.com/Control-derek/InternVL2-Tutorial.git：

git clone https://github.com/Control-derek/InternVL2-Tutorial.git
cd InternVL2-Tutorial

demo.py文件中，MODEL_PATH处传入InternVL2-2B的路径，如果使用的是InternStudio的开发机则无需修改，否则改为模型路径。

在这里插入图片描述
启动demo:

conda activate lmdeploy
python demo.py

上述命令请在vscode下运行，因为vscode自带端口转发，可以把部署在服务器上的网页服务转发到本地。
或者使用端口转发

ssh -CNg -L 1096:127.0.0.1:1096 root@ssh.intern-ai.org.cn -p <你的ssh端口号>

访问链接

http://127.0.0.1:1096

会看到如下界面：

点击Start Chat即可开始聊天，下方食物快捷栏可以快速输入图片，输入示例可以快速输入文字。输入完毕后，按enter键即可发送。

在这里插入图片描述

如果输入多张图，或者开多轮对话时报错：

在这里插入图片描述

可以参考github的issuehttps://github.com/InternLM/lmdeploy/issues/2101：

屏蔽报错的engine.py的126，127行，添加self._create_event_loop_task()后，即可解决上面报错。

四、微调InternVL2-2B

在InternStudio开发机的/root/xtuner路径下，即为开机自带的xtuner，先进入工作目录并激活训练环境：

cd root/xtuner
conda activate xtuner-env  # 或者是你自命名的训练环境

原始internvl的微调配置文件在路径./xtuner/configs/internvl/v2下，假设上面克隆的仓库在/root/InternVL2-Tutorial,复制配置文件到目标目录下：

cp /root/InternVL2-Tutorial/xtuner_config/internvl_v2_internlm2_2b_lora_finetune_food.py /root/xtuner/xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_lora_finetune_food.py

在第一部分的设置中，有如下参数：

  • path: 需要微调的模型路径，在InternStudio环境下，无需修改。
  • data_root: 数据集所在路径。
  • data_path: 训练数据文件路径。
  • image_folder: 训练图像根路径。
  • prompt_temple: 配置模型训练时使用的聊天模板、系统提示等。使用与模型对应的即可，此处无需修改。
  • max_length: 训练数据每一条最大token数。
  • batch_size: 训练批次大小，可以根据显存大小调整。
  • accumulative_counts: 梯度累积的步数，用于模拟较大的batch_size，在显存有限的情况下，提高训练稳定性。
  • dataloader_num_workers: 指定数据集加载时子进程的个数。
  • max_epochs:训练轮次。
  • optim_type:优化器类型。
  • lr: 学习率
  • betas: Adam优化器的beta1, beta2
  • weight_decay: 权重衰减，防止训练过拟合用
  • max_norm: 梯度裁剪时的梯度最大值
  • warmup_ratio: 预热比例，前多少的数据训练时，学习率将会逐步增加。
  • save_steps: 多少步存一次checkpoint
  • save_total_limit: 最多保存几个checkpoint，设为-1即无限制

在这里插入图片描述

LoRA相关参数：

在这里插入图片描述

  • r: 低秩矩阵的秩，决定了低秩矩阵的维度。
  • lora_alpha 缩放因子，用于调整低秩矩阵的权重。
  • lora_dropout dropout 概率，以防止过拟合。

如果想断点重训，可以在最下面传入参数：

在这里插入图片描述

把这里的load_from传入你想要载入的checkpoint，并设置resume=True即可断点重续。

我们采用的是FoodieQA数据集，这篇文章中了2024EMNLP的主会，其引用信息如下：

@article{li2024foodieqa,
  title={FoodieQA: A Multimodal Dataset for Fine-Grained Understanding of Chinese Food Culture},
  author={Li, Wenyan and Zhang, Xinyu and Li, Jiaang and Peng, Qiwei and Tang, Raphael and Zhou, Li and Zhang, Weijia and Hu, Guimin and Yuan, Yifei and S{\o}gaard, Anders and others},
  journal={arXiv preprint arXiv:2406.11030},
  year={2024}
}

FoodieQA 是一个专门为研究中国各地美食文化而设计的数据集。它包含了大量关于食物的图片和问题，帮助多模态大模型更好地理解不同地区的饮食习惯和文化特色。这个数据集的推出，让我们能够更深入地探索和理解食物背后的文化意义。

你数据集的路径：

在这里插入图片描述

有能力的同学，建议去huggingface下载此数据集：https://huggingface.co/datasets/lyan62/FoodieQA。该数据集为了防止网络爬虫污染测评效果，需要向提交申请后下载使用。

由于申请的与huggingface账号绑定，需要在命令行登录huggingface后直接在服务器上下载：

huggingface-cli login

然后在这里输入huggingface的具有read权限的token即可成功登录。

再使用命令行下载数据集：

huggingface-cli download --repo-type dataset --resume-download lyan62/FoodieQA --local-dir /root/huggingface/FoodieQA --local-dir-use-symlinks False

如果觉得上述过程麻烦，可以用浏览器下载后，再上传服务器即可😊

由于原始数据集格式不符合微调需要格式，需要处理方可使用，在InternVL2-Tutorial下，运行：

python process_food.py

即可把数据处理为XTuner所需格式。注意查看input_path和output_path变量与自己下载路径的区别

由于该数据集即需要登录huggingface的方法，又需要申请，下完还需要自己处理，因此我把处理后的文件放在开发机的/root/share/datasets/FoodieQA路径下了。

运行命令，开始微调：

xtuner train internvl_v2_internlm2_2b_lora_finetune_food --deepspeed deepspeed_zero2

看到有日志输出，即为启动成功：

在这里插入图片描述

如果报错如：keyerror或者Filenotfound之类的，可能是XTuner没识别到新写的配置文件，需要指定配置文件的完整路径：

xtuner train /root/xtuner/xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_lora_finetune_food.py --deepspeed deepspeed_zero2

把/root/xtuner/xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_lora_finetune_food.py换成自己配置文件的路径即可。

微调后，把模型checkpoint的格式转化为便于测试的格式：

python xtuner/configs/internvl/v1_5/convert_to_official.py xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_lora_finetune_food.py ./work_dirs/internvl_v2_internlm2_2b_lora_finetune_food/iter_640.pth ./work_dirs/internvl_v2_internlm2_2b_lora_finetune_food/lr35_ep10/

如果修改了超参数，iter_xxx.pth需要修改为对应的想要转的checkpoint。 ./work_dirs/internvl_v2_internlm2_2b_lora_finetune_food/lr35_ep10/为转换后的模型checkpoint保存的路径。

修改MODEL_PATH为刚刚转换后保存的模型路径：

在这里插入图片描述

就像在第2节中做的那样，启动网页应用：

cd /root/InternVL2-Tutorial
conda activate lmdeploy
python demo.py

部分case展示：
微调前无法识别大盘鸡：
在这里插入图片描述

微调后识别出大盘鸡：
在这里插入图片描述

k layc
关注
【书生大模型实战营（暑假场）】进阶任务四 InternVL 多模态模型部署微调实践
Tongcheng_98的博客
08-28 896
InternVL 是一种用于多模态任务的深度学习模型，旨在处理和理解多种类型的数据输入，如图像和文本。它结合了视觉和语言模型，能够执行复杂的跨模态任务，比如图文匹配、图像描述生成等。通过整合视觉特征和语言信息，InternVL 可以在多模态领域取得更好的表现InternVL的 vision模块是一个微调过的 ViT，LLM 模块是一个 InternLM 的模型。对于视觉模块来说，它的特殊之处在 Dynamic High Resolution 动态高分辨率。
书生大模型实战营第四期L2G4000（InternVL 多模态模型部署微调实践）
stinkypudding的博客
11-12 753
MLP。
书生大模型实战营L2G4000进阶岛
2301_79935516的博客
02-16 824
我们主要通过## 1.导入相关依赖包## 2.使用你的模型初始化推理管线## 3.读取图片（此处使用PIL读取也行）## 4.配置推理参数## 5.利用 pipeline.chat 接口 进行对话，需传入生成参数## 6.之后的对话轮次需要传入之前的session，以告知模型历史上下文。
书生实战营第四期-进阶岛第四关-InternVL 多模态模型部署微调实践
m0_75009117的博客
11-20 1368
多模态大语言模型（Multimodal Large Language Model）是指能够处理和融合多种不同类型数据（如文本、图像、音频、视频等）的大型人工智能模型。这些模型通常基于深度学习技术，能够理解和生成多种模态的数据，从而在各种复杂的应用场景中表现出强大的能力。
PixelShuffle方法
热门推荐
rocking_struggling的博客
04-12 2万+
原文链接：https://blog.youkuaiyun.com/u014636245/article/details/98071626 PixelShuffle是一种上采样方法，可以对缩小后的特征图进行有效的放大。可以替代插值或解卷积的方法实现upscale PixelShuffle PixelShuffle(像素重组)的主要功能是将低分辨的特征图，通过卷积和多通道间的重组得到高分辨率的特征图。这一方法最...
L2G4000书生大模型实战营第4期——3.4 InternVL 多模态模型部署微调实践
wuzipl的博客
12-01 1174
了解XTuner，并利用给定数据集微调InternVL2-2B后，再次启动UI界面，体验模型美食鉴赏能力的变化。
《书生大模型实战营第3期》进阶岛 第4关： InternVL 多模态模型部署微调实践
shiter编写程序的艺术
08-18 852
InternVL 是一种用于多模态任务的深度学习模型，旨在处理和理解多种类型的数据输入，如图像和文本。它结合了视觉和语言模型，能够执行复杂的跨模态任务，比如图文匹配、图像描述生成等。通过整合视觉特征和语言信息，InternVL 可以在多模态领域取得更好的表现。
【书生大模型实战】InternVL 微调实践闯关任务
cjy_colorful0806的博客
08-19 1186
InternVL 是一种用于多模态任务的深度学习模型，旨在处理和理解多种类型的数据输入，如图像和文本。它结合了视觉和语言模型，能够执行复杂的跨模态任务，比如图文匹配、图像描述生成等。通过整合视觉特征和语言信息，InternVL 可以在多模态领域取得更好的表现。对于InternVL这个模型来说，它vision模块就是一个微调过的ViT，llm模块是一个InternLM的模型。对于视觉模块来说，它的特殊之处在Dynamic High Resolution。
【书生实战营】- L2G4000 InternVL 多模态模型部署微调实践
ffffflk的博客
11-21 2267
InternVL多模态部署微调实践
书生大模型实战营L2G4000 - InternVL 部署微调实践
Ameliorating的博客
01-11 1042
我们主要通过接口来构造多轮对话管线，核心代码为：## 1.导入相关依赖包## 2.使用你的模型初始化推理管线## 3.读取图片（此处使用PIL读取也行）## 4.配置推理参数## 5.利用 pipeline.chat 接口 进行对话，需传入生成参数## 6.之后的对话轮次需要传入之前的session，以告知模型历史上下文lmdeploy推理的核心代码如上注释所述。
书生大模型实战营闯关记录----第九关：InternVL 多模态模型部署微调实践
Ace_bb的博客
08-25 949
我们选定的任务是让InternVL-2B生成文生图提示词，这个任务需要VLM对图片有格式化的描述并输出。让我们来一起完成一个用VLM模型进行冷笑话生成，让你的模型说出很逗的冷笑话吧。在这里，我们微调InterenVL使用xtuner。部署InternVL使用lmdeploy。
InternVL 部署微调实践-训练微调模型打造AI美食家
NoemPol的博客
12-30 881
InternVL部雪微调实践-训练微调模型打造AI美食家
书生浦语实训营第四期--进阶岛第三节 多模态大模型发展简述及其微调部署实践(InternVL2为例)
weixin_42353450的博客
12-24 651
我们主要通过## 1.导入相关依赖包## 2.使用你的模型初始化推理管线## 3.读取图片（此处使用PIL读取也行）## 4.配置推理参数## 5.利用 pipeline.chat 接口 进行对话，需传入生成参数## 6.之后的对话轮次需要传入之前的session，以告知模型历史上下文lmdeploy推理的核心代码如上注释所述。
PixelShuffle上采样原理讲解及程序实现
qq_44949041的博客
01-09 1万+
PixelShuffle(Sub-Pixel Convolutional Neural Network，像素重组）是一种经典的上采样Upsample方法, torch.nn.PixelShuffle()，可以对缩小后的特征图进行有效的放大操作在，最初在处理图像超分辨率的问题上提出，是目前最优秀的上采样方法。变化公式为：[H,W,C*r*r]->[H*r,W*r,C]
pip国内镜像源配置
最新发布
weixin_46161645的博客
05-28 283
简单的方式是使用命令配置。在pip安装命令后添加。
Python 实现桶排序详解
wamp0001的博客
05-27 374
时效率极高，但需权衡空间开销。适用于大规模数据、外部排序及特定场景（如浮点数排序）。实际应用中需结合数据特点调整分桶策略，以平衡时间与空间效率。O(n + k)，k为桶数量（若每个桶内用O(n²)排序，则为O(n + n²/k)），通过将数据分配到多个“桶”中，每个桶单独排序后再合并。O(n)（数据均匀分布，每个桶元素数量均衡）O(n + k)（需要额外存储桶和桶内数据）O(n²)（所有数据集中在一个桶内）- 数据范围未知或动态变化。- 外部排序（如大数据）是（若桶内排序稳定）高（合并需额外数组）
【大模型应用开发】Qwen2.5-VL-3B识别视频
fengye002fly的博客
05-25 1399
本文记录了作者在本地和云服务器上尝试运行Qwen2.5-VL视频识别模型的过程。从安装依赖包（qwen-vl-utils、modelscope、transformers、torchvision）开始，经历了多次环境配置错误和版本兼容问题。在本地遇到显存溢出问题后，转向云服务器尝试，但依然未能成功运行。过程中发现官方文档存在参数问题，尝试了多种解决方案（包括修改代码、使用量化模型、调整环境变量等）。虽然最终未实现视频识别功能，但成功完成了图片识别测试，积累了宝贵的环境配置经验。
【如何做好一份技术文档？】用Javadoc与PlantUML构建高质量技术文档（API文档自动化部署）
一个XR（AR|VR|MR）程序猿的博客（EQ-雪梨蛋花汤）
05-24 2643
在本指南中，我们将深入探讨如何使用Javadoc和PlantUML工具，围绕Java项目生成专业的类图、流程图与结构化的API文档，并整合成完整的开发流程与快速开始模板，帮助技术团队高效构建可持续维护的知识资产。
Ansible模块——Ansible配置文件!
tersky的专栏
05-28 666
Ansible配置文件解析与优先级 Ansible通过ansible.cfg文件进行配置，配置文件按以下优先级查找： ANSIBLE_CONFIG环境变量 当前目录下的ansible.cfg 用户家目录下的.ansible.cfg 系统默认的/etc/ansible/ansible.cfg 配置文件主要包含[defaults]、[privilege_escalation]等核心配置段，分别用于设置基础参数、提权控制等。常用配置选项包括inventory路径、远程用户、连接超时、并发数等。其中[privile
评论
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