<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[培根芝士的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/watson2017</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; watson2017]]></copyright><item><title><![CDATA[Claude Code 接入 DeepSeek-V4 教程]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/160657558</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/160657558</guid><author>watson2017</author><pubDate>Thu, 30 Apr 2026 13:23:16 +0800</pubDate><description><![CDATA[本文介绍Claude Code的安装配置流程：1) 安装Node.js 18+和Git（Windows）；2) 通过npm全局安装@anthropic-ai/claude-code；3) 配置DeepSeek API环境变量（需替换API Key）；4) 启动Claude Code或配置VSCode插件。重点包括Linux/macOS和Windows的环境变量设置方法，以及VSCode插件的settings.json配置项。完成配置后即可在终端或VSCode中使用Claude Code功能。]]></description><category></category></item><item><title><![CDATA[Qwen3-VL → OpenVINO IR INT4 转换指南]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/159213102</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/159213102</guid><author>watson2017</author><pubDate>Wed, 18 Mar 2026 20:20:05 +0800</pubDate><description><![CDATA[本文介绍了在OpenVINO环境下部署Qwen3-VL-4B-Instruct模型的完整流程。首先需要配置Python 3.11和特定版本的OpenVINO工具包（2026.1.0+），安装transformers 4.57.6及配套依赖，并通过源码安装optimum-intel。模型转换支持两种量化方式：基础INT4量化（速度快）和AWQ量化（精度更高），转换后生成包含text_embeddings、vision_embeddings等子模型的OpenVINO IR格式。最后提供了使用OVModelFor]]></description><category></category></item><item><title><![CDATA[GTE Chinese Embedding模型转换为Openvino IR模型]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/158381850</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/158381850</guid><author>watson2017</author><pubDate>Wed, 25 Feb 2026 10:52:12 +0800</pubDate><description><![CDATA[本文详细介绍了将HuggingFace格式的中文文本嵌入模型转换为OpenVINO IR格式的完整流程。通过PyTorch→ONNX→OpenVINO的三步转换路径，实现了模型体积从587MB降至196MB，CPU推理延迟从50-80ms优化到20-35ms。文档包含环境配置、转换代码、验证方法和部署方案，重点说明了动态轴配置、Tokenizer提取等关键步骤，并提供了完整的推理引擎实现和语义相似度搜索示例。该转换显著提升了模型在Intel硬件上的推理性能，便于跨平台部署。]]></description><category></category></item><item><title><![CDATA[Windows卸载重装Nvidia显卡驱动]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/158318491</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/158318491</guid><author>watson2017</author><pubDate>Mon, 23 Feb 2026 17:45:19 +0800</pubDate><description><![CDATA[针对显卡卡死问题，提供完整的驱动重装方案。首先判断是否为显卡问题（画面定格但声音可能正常），然后准备DDU工具和官方稳定版驱动。操作步骤包括：进入安全模式用DDU彻底卸载驱动，退出安全模式后安装新驱动（建议自定义安装并排除非必要组件）。最后进行稳定性设置：调整NVIDIA控制面板的电源模式、关闭垂直同步和浏览器硬件加速，建议使用降频测试。整个过程强调断网操作以防止系统自动安装驱动。]]></description><category></category></item><item><title><![CDATA[使用DeepFace进行图像人脸识别]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/158318427</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/158318427</guid><author>watson2017</author><pubDate>Mon, 23 Feb 2026 17:40:24 +0800</pubDate><description><![CDATA[DeepFace是一个轻量级Python人脸识别框架，提供人脸检测、识别、验证、属性分析和特征提取等功能。支持8种预训练模型（如Facenet512、ArcFace），准确率达99.6%以上，并具备GPU加速能力。核心API包括verify()（人脸验证）、find()（数据库匹配）、represent()（特征提取）等。安装简单，仅需pip install deepface，支持Python 3.7+和TensorFlow 2.0+。适用于身份认证、实时监控、用户画像等场景，提供多模型选择和距离度量方式，]]></description><category></category></item><item><title><![CDATA[基于Docker部署M3U8流媒体]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/157288820</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/157288820</guid><author>watson2017</author><pubDate>Fri, 23 Jan 2026 11:32:22 +0800</pubDate><description><![CDATA[摘要：本文介绍基于Docker+Nginx-RTMP+Nginx搭建24/7循环直播流方案。通过FFmpeg将MP4文件转换为HLS(M3U8)格式，使用Docker部署nginx-rtmp容器进行流媒体转发，配置宝塔Nginx实现HTTP/HTTPS播放。关键步骤包括：环境准备（Docker/FFmpeg安装）、容器启动与目录权限设置、FFmpeg循环推流命令、Nginx播放配置及前端嵌入方法。方案支持性能优化（如使用-c:v copy降低CPU占用），并提供完整的流媒体测试与播放验证方法。（149字）]]></description><category></category></item><item><title><![CDATA[把PP-OCRv5_server模型转换为OpenVINO格式]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/157288720</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/157288720</guid><author>watson2017</author><pubDate>Fri, 23 Jan 2026 11:26:02 +0800</pubDate><description><![CDATA[PP-OCRv5_server是百度飞桨推出的高精度OCR模型组合，包含文本检测（PP-OCRv5_server_det）和文本识别（PP-OCRv5_server_rec）两个模块，适用于服务器端部署。摘要介绍了从模型下载到转换部署的全流程：1）安装PaddlePaddle和OpenVINO工具包；2）从ModelScope下载模型；3）使用paddle2onnx将Paddle模型转为ONNX格式；4）通过OpenVINO工具将ONNX转换为IR格式（XML+BIN），支持动态输入尺寸和FP16压缩优化。]]></description><category></category></item><item><title><![CDATA[LMDeploy框架详解]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/157215447</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/157215447</guid><author>watson2017</author><pubDate>Wed, 21 Jan 2026 15:44:29 +0800</pubDate><description><![CDATA[LMDeploy是由上海AI Lab和OpenMMLab联合开发的开源大模型部署工具箱，提供从模型压缩到推理优化的全链路解决方案。其核心优势包括：1）高性能推理，吞吐量达vLLM的1.8倍；2）双引擎架构（TurboMind+C++/CUDA和PyTorch/Python）；3）支持多模态模型；4）先进的量化技术如AWQ、FP8等。主要功能涵盖模型转换、量化、分布式部署和服务接口支持，适用于生产环境与研究开发。通过持续批处理、动态算子优化等技术创新，显著提升大模型部署效率。]]></description><category></category></item><item><title><![CDATA[解决DBeaver对PostgresSQL备份数据库时报错]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/156359897</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/156359897</guid><author>watson2017</author><pubDate>Sun, 28 Dec 2025 13:02:51 +0800</pubDate><description><![CDATA[DBeaver备份PostgreSQL时报错，原因是pg_dump版本(15.3)与服务器版本(16.11)不匹配。解决方法：1)下载安装PostgreSQL16；2)在DBeaver驱动管理中设置本地客户端路径为PostgreSQL16的安装目录(如C:\ProgramFiles\PostgreSQL\16\bin)；3)修改数据库连接的本地客户端配置为PostgreSQL16。确保DBeaver使用正确版本的pg_dump.exe执行备份操作即可解决问题。]]></description><category></category></item><item><title><![CDATA[使用Scripting API获取CS2游戏数据]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/155609431</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/155609431</guid><author>watson2017</author><pubDate>Fri, 05 Dec 2025 14:41:23 +0800</pubDate><description><![CDATA[Scripting API文档（Scripting API - Valve Developer Community，主要针对 Counter-Strike 2 Workshop Tools 的 cs_script API）为开发者提供了强大的工具，用于创建自定义游戏模式、地图逻辑和事件处理。]]></description><category></category></item><item><title><![CDATA[基于docker部署vllm运行Qwen3模型]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/155490083</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/155490083</guid><author>watson2017</author><pubDate>Tue, 02 Dec 2025 11:47:36 +0800</pubDate><description><![CDATA[本文介绍了使用Docker部署vLLM推理服务的详细步骤，支持Qwen3系列模型。主要内容包括：1) 拉取vLLM Docker镜像；2) 提供了Qwen3-14B-AWQ和Qwen3-VL-8B-AWQ-INT4两种模型的启动命令，包含端口映射、显存控制等关键参数；3) 给出了对应的Python测试代码示例，展示如何通过OpenAI兼容API调用模型进行文本生成和视觉内容分析；4) 详细解释了各项运行参数的含义，如GPU使用、模型精度、上下文长度等配置项。该方案可实现高效的模型推理服务部署。]]></description><category></category></item><item><title><![CDATA[使用llm-compressor 对 Qwen3-14B 做 AWQ + INT4 量化]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/155488300</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/155488300</guid><author>watson2017</author><pubDate>Tue, 02 Dec 2025 11:20:39 +0800</pubDate><description><![CDATA[本文详细介绍了Qwen3-14B模型的AWQ+INT4量化流程。首先通过Conda创建Python3.10环境并安装PyTorch、vLLM等必要依赖。然后提供完整的量化脚本实现：加载原始模型和分词器，使用ultrachat_200k数据集校准，配置W4A16方案进行INT4量化，最后保存量化后的模型并测试生成效果。整个过程包括环境准备、GPU验证、量化参数配置、测试生成和模型保存等关键步骤，最终生成包含压缩权重的量化模型目录。]]></description><category></category></item><item><title><![CDATA[使用 OpenVINO 对 Qwen3-14B 模型进行 INT4 量化]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/155313868</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/155313868</guid><author>watson2017</author><pubDate>Thu, 27 Nov 2025 14:17:05 +0800</pubDate><description><![CDATA[摘要：本文介绍了使用Optimum-Intel工具对Qwen3-14B大模型进行INT4权重量化的方法。通过optimum-cli命令可实现4-bit量化（默认int4_asym），其中--ratio参数控制80%层使用INT4、其余用INT8，--group-size设为128以平衡精度与效率。量化后的模型可通过OpenVINO GenAI加载，支持CPU/GPU/NPU设备运行。示例展示了如何用Python调用量化模型进行文本生成，并验证INT4量化对LLM性能的影响。该方法有效减小模型体积，同时保持推]]></description><category></category></item><item><title><![CDATA[解决PyInstaller打包后ProcessPoolExecutor失效的问题]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/155313702</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/155313702</guid><author>watson2017</author><pubDate>Thu, 27 Nov 2025 14:13:35 +0800</pubDate><description><![CDATA[摘要：在Windows下使用PyInstaller打包的Python程序启动多进程时，子进程会重复执行主程序初始化逻辑。问题根源在于Windows的spawn机制会重新执行主程序入口代码。解决方案包括：1)在主程序入口调用multiprocessing.freeze_support()；2)显式设置启动方法为'spawn'。这些修改确保子进程能正确识别身份，跳过不必要的初始化，直接执行目标任务。]]></description><category></category></item><item><title><![CDATA[基于 OpenVINO GenAI 运行Qwen3-14B模型推理]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/154729995</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/154729995</guid><author>watson2017</author><pubDate>Wed, 12 Nov 2025 10:41:56 +0800</pubDate><description><![CDATA[摘要：英特尔OpenVINOGenAI是专为生成式AI开发优化的工具库，支持在CPU、GPU等英特尔硬件上高效部署多模态应用。本文详细介绍Qwen3-14B-INT4-OV模型的安装、量化和推理流程，包括设备兼容性检查、推理性能指标（如TTFT首token时间）的测量方法，以及如何通过流式生成计算token吞吐量。实验显示该工具能有效简化大语言模型在英特尔平台上的部署，并提供详细的性能分析功能。（148字）]]></description><category></category></item><item><title><![CDATA[OpenWebUI本地开发指南]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/154729076</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/154729076</guid><author>watson2017</author><pubDate>Wed, 12 Nov 2025 10:27:57 +0800</pubDate><description><![CDATA[本文介绍了Open WebUI项目的开发环境搭建与部署流程。首先需准备操作系统和开发环境（Python 3.11+、Node.js 22.10+），然后克隆代码仓库。前端部分需配置环境变量、安装依赖并启动开发服务，后端建议使用Conda隔离Python环境后启动服务。文章还提供了跨设备联调方法，包括局域网访问配置和CORS白名单设置。最后给出了Linux和Windows系统下的Docker镜像编译脚本，包含端口映射、数据卷挂载等配置参数，支持项目容器化部署。]]></description><category></category></item><item><title><![CDATA[将火山云TOS存储桶挂载到Linux服务器]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/154025862</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/154025862</guid><author>watson2017</author><pubDate>Tue, 28 Oct 2025 18:10:32 +0800</pubDate><description><![CDATA[摘要：本文介绍了使用Goofys和S3FS工具挂载TOS存储桶的详细步骤及注意事项。主要内容包括：1）安装Goofys/S3FS工具；2）配置密钥文件并执行挂载命令；3）验证挂载结果；4）常见问题排查方法。特别强调S3FS性能限制、多客户端协调问题，以及生产环境推荐使用API而非挂载方式。文中提供了完整的命令示例和关键参数说明，并指出TOS仅支持VirtualStyle访问方式。]]></description><category></category></item><item><title><![CDATA[使用Optimum-habana对LLM模型训练推理]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/152132767</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/152132767</guid><author>watson2017</author><pubDate>Fri, 26 Sep 2025 19:54:00 +0800</pubDate><description><![CDATA[摘要：optimum-habana是连接Transformers/Diffusers库与Intel Gaudi AI加速器(HPU)的接口工具，支持单卡和多卡环境下的模型训练与推理。它提供已验证支持的多种主流模型架构（如BERT、GPT、Llama等）及任务类型（文本生成、问答等）。文档详细介绍了Docker环境搭建、依赖安装方法，以及单卡/多卡训练、LoRA微调和模型推理的具体配置参数，特别是针对大语言模型(如Llama-2 70B)的分布式训练优化方案。]]></description><category></category></item><item><title><![CDATA[统计用户的N日留存]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/151992467</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/151992467</guid><author>watson2017</author><pubDate>Tue, 23 Sep 2025 10:50:54 +0800</pubDate><description><![CDATA[N日留存率是衡量用户留存的关键指标，计算公式为指定日期新增用户中在N天后仍活跃的用户占比。与&quot;最近N日活跃&quot;不同，N日留存聚焦特定同期群在精确时间点的留存表现。SQL示例通过三步骤实现7日留存计算：1)识别用户首访日期；2)记录用户活跃日期；3)关联数据计算留存率。该方法能准确评估新用户7天后的留存情况，反映产品粘性。（147字）]]></description><category></category></item><item><title><![CDATA[Llama-Factory微调 Qwen2.5-VL-3B 模型]]></title><link>https://blog.youkuaiyun.com/watson2017/article/details/150590108</link><guid>https://blog.youkuaiyun.com/watson2017/article/details/150590108</guid><author>watson2017</author><pubDate>Thu, 21 Aug 2025 19:57:01 +0800</pubDate><description><![CDATA[本文详细介绍了Qwen2.5-VL-3B多模态模型的LoRA微调全流程。首先说明硬件需求（3B模型约需8-12GB显存）和环境搭建步骤，包括创建虚拟环境、安装依赖项和下载模型。重点阐述了多模态数据集准备规范（JSON格式+图像目录）和数据集注册方法。推荐使用LoRA轻量级微调以降低显存需求，提供了命令行和WebUI两种训练方式及详细参数配置。最后介绍模型测试、导出方法和常见问题解决方案，特别强调数据质量、显存优化和模型兼容性等关键注意事项。]]></description><category></category></item></channel></rss>