- 博客(35)
- 收藏
- 关注
RSS订阅原创 WSL 的 Ubuntu 子系统中启用图形化界面
在 Windows 系统上，需要安装一个 X 服务器来处理 WSL 中 Ubuntu 的图形显示。如果一切配置正确，会弹出一个时钟窗口，这表明 WSL 的 Ubuntu 图形化界面已经成功启用。包为例，它包含了一些简单的图形化测试程序。安装完成后，可以运行一个简单的图形化程序来测试是否能正常显示图形界面。环境变量，让 Ubuntu 知道将图形输出发送到哪里。为了让每次启动 Ubuntu 时都自动设置该环境变量，可以将上述命令添加到。打开 WSL 的 Ubuntu 终端，设置。例如，使用以下命令将其添加到。
2025-05-07 09:49:37
1791
原创 windows通过wsl安装ubuntu20.04
wsl --install -d D:\ # 这将尝试安装默认的Linux发行版到D盘，但通常需要指定发行版名称。wsl --set-default-version 2 # 将WSL版本设置为2（可选，但不是必须的）wsl --install -d Ubuntu -r D:\ # 这将尝试安装Ubuntu到D盘。
2025-05-06 19:26:18
581
原创 ragflow安装
配置完成后，在windows PowerShell命令窗口中进入ragflow文件夹，输入docker compose -f docker/docker-compose.yml up -d命令，利用docker加载该项目。图 windows PowerShell界面。，进入ragflow登录界面，如下图所示。在浏览器地址栏中输入。
2025-03-21 10:36:27
511
原创 【无标题】
wsl_update_x64ubuntu18.04wsl --updatewsl --shutdownsudo apt update && sudo apt upgrade -ysudo apt install ubuntu-desktop
2024-08-14 21:14:55
159
原创 jupyter notebook
cmd pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple
2024-07-31 10:02:50
208
原创 大模型平台
主要包括：Ollama，LM Studio，Ray Serve，GPT4ALL，vLLM，HuggingFace TGI，OpenLLM，LMDeploy, FastChat, LangChain。其中最方便的人人都可以部署的三种傻瓜方式包括Ollama，GPT4ALL和LM Studio，都支持window，MAC和linux操作系统，搜索官网直接下载安装应用即可。主要包括：llama.cpp，koboldcpp，PowerInfer，chatglm.cpp，qwen.cpp。目前主要是C或C++语言。
2024-07-13 20:02:53
695
1
原创 安装hyper-V
pushd "%~dp0"dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txtfor /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages\%%i"del hyper-v.txtDism /online /enable-feature /fe
2024-07-13 08:51:26
210
原创 docker安装open-webui
docker run -d -p 3000:8080 --gpus=all -v ollama:/root/.ollama -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:ollama
2024-07-12 16:21:43
1038
原创 windows安装docker
https://downloads.digitaltrends.com/docker-desktop/windowshttps://wslstorestorage.blob.core.windows.net/wslblob/wsl_update_x64.msi
2024-07-12 15:20:05
468
原创 利用ollama实现本地大模型RAG智能回答
配置HuggingFaceEmbeddings嵌入模型，这里我们用BAAI/bge-small-zh-v1.5。response = query_engine.query("今天星期几")# 配置ollama的LLM模型，这里我们用gemma:7b。# 将data文件夹下的文档建立索引。# 创建问答引擎，并提一个简单的问题。
2024-07-05 17:47:05
821
原创 gemma-2b大模型微调
bnb_4bit_quant_type="nf4", # 指定用于量化的数据类型。bnb_4bit_compute_dtype=torch.bfloat16 # 用于线性层计算的数据类型。output_dir="./outputs/gemma-new", # 微调后模型的输出路径。task_type="CAUSAL_LM", # 因果语言模型。model_id = "gemma-2b" # 模型的本地路径。load_in_4bit=True, # 启用4位加载。r=8, # LoRA中的秩。
2024-07-05 15:38:46
519
原创 python txt转excel转csv，增加标题栏
header = ['w1', 'w2'] # 根据实际列数和列名修改。# 读取txt文件，以空格作为分隔符。# 将数据写入Excel文件。# 将数据保存为CSV文件。
2024-07-05 09:49:03
246
原创 whl网址
https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/Simple Index https://download.pytorch.org/whl
2024-04-26 19:49:33
686
原创 python 分类文件存档
print('音频：%s 的预测结果标签为：%d' % (path, label))assert len(wav_output) >= 8000, "有效音频小于0.5s"# 要预测的音频文件。
2024-04-25 18:41:28
454
原创 python魔搭
print('生成结果' + result[OutputKeys.TEXT])print('输入文本:' + input + '\n')input = '以关键词“xx”写一副春联'
2024-04-23 19:35:45
251
原创 【无标题python bit】
response, history = model.chat(tokenizer, "晚上睡不着应该怎么办", history=history)response, history = model.chat(tokenizer, "你好", history=[])
2024-04-23 18:47:54
166
原创 python文件改名
file_extension = 'wav' # 声音文件的扩展名，例如：'wav', 'mp3'等。# 为文件分配编号并复制到新的文件夹。# 获取文件夹内的所有声音文件。
2024-04-19 15:20:20
361
原创 python charm
model_path = "E:\p2\chatglm3-6b\ZhipuAI" #替换为您下载的ChatGLM3-6B 模型目录。#prompt = CHATGLM_V3_PROMPT_FORMAT.format(prompt="您是谁？# 载入ChatGLM3-6B模型并实现INT4量化。text=input("请输入：")# 请指定chatglm3-6b的本地路径。# 制作ChatGLM3格式提示词。# 执行推理计算，生成Tokens。# 对生成Tokens解码并显示。# 载入tokenizer。
2024-04-18 22:00:59
356
原创 python socket服务端
result = client.read_holding_registers(0, 2, unit=1) # unit参数指定从站地址，如果只有一个从站可以省略此参数。client.write_register(0, 1234, unit=1) # unit参数指定从站地址，如果只有一个从站可以省略此参数。client = ModbusTcpClient('127.0.0.1', port=502) # 连接到本地地址，端口默认为502。# 读取保持寄存器的值，例如从地址0开始读取2个寄存器。
2024-04-16 18:31:50
482
原创 python串口通信
ser = serial.Serial('COM3', 9600, timeout=1) # 选择串口号（如COM3），波特率（如9600），超时时间（如1秒）ser.write(b'Hello, World!') # 发送字节串。data = ser.readline() # 读取一行数据。
2024-04-16 17:39:02
650
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人