AI 助理
备案控制台

algorain_个人页

个人头像照片 algorain
个人头像照片
文章
8
问答
2
视频
0

个人介绍

暂无个人介绍

擅长的技术

  • 微服务
  • Java
获得更多能力
通用技术能力：

暂时未有相关通用技术能力~

云产品技术能力：

阿里云技能认证

详细说明
暂无更多信息

2023年08月

2023年07月

  • 07.17 23:09:36
    发表了文章 2023-07-17 23:09:36

    简易注册中心监控NAS断电断网

    日常使用NAS过程中，偶尔会出现家里断电或者断网的情况，NAS自带网络断开的通知功能，但需要是恢复网络链接后才会通知，而此时都恢复了，再通知也就没那么重要，还有断电情况下也是需要回家才能知道，断电保护可以使用UPS，当停电后UPS通过usb数据线会给NAS发送通知
  • 07.12 21:59:23
    发表了文章 2023-07-12 21:59:23

    阿里云Redis与Tair压力测评

    无意中发现阿里云开发社区的训练营活动，其中有一个7天玩转Redis、tair训练营计划，里面可以免费领取三个月的试用礼包，因为是参营任务，不领取都不行的那种，领取之后放着也是放着，不如跑跑数据看看Redis和Tair的性能有什么区别，简单的压力测试下，本次测试并不精确，也不具有太多参考意义，真的就是为了测试而测试。
  • 07.09 22:31:03
    回答了问题 2023-07-09 22:31:03

    在关系型数据库中，主键是什么意思？

    踩0 评论1
  • 07.09 20:21:55
    发表了文章 2023-07-09 20:21:55

    BFF网关模式开发指南

    BFF是近些年新衍生出来的一种开发模式，或者说是一种适配模式的系统，BFF全称为Backend OF Front意为后端的前端，为了适配微服务模式下前端后端系统接口调用混乱而出现的。在如今微服务盛行的趋势下，大型系统中划分出了数十个服务模块，例如商品，门店，运费，红包，订单，优惠券，CMS，用户，搜索，推荐，广告等等系统，前端也有小程序，APP，网页等端。由此产生了很多问题：
  • 07.07 10:41:07
    发表了文章 2023-07-07 10:41:07

    python解析考试题库数据

    应单位要求需要参加某个考试，但考试需要从手机端登陆学习，1000多道题需要挨个刷一遍太过于麻烦，萌生了把题目和答案全部扒下来的想法，再用python做数据的清洗和梳理，最后整合出来所有的考试题库信息。
  • 07.06 21:14:49
    发表了文章 2023-07-06 21:14:49

    面试题分析：统计网站访问次数

    平台的访问量非常高，需要实时统计网站的访问次数，请设计一个计数器解决： 初级工程师，可能回答使用synchronized锁或重入锁，进一步探讨，synchronized锁太重，有没其他方式，可能回答atomic类，进一步问，atomic类原理，什么场景下适合用，什么场景下不适合用 atomic和synchronized都是单机方案，当一个服务器不能满足性能要求时，线上使用集群，如何在集群场景下实现计数器
  • 发表了文章 2023-08-13

    consul安装启动流程

  • 发表了文章 2023-08-10

    通义千问开源模型免费部署使用

  • 发表了文章 2023-08-07

    梳理日常开发涉及的负载均衡

  • 发表了文章 2023-07-17

    简易注册中心监控NAS断电断网

  • 发表了文章 2023-07-12

    阿里云Redis与Tair压力测评

  • 发表了文章 2023-07-09

    BFF网关模式开发指南

  • 发表了文章 2023-07-07

    python解析考试题库数据

  • 发表了文章 2023-07-06

    面试题分析：统计网站访问次数

正在加载, 请稍后...
滑动查看更多
  • 回答了问题 2023-08-10

    如何训练属于自己的“通义千问”呢？

    首先可以参考modelScope社区给出的使用文档，已经足够全面 https://modelscope.cn/models/qwen/Qwen-7B-Chat/quickstart 但在按照文档中步骤部署时，还是有些错误问题发生，可以搜索参考的解决方式不多，所以记录下来 个人电脑部署 这里不太建议使用自己的笔记本部署通义千问模型，因为实在是太耗资源，我使用的M2芯片的MacBook Pro即使运行起来了，但模型回答一个问题都需要四五分钟的时间，内存全部占满，其他应用程序也都强制退出了。所以还是使用社区提供的免费资源，或者有更高配置的服务器来部署模型。而且期间还有各种问题，搜了很多github上的问答才解决，耗时耗力，这里就不记录了，很不推荐这种方式。 免费算力服务器 打开modelScope社区后，点击登录注册可以看到免费赠送算力的活动 注册完成后在对应模型里可以看到，随时都能启用的服务器 这里CPU环境的服务器勉强可以跑起来模型，但运行效果感人，而且配置过程中有各种问题需要修改，而GPU环境启动模型可以说是非常流畅，体验效果也很好 CPU环境启动 社区提供的服务器配置已经很高了，8核32G，但因为是纯CPU环境，启动过程中还是有些问题 安装依赖包 第一行命令不需要运行，服务器已经自带了modelscope包 只需要新建一个Terminal窗口来执行第二条命令 启动代码 直接运行文档提供的代码会报错，这里是因为纯CPU环境导致的 错误 1 RuntimeError: 'addmm_implcpu' not implemented for 'Half'Hide Error Details RuntimeError: 'addmm_impl_cpu_' not implemented for 'Half' --------------------------------------------------------------------------- RuntimeError Traceback (most recent call last) Cell In[1], line 8 5 model = AutoModelForCausalLM.from_pretrained('qwen/Qwen-7B-Chat', revision = 'v1.0.5',device_map='auto', trust_remote_code=True,fp16 = True).eval() 6 model.generation_config = GenerationConfig.from_pretrained('Qwen/Qwen-7B-Chat',revision = 'v1.0.5', trust_remote_code=True) # 可指定不同的生成长度、top_p等相关超参 ----> 8 response, history = model.chat(tokenizer, '你好', history=None) 9 print(response) 10 response, history = model.chat(tokenizer, '浙江的省会在哪里？', history=history) File ~/.cache/huggingface/modules/transformers_modules/Qwen-7B-Chat/modeling_qwen.py:1010, in QWenLMHeadModel.chat(self, tokenizer, query, history, system, append_history, stream, stop_words_ids, **kwargs) 1006 stop_words_ids.extend(get_stop_words_ids( 1007 self.generation_config.chat_format, tokenizer 1008 )) 1009 input_ids = torch.tensor([context_tokens]).to(self.device) -> 1010 outputs = self.generate( 1011 input_ids, 1012 stop_words_ids = stop_words_ids, 1013 return_dict_in_generate = False, 1014 **kwargs, 1015 ) 1017 response = decode_tokens( 1018 outputs[0], 1019 tokenizer, (...) 1024 errors='replace' 1025 ) 1027 if append_history: 错误 2 ValueError: The current device_map had weights offloaded to the disk. Please provide an offload_folder for them. Alternatively, make sure you have safetensors installed if the model you are using offers the weights in this format.Hide Error Details ValueError: The current `device_map` had weights offloaded to the disk. Please provide an `offload_folder` for them. Alternatively, make sure you have `safetensors` installed if the model you are using offers the weights in this format. --------------------------------------------------------------------------- ValueError Traceback (most recent call last) Cell In[2], line 5 2 from modelscope import GenerationConfig 4 tokenizer = AutoTokenizer.from_pretrained('qwen/Qwen-7B-Chat', revision = 'v1.0.5',trust_remote_code=True) ----> 5 model = AutoModelForCausalLM.from_pretrained('qwen/Qwen-7B-Chat', revision = 'v1.0.5',device_map='auto', trust_remote_code=True,fp16 = True).eval() 6 model.generation_config = GenerationConfig.from_pretrained('Qwen/Qwen-7B-Chat',revision = 'v1.0.5', trust_remote_code=True) # 可指定不同的生成长度、top_p等相关超参 7 model.float() File /opt/conda/lib/python3.8/site-packages/modelscope/utils/hf_util.py:98, in get_wrapped_class..ClassWrapper.from_pretrained(cls, pretrained_model_name_or_path, *model_args, **kwargs) 95 else: 96 model_dir = pretrained_model_name_or_path ---> 98 model = module_class.from_pretrained(model_dir, *model_args, 99 **kwargs) 100 model.model_dir = model_dir 101 return model 解决方式 首先确保torch 2.0.1版本，然后在代码中添加这两行，即可运行 model.float() offload_folder='offload_folder', from modelscope import AutoModelForCausalLM, AutoTokenizer from modelscope import GenerationConfig import datetime print('启动时间：' + str(datetime.datetime.now())) tokenizer = AutoTokenizer.from_pretrained('qwen/Qwen-7B-Chat', revision = 'v1.0.5',trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained('qwen/Qwen-7B-Chat', revision = 'v1.0.5',device_map='auto',offload_folder='offload_folder', trust_remote_code=True,fp16 = True).eval() model.generation_config = GenerationConfig.from_pretrained('Qwen/Qwen-7B-Chat',revision = 'v1.0.5', trust_remote_code=True) # 可指定不同的生成长度、top_p等相关超参 model.float() print('开始执行：' + str(datetime.datetime.now())) response, history = model.chat(tokenizer, '你好', history=None) print(response) print('第一个问题处理完毕：' + str(datetime.datetime.now())) response, history = model.chat(tokenizer, '浙江的省会在哪里？', history=history) print(response) print('第二个问题处理完毕：' + str(datetime.datetime.now())) response, history = model.chat(tokenizer, '它有什么好玩的景点', history=history) print(response) print('第三个问题处理完毕：' + str(datetime.datetime.now())) 运行起来之后速度实在感人，没回答一个问题都需要 5 分钟左右，还有一定概率直接启动失败 启动模型过程中会出现这种报错，点击OK重新执行就好了，可能是服务器负载太高
    踩0 评论0
  • 回答了问题 2023-07-09

    在关系型数据库中，主键是什么意思？

    在数据表中主键是指能够唯一标识表中每条记录的关键特征。主键的特点包括: 主键的值必须唯一，用于区分表中的不同记录每个表都必须有主键主键列不允许包含空值一张表中只能有一个主键 设置主键的目的是为了唯一标识表中的每条记录，以便于快速查询数据。选择合适的主键对于数据库的设计尤为重要，通常优先考虑业务含义较强的列作为主键，例如用户ID，学号等。但不建议使用uuid这样的字符串作为主键，因为要考虑主键的性能。
    踩0 评论1
正在加载, 请稍后...
滑动查看更多
正在加载, 请稍后...
暂无更多信息