Cucumber Garden 想起来多年前曾经种过一块地,面积倒是不大,大概5~6米见方的样子。春天翻地,施肥,兴致勃勃地种了很多不同的蔬菜,从左到右,从里到外有黄瓜,韭菜,空心菜,长生菜,圆生菜,甜菜,小西红柿,大西红柿,巨大西红柿等等好多种。 今天讲讲黄瓜,黄瓜也种了两种类型的吧,有一种是菜黄瓜,大概是这个样子的: 我记得实际结的果比上图这个还要短粗一些,皮也没这么绿,有一点点泛白。但是吃起来很脆的样子。 随着黄瓜苗渐渐长高,我就找来木棍搭了架子,人字形的一长条。每天看着它爬呀爬,等待挂果吃黄瓜。 夏天到了,花也开了不少,花落了后坐出一个个小黄瓜纽。这个时候特别需要水分,我就每天下午给他们浇水。很快黄瓜就长大了,有几个看起来已经大到可以吃了。第一次摘下来吃的时候特别开心。 这个时候,黄瓜的叶子上面开始有虫子了,看不到是多大的虫子,不少黄瓜叶子中心开始有洞洞,越来越多,洞洞也越来越大,后面接的黄瓜也长不好了,最后只吃了一茬。 开心的往事,黄瓜园,博客的名字由来。
Installing Vmware Workstation Pro on Fedora Linux
系统环境 操作步骤 打开下载地址,选取需要的版本,例如17.6.2,下载core里面的归档包; 提取bundle文件,添加可执行权限; 用root权限执行bundle文件,等待VMware被安装到系统中; 打开Workstation,同意许可协议; 选择是否每次启动检查更新; 选择是否加入用户体验改进计划; 安装完成。
How to Governance Data Using GAI
使用AI辅助数据治理 传统的数据治理工具,构建在计算引擎和元数据服务之上,进行数据建模、数据抽取、加工、开放等操作,为应用提供数据。 AI大语言模型引入后,需要引入一个中间层,将治理工具/服务的知识进行沉淀,才能将数据的知识充分抽象,从而提供给模型进行辅助治理工作。 增加的层主要负责如下工作: 主动元数据的分析和生成; 语言知识层的知识抽象和沉淀(借助LLM和传统AI模型或者统计学算法); 通过元数据以及语义知识层的知识,协同提供给LLM进行辅助数据治理工作。 AI辅助数据应用(治理/服务)工作方向是: 数据特征的识别及推荐; 数据标签的识别及推荐; 数据关系的识别及推荐; 数据标准的识别及推荐; 数据质量的识别及标记; 各类数据映射的自动生成; 各类数据加工逻辑代码/SQL的生成; 智能问数; … …。 这些AI功能理论上能较大提升治理的效率。具体能提升多少,需要看业务复杂程度以及模型的能力,需要在实际场景中进行测量。 想起一个事情,之前某产品,规划的一个需求是基于AI辅助提效的能力。原始主要想解决的是通过特征识别、关系识别,结合人工确认进行自动化辅助建模,从而提升建模的效率,和上述思路比较接近。而该需求最终被研发实现成了按照数据源表结构自动生成ETL语句,虽然最终活是交差了,但离原始目标差别还挺大的,并没有积累相关能力。 现在大模型门槛很低了,如下图Deepseek API的价格。我们可以通过开源的工具和开放的AI服务来进行上述思路的验证。
Disable Kvm Kernel Extension
Disable kvm kernel extension 查看加载情况 lsmod | grep kvm 卸载 sudo rmmod kvm_intel sudo rmmod kvm sudo modprobe vboxdrv 也可以开机启动脚本来卸载,避免每次重启都要操作。 例如在etc/default/grub中,启动时禁用也是可以的: kvm.enable_virt_at_load=0 vim /etc/default/grub GRUB_TIMEOUT=5 GRUB_DISTRIBUTOR="$(sed 's, release .*$,,g' /etc/system-release)" GRUB_DEFAULT=saved GRUB_DISABLE_SUBMENU=true GRUB_TERMINAL_OUTPUT="console" GRUB_CMDLINE_LINUX="rd.driver.blacklist=nouveau modprobe.blacklist=nouveau rhgb quiet rd.driver.blacklist=nouveau modprobe.blacklist=nouveau kvm.enable_virt_at_load=0" GRUB_DISABLE_RECOVERY="true" GRUB_ENABLE_BLSCFG=true sudo grub2-mkconfig -o /boot/grub2/grub.cfg /* 在fedora中可用,其他发行版大多为sudo grub-mkconfig -o /boot/grub/grub.cfg */
安装 Pytorch 环境
1、准备 1.1、查看驱动 推荐550版本,如下图,切换驱动版本(当前是525,对CUDA版本支持有点低),同时查了下,官网的最新包是550.67,但是安装的时候提示一个错误,还是使用550.54。 查看下当前内核支持的驱动,如下图: 可以看到,CUDA版本已经支持到最新的12.4了。 查看了下开源的nouvean已经没被加载了,所以不需要禁用。 lsmod | grep nou #无输出 然后到Pytorch官网看下,最新版本是2.2.1,CUDA可以支持到12.1。 1.2、下载 CUDA官网,看了下,12.1版本已经有更新1了,下载的CUDA Tools 12.1.1版本。 wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run 再去下载个加速库cuDNN,也是去官网找下,最新的9.0.0。上个版本是8.9.7,本着稳定的考虑,下个8.9.7 for CUDA 12.x的版本。 2、安装CUDA和cuDNN 2.1、安装CUDA Tools sudo sh ./cuda_12.1.1_530.30.02_linux.run 装的时候不需要选驱动,CUDA包中的驱动比较老。然后继续,安装完毕。 设置环境变量: vi ~/.profile #添加 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64 export PATH=$PATH:/usr/local/cuda/bin export CUDA_HOME=$CUDA_HOME:/usr/local/cuda . .profile 查看安装结果: 2.2、安装cuDNN sudo cp /var/cudnn-local-repo-ubuntu2204-8.9.7.29/cudnn-local-08A7D361-keyring.gpg /usr/share/keyrings/ sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64_12.x.deb (Reading database ... 349826 files and directories currently installed.) Preparing to unpack cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64_12.x.deb ... Unpacking cudnn-local-repo-ubuntu2204-8.9.7.29 (1.0-1) over (1.0-1) ....
我在这里开第一个页面!
简介 我在这里的第一个页面,准备放龙哥说编程以及AI模型相关的内容呀。