25 search results for "Ubuntu"

介绍 Docker容器已成为软件开发和部署快速发展的必不可少的工具，提供了一种轻量级和高效的方式来打包、分发和运行应用程序。本文深入探讨了在各种类别中排名前20的Docker容器，展示了它们的特点、用途和对简化开发工作流程的贡献。 Web服务器和内容管理 Web服务器 Nginx Nginx是一种多用途的Web服务器和反向代理，以其出色的性能和可扩展性而倍受赞誉。其轻量级结构和对并发连接的灵活管理使其成为开发人员追求高效率的首选。显著特点包括强大的负载均衡能力、高效处理静态内容和先进的安全功能。其应用范围涵盖各种功能，从为静态网站提供服务到为微服务实现负载平衡，以及作为应用服务器的反向代理。 Apache HTTP服务器 Apache HTTP服务器是Web服务器领域的先驱者，仍然是提供动态内容的可靠选择。以其模块化设计和广泛的可配置性而闻名，轻松适应各种应用。其主要特点包括全面的模块支持、出色的可配置性和强大的社区支持。其多功能应用领域包括托管动态网站、运行PHP应用程序和作为各种基于Web的应用程序的后端服务器。 Traefik 另一个Docker容器是Traefik。Traefik是一个面向微服务架构而专门定制的现代反向代理和负载均衡器。其吸引力在于动态配置和自动服务发现，使其成为容器化环境的理想选择。其关键特点包括自动服务发现、与容器编排工具的无缝集成以及支持Let’s Encrypt，实现自动配置SSL/TLS证书。其应用领域包括负载均衡微服务、根据指定规则进行流量路由，以及通过自动管理SSL/TLS证书实现安全通信，是现代基础架构设置中的重要工具。 内容管理系统 WordPress WordPress是一种主流的内容管理系统，支撑着互联网的大部分内容。将WordPress容器化可以简化部署，为内容管理需求提供可扩展和隔离的环境。其庞大的插件生态系统、用户友好的界面和强大的社区支持是其关键特点。其多功能跨越从促进博客和内容创作到构建企业网站和监督在线社区，为各种与web相关的努力提供了一种灵活的解决方案。 数据库和数据存储 关系型数据库 MySQL MySQL是一种广泛使用的开源关系型数据库，以其速度和可靠性备受赞誉。将MySQL容器化可以简化跨不同应用程序管理和配置数据库。其主要特点包括ACID兼容性、强大的复制和集群支持以及高性能能力。其应用范围从作为Web应用程序的后端存储到管理电子商务平台的数据存储和支持内容管理系统，展示了其适应不同领域不同存储需求的灵活性。 PostgreSQL PostgreSQL是一种强大的开源关系型数据库，以其可扩展性和严格遵循标准而受到赞誉。将PostgreSQL容器化提供了一个便携和可复制的数据库环境，实现了部署的灵活性。其关键特点包括通过自定义函数和运算符实现可扩展性、确保数据可靠性的ACID兼容性以及强大的复杂查询支持。其应用领域包括支持地理信息系统（GIS）、支持数据仓库需求以及满足金融应用程序的复杂性，展示了其在需要严格的数据处理和查询能力的各种领域的适应性。 MariaDB MariaDB源自MySQL系列，注重高性能和可靠性。容器化MariaDB可确保在开发和生产阶段间的统一环境，提高部署的一致性。值得注意的特点包括与MySQL的无缝兼容性、高性能存储引擎以及来自活跃社区的强大支持。其应用包括作为Web应用程序的事务性数据库、支持数据分析和报告需求，并驱动内容管理系统，展示了其在可靠和可扩展数据库解决方案方面的多功能性，适用于各种领域。 Microsoft…

在这篇文章中，我们将探讨如何缓存Github ActionsGithub Actions是来自Github的一个平台，可以自动化工作流程，通常用于CI/CD（持续集成/持续交付）…

在本文中，我们将讨论一个名为“Streamlit”的服务它非常适合我们的需求即使是Python的初学者，我也能够使用它来制作和分享自己的AI聊天应用程序我将指导…

在本文的第一部分中，我测试了“复古”版本的YOLO（You Only Look Once），这是一个流行的目标检测库可以使用只有OpenCV而不使用深度学习模型来运行

.centered { display: block; margin: 0 auto; } figure { text-align: center; display: table; max-width: 85%; /* 示例; 如果可以，请设置一些数量（px或%） */ margin: 10px auto; /* 除非要居中，否则不需要…

介绍：使用英特尔软件优化 CPU 上的 AI 效率 正如我们在之前的博客文章中详细介绍的那样，英特尔 Xeon CPU 提供了一组专为 AI 工作负载设计的特性，例如 AVX512 或 VNNI（矢量神经网络指令），用于使用整数量化神经网络进行高效推断，以及额外的系统工具，以确保以最高效的方式完成工作。在本博客文章中，我们将重点介绍软件优化，并让您了解英特尔的新一代 Ice Lake Xeon CPU 的性能。我们的目标是为您提供软件方面的全部信息，以充分利用您的英特尔硬件。与之前的博客文章一样，我们将展示基准测试结果和图表，以及新的工具，使所有这些参数和特性易于使用。 今年四月，英特尔推出了最新一代英特尔 Xeon 处理器，代号 Ice Lake，针对更高效和高性能的 AI…

Transformer模型在各种机器学习任务上都表现出极高的效率，如自然语言处理、音频处理和计算机视觉。然而，这些大型模型的预测速度可能使它们在对话应用或搜索等对延迟敏感的用例中变得不切实际。此外，优化它们在实际环境中的性能需要相当多的时间、精力和技能，这是许多公司和组织所无法达到的。 幸运的是，Hugging Face推出了Optimum，这是一个开源库，可以大大简化在各种硬件平台上降低Transformer模型预测延迟的过程。在本博文中，您将了解如何为Graphcore智能处理单元（IPU）加速Transformer模型，Graphcore IPU是一个专为AI工作负载从头设计的高度灵活、易于使用的并行处理器。 Optimum遇见Graphcore IPU 通过Graphcore和Hugging Face之间的合作，我们现在推出了第一个针对IPU进行优化的BERT模型。在接下来的几个月中，我们将推出更多这样的IPU优化模型，涵盖视觉、语音、翻译和文本生成等各个应用领域。 Graphcore的工程师们使用Hugging Face transformers实现并优化了BERT，帮助开发人员轻松训练、微调和加速他们的最先进模型。 开始使用IPUs和Optimum 让我们以BERT作为例子，帮助您开始使用Optimum和IPUs。 在本指南中，我们将使用Graphcloud中的IPU-POD16系统，Graphcloud是Graphcore的基于云的机器学习平台，并按照《Graphcloud入门》中的PyTorch设置说明进行操作。 Graphcore的Poplar SDK已经安装在Graphcloud服务器上。如果您有其他设置，请在《IPU的PyTorch用户指南》中找到适用于您系统的指令。 设置Poplar SDK环境 您需要运行以下命令来设置几个环境变量，以启用Graphcore工具和Poplar库。在运行Poplar SDK版本2.3的最新系统上，您可以在文件夹/opt/gc/poplar_sdk-ubuntu_18_04-2.3.0+774-b47c577c2a/中找到它们。 为了使用PyTorch，您需要同时运行Poplar和PopART（Poplar Advanced Runtime）的enable脚本： $ cd…

Wav2Vec2是一种流行的预训练模型，用于语音识别。该模型由Meta AI Research于2020年9月发布，其创新的架构推动了自监督预训练在语音识别方面的进展，例如Ng等人，2021年，Chen等人，2021年，Hsu等人，2021年和Babu等人，2021年。在Hugging Face Hub上，Wav2Vec2最受欢迎的预训练检查点当前每月下载量超过250,000次。 使用连续时间分类（CTC），预训练的类似Wav2Vec2的检查点非常容易在下游语音识别任务上进行微调。简而言之，微调预训练的Wav2Vec2检查点的工作原理如下： 在预训练的检查点之上堆叠一个随机初始化的线性层，并训练它将原始音频输入分类为一系列字母。它通过以下方式实现： 从原始音频中提取音频表示（使用CNN层）， 使用一堆transformer层处理音频表示的序列，和 将处理后的音频表示分类为一系列输出字母。 以前的音频分类模型需要额外的语言模型（LM）和字典，以将分类的音频帧序列转换为连贯的转录。Wav2Vec2的架构基于transformer层，因此每个处理后的音频表示都能从其他所有音频表示中获取上下文。此外，Wav2Vec2利用CTC算法进行微调，解决了“输入音频长度”与“输出文本长度”比例不同的对齐问题。 由于具有上下文化的音频分类和没有对齐问题，Wav2Vec2不需要外部语言模型或字典就能产生可接受的音频转录。 正如官方论文的附录C所示，Wav2Vec2在LibriSpeech上表现出色，而无需使用语言模型。然而，从附录中也可以清楚地看出，结合语言模型使用Wav2Vec2可以显著提高性能，特别是当模型仅在10分钟的转录音频上进行训练时。 直到最近，🤗 Transformers库没有提供一个简单的用户界面来使用经过微调的Wav2Vec2和语言模型解码音频文件。这个情况幸运地发生了改变。🤗 Transformers现在提供了与Kensho Technologies的pyctcdecode库的简单集成。本博客文章是一篇逐步的技术指南，解释了如何使用🤗 Datasets和🤗 Transformers创建一个n-gram语言模型，并将其与现有的经过微调的Wav2Vec2检查点结合使用。 我们首先进行以下步骤： 使用语言模型解码音频与不使用语言模型解码音频有何不同？ 如何获取适合语言模型的数据？ 如何使用KenLM构建n-gram模型？ 如何将n-gram模型与经过微调的Wav2Vec2检查点结合使用？ 如果想深入了解Wav2Vec2的工作原理（不是本博客文章所必需的），建议阅读以下资料：…