高性能CPU的矢量运算指令集 vs. NPU的AI Core1. 相同点• 并行计算能力：均通过并行化（SIMD/SIMT）加速计算，适合处理规则数据（如矩阵/向量运算）。• 支持AI任务：均可用于AI推理（如CPU的AVX-512跑轻量模型，AI Core跑复杂模型）。2. 核心差异特性CPU矢量指令集（如AVX-512、Neon）NPU的AI Core设计目标通用计算（兼顾标量、分支等）专用AI计算（聚焦神经网络）计算单元少量宽矢量单元（如512-bit SIMD）大规模专用计算阵列（如矩阵乘法单元）能效比较低（需兼顾通用性，功耗高）极高（硬件固化，无冗余逻辑）指令灵活性高（支持复杂控制流）低（固定流水线，仅支持AI算子）典型场景科学计算、多媒体处理、轻量AI推理高吞吐AI推理/训练（如Transformer）内存访问依赖通用缓存层次（延迟敏感）专用高带宽内存（HBM）优化数据流3. 本质区别• CPU矢量指令集：• 优势：灵活性高，适合混合任务（如游戏物理引擎、视频编码）。• 瓶颈：并行度有限，能效比低，AI性能受限于内存带宽和通用架构。• AI Core：• 优势：为AI定制的计算架构（如脉动阵列、稀疏计算），算力密度和能效比碾压CPU。• 瓶颈：仅能处理特定AI算子（如Conv/GEMM），无法执行通用代码。4. 典型案例• CPU矢量指令：Intel AVX-512跑ResNet-50（性能≈10 TOPS，功耗>100W）。• AI Core：华为昇腾910的AI Core（性能≈256 TOPS，功耗≈60W）。总结：CPU矢量指令是“多功能瑞士军刀”，AI Core是“AI专用电锯”——后者在特定场景下效率碾压前者，但通用性几乎为零。

高性能CPU的矢量运算指令集 vs. NPU的AI Core1. 相同点• 并行计算能力：均通过并行化（SIMD/SIMT）加速计算，适合处理规则数据（如矩阵/向量运算）。• 支持AI任务：均可用于AI推理（如CPU的AVX-512跑轻量模型，AI Core跑复杂模型）。2. 核心差异特性CPU矢量指令集（如AVX-512、Neon）NPU的AI Core设计目标通用计算（兼顾标量、分支等）专用AI计算（聚焦神经网络）计算单元少量宽矢量单元（如512-bit SIMD）大规模专用计算阵列（如矩阵乘法单元）能效比较低（需兼顾通用性，功耗高）极高（硬件固化，无冗余逻辑）指令灵活性高（支持复杂控制流）低（固定流水线，仅支持AI算子）典型场景科学计算、多媒体处理、轻量AI推理高吞吐AI推理/训练（如Transformer）内存访问依赖通用缓存层次（延迟敏感）专用高带宽内存（HBM）优化数据流3. 本质区别• CPU矢量指令集：• 优势：灵活性高，适合混合任务（如游戏物理引擎、视频编码）。• 瓶颈：并行度有限，能效比低，AI性能受限于内存带宽和通用架构。• AI Core：• 优势：为AI定制的计算架构（如脉动阵列、稀疏计算），算力密度和能效比碾压CPU。• 瓶颈：仅能处理特定AI算子（如Conv/GEMM），无法执行通用代码。4. 典型案例• CPU矢量指令：Intel AVX-512跑ResNet-50（性能≈10 TOPS，功耗>100W）。• AI Core：华为昇腾910的AI Core（性能≈256 TOPS，功耗≈60W）。总结：CPU矢量指令是“多功能瑞士军刀”，AI Core是“AI专用电锯”——后者在特定场景下效率碾压前者，但通用性几乎为零。

AI Core（人工智能计算核心）• 功能：NPU的核心计算单元，专门优化神经网络运算（如矩阵乘法、卷积）。• 特点：◦ 高并行计算能力，支持低精度（INT8/FP16）加速。◦ 能效比高，适合移动端和边缘设备的AI推理。• 应用：图像处理、语音识别、自动驾驶等实时AI任务。HBM（高带宽存储器）• 功能：为NPU提供超高带宽的内存，解决传统内存的“带宽墙”问题。• 特点：◦ 3D堆叠技术，带宽可达TB/s级（远超GDDR/DDR）。◦ 低延迟、低功耗，与AI Core紧密集成。• 应用：大模型推理、高性能计算（HPC）等需要高速数据吞吐的场景。AI Core负责计算，HBM负责高速数据供给，二者结合显著提升NPU的AI性能。典型用例：手机NPU（如华为麒麟）搭配HBM实现高效AI处理；云端AI芯片（如NVIDIA H100）依赖HBM加速大模型训练。总之，AI Core是NPU的“大脑”，HBM是“超快记忆”，共同实现高效AI计算。

Qwen2.5-Omni正式发布了！这是Qwen系列中全新的旗舰级端到端多模态大模型，专为全面的多模式感知设计，无缝处理包括文本、图像、音频和视频在内的各种输入，同时支持流式的文本生成和自然语音合成输出2025.03.26: QWen发布了 Qwen2.5-Omni这个模型特别好！但是占用显存太多，实测最少要上32GB的GPU才能运行，官方示例已经支持多卡GPU推理接下来跟着我实战部署吧：首先准备一台V100 GPU服务器：本次使用Ubuntu22.04 nvidia-smi +---------------------------------------------------------------------------------------+| NVIDIA-SMI 535.161.08 Driver Version: 535.161.08 CUDA Version: 12.2 ||-----------------------------------------+----------------------+----------------------+| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. || | | MIG M. ||=========================================+======================+======================|| 0 Tesla V100-PCIE-32GB On | 00000000:00:0D.0 Off | 0 || N/A 37C P0 28W / 250W | 0MiB / 32768MiB | 0% Default || | | N/A |+-----------------------------------------+----------------------+----------------------+ +---------------------------------------------------------------------------------------+| Processes: || GPU GI CI PID Type Process name GPU Memory || ID ID Usage ||=======================================================================================|| No running processes found |+---------------------------------------------------------------------------------------+首先安装docker，然后安装nvidia-docker2也可以参考官方教程：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html# 添加 NVIDIA 包仓库distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \ && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \ && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list# 更新包列表并安装 NVIDIA Container Toolkitsudo apt updatesudo apt install -y nvidia-docker2# 重启 Docker 服务sudo systemctl restart docker然后使用docker先拉取镜像：docker pull qwenllm/qwen-omni:2.5-cu121 使用docker images查看镜像大小：docker imagesREPOSITORY TAG IMAGE ID CREATED SIZEqwenllm/qwen-omni 2.5-cu121 5dcb9c8d9ff6 9 hours ago 23.7GB镜像占用的空间还是挺大的。需要耗费较长时间。使用下面命令运行：docker run --gpus all --ipc=host --network=host --rm --name qwen2.5-omni -it qwenllm/qwen-omni:2.5-cu121 bash注意：如果没有装nvidia-docker2会提示下面信息：docker: Error response from daemon: could not select device driver "" with capabilities: [[gpu]]Run 'docker run --help' for more informationdocker部署后，会进入默认目录/data/shared/Qwen首先我们要使用hf-mirror镜像源方式：1. 安装依赖pip install -U huggingface_hub2. 设置环境变量Linuxexport HF_ENDPOINT=https://hf-mirror.com默认目录下有web_demo.py文件我们修改一下配置：1.修改为0.0.0.0parser.add_argument('--server-name', type=str, default='0.0.0.0', help='Demo server name.')2.修改分享链接为True parser.add_argument('--share', action='store_true', default=True, help='Create a publicly shareable link for the interface.')3.修改精度为torch.float16 这里V100不支持torch.bfloat16，就算使用，实际上没什么作用（此处不会报错） # Check if flash-attn2 flag is enabled and load model accordingly if args.flash_attn2: model = Qwen2_5OmniModel.from_pretrained(args.checkpoint_path, torch_dtype=torch.float16, attn_implementation='flash_attention_2', device_map=device_map) else: model = Qwen2_5OmniModel.from_pretrained(args.checkpoint_path, torch_dtype=torch.float16, device_map=device_map)4.导入模块torchimport torch然后使用命令启动：python web_demo.py然后发现有以下信息：Could not create share link. Missing file: /usr/local/lib/python3.10/dist-packages/gradio/frpc_linux_amd64_v0.3. Please check your internet connection. This can happen if your antivirus software blocks the download of this file. You can install manually by following these steps: 1. Download this file: https://cdn-media.huggingface.co/frpc-gradio-0.3/frpc_linux_amd642. Rename the downloaded file to: frpc_linux_amd64_v0.33. Move the file to this location: /usr/local/lib/python3.10/dist-packages/gradio我们按照步骤完成即可再次运行python web_demo.py我们再浏览器输入链接就可以体验Qwen2.5-OmniGPU占用情况：还挺有趣的！！！选择Offine下面可以提交视频，音频，还有图片：我体验官方项目中的视频，然后会出现下面报错：torch.OutOfMemoryError: CUDA out of memory.说明显存还是太小了，估计要A100 GPU/多卡推理我们提交Qwen2.5-Omni的图标，问问她：发送成功：后台日志：GPU占用情况生成的结果：点击播放即可。感觉Qwen2.5-Omni真强大！！！

目前大部分厂商还没有推进新模型，不过在官网可以试用：在网页对话中不开启深度思考（R1），就可以体验DeepSeek-V3-0324发现回复多了一些表情符号（emoji）。DeepSeek-V3 模型更新，各项能力全面进阶DeepSeek V3 模型已完成小版本升级，目前版本号 DeepSeek-V3-0324，用户登录官方网页、APP、小程序进入对话界面后，关闭深度思考即可体验。API 接口和使用方式保持不变。如非复杂推理任务，建议使用新版本 V3 模型，即刻享受速度更加流畅、效果全面提升的对话体验。模型能力提升一览​推理任务表现提高​新版 V3 模型借鉴 DeepSeek-R1 模型训练过程中所使用的强化学习技术，大幅提高了在推理类任务上的表现水平，在数学、代码类相关评测集上取得了超过 GPT-4.5 的得分成绩。 前端开发能力增强​在 HTML 等代码前端任务上，新版 V3 模型生成的代码可用性更高，视觉效果也更加美观、富有设计感。​中文写作升级在中文写作任务方面，新版 V3 模型基于 R1 的写作水平进行了进一步优化，同时特别提升了中长篇文本创作的内容质量。中文搜索能力优化​新版 V3 模型可以在联网搜索场景下，对于报告生成类指令输出内容更为详实准确、排版更加清晰美观的结果。此外，新版 V3 模型在工具调用、角色扮演、问答闲聊等方面也得到了一定幅度的能力提升。模型开源​DeepSeek-V3-0324 与之前的 DeepSeek-V3 使用同样的 base 模型，仅改进了后训练方法。私有化部署时只需要更新 checkpoint 和 tokenizer_config.json（tool calls 相关变动）。模型参数约 660B，开源版本上下文长度为 128K（网页端、App 和 API 提供 64K 上下文）。V3-0324 模型权重下载请参考：Model Scope: https://modelscope.cn/models/deepseek-ai/DeepSeek-V3-0324Huggingface: https://huggingface.co/deepseek-ai/DeepSeek-V3-0324与 DeepSeek-R1 保持一致，此次我们的开源仓库（包括模型权重）统一采用 MIT License，并允许用户利用模型输出、通过模型蒸馏等方式训练其他模型。

新功能上线DeepSeek-R1/V3支持按Token计费，您可前往贵阳一：模型推理-预置服务开通商用服务。华为云已经上线商用服务。现在要去领取新的免费额度了点击免费服务，然后领取：商用服务需要开通：点击开通即可。注意：免费服务：仅适合用于体验模型，且受严格的速率限制。平台可能会不定时调整其适用模型、免费额度、有效期等内容。商用服务：将为您提供商用级别的推理API服务，开放后您可以获取付费API服务。实测免费服务速度一般。

"同事小李上周被老板骂了，就因为他花了3天整理报表数据。而我喝着咖啡刷着剧，5分钟就生成精准报表——别误会，我不是黑客，只是把公司数据库调教成了会说话的AI管家！"一、为什么要跪着看这篇教程？在这个人均ChatGPT的时代，你还靠人肉查数据？今天要搞的这套"智能知识库系统"有多逆天：老板说"我要上周华东区热销单品"，直接生成SQL报表运营妹子问"用户复购率top3品类"，秒出可视化图表新人查资料不用翻wiki，直接对话调取知识库重点来了！整套方案零！成！本！华为云免费主机 + 200万token大模型 + 开箱即用的神器AntSK = 打工人の摸鱼神器二、华为云的正确薅法（手把手教学）Step1：领取你的免费赛博打工人浏览器输入：cid:link_1进入我的云主机黑科技说明书：华为云开发者空间就像个24小时待命的数字员工宿舍，我们即将在这里部署：学霸级AI大脑：DeepSeek-R1（32B参数大佬）知识库管家：AntSK（微软Semantic Kernel加持）三、保姆级部署指南（含避坑大全）▍Stage1：给你的云主机装外挂在终端输入这段魔法咒语：bash复制sudo apt-get install git -y # 别问，问就是装个时光机避坑TIP：如果遇到"Permission denied"，请深情朗诵三遍："sudo大法好，权限保平安"▍Stage2：召唤AntSK神器复制粘贴这段代码，你将获得价值百万的开源项目：bash复制git clone https://github.com/AIDotNet/AntSK.git接下来我们需要安装一下dotnet8环境,此处省略。sudo dotnet cleansudo dotnet buildsudo dotnet publish "AntSK.csproj"cd /antsk/AntSK/src/AntSK/bin/Release/net8.0/publish/sudo AntSK.dll安装好以后，我们启动项目然后我们访问127.0.0.1:5000/user/login然后我们需要申请一下ModelArts Studio的模型 https://console.huaweicloud.com/modelarts/?region=cn-east-4&locale=zh-cn#/model-studio/square 进入ModelArts Studio单个模型可以免费使用200W Token这里我选择的是 DeepSeek-R1-Distill-Qwen-32B-4K选择好以后，需要创建一个Api Key然后我们就可以直接使用这个模型进入模型配置页面我们还需要一个向量模型，这里使用硅基流动的免费的bge-m3接下来我们可以创建应用测试看看我们可以看到，对话已经通了，接下来我们创建知识库进行测试我们导入一个简单的文本进行测试我们可以看到。向量已经处理完成我们重新创建一个知识库然后我们测试看看效果到此我们就通过华为云开发者空间的免费云主机和 Model Arts 完成了一个知识库搭建 项目亮点剧透：这个基于.NET8的黑科技，能轻松实现：智能客服秒回"亲"企业级知识图谱甚至帮你写情书（误）四、模型界的复仇者联盟▍ModelArts Studio：你的AI军火库猛戳这个神秘链接：https://console.huaweicloud.com/modelarts/?region=cn-east-4选模型就像选男友：要聪明：DeepSeek-R1（32B参数智商担当）要持家：免费200万token（足够聊到天荒地老）要贴心：bge-m3向量模型（中文理解小能手）五、让数据库开口说话の奥义▍知识库调教指南：上传公司文档时，建议先喂点"零食"：产品手册.pdf（主食）销售数据.xlsx（甜点）甚至老板的语音备忘录.mp3（黑暗料理）向量化处理时，可以泡杯咖啡灵魂拷问测试：尝试输入："去年Q4华南区手机配件毛利率是多少？"当系统自动生成SQL时——"动了动了！它自己会写JOIN语句了！"六、打工人の逆袭时刻现在你拥有：✅ 智能问答系统127.0.0.1:5000✅ 自动报表生成器✅ 24小时AI客服升职加薪话术："王总，我做了个能自动分析销售数据的人工智能系统，预计每年可节省2000小时人工..." 终极秘籍：遇到任何问题，在AntSK的GitHub页面：https://github.com/AIDotNet/AntSK提issue时加上"跪求大佬"，触发开发者BUFF加成结语：当你完成部署的那一刻，无数个加班的夜晚将离你远去。P.S. 据说点赞收藏的小伙伴，下周都会收到涨薪通知单～

"同事小李上周被老板骂了，就因为他花了3天整理报表数据。而我喝着咖啡刷着剧，5分钟就生成精准报表——别误会，我不是黑客，只是把公司数据库调教成了会说话的AI管家！"一、为什么要跪着看这篇教程？在这个人均ChatGPT的时代，你还靠人肉查数据？今天要搞的这套"智能知识库系统"有多逆天：老板说"我要上周华东区热销单品"，直接生成SQL报表运营妹子问"用户复购率top3品类"，秒出可视化图表新人查资料不用翻wiki，直接对话调取知识库重点来了！整套方案零！成！本！华为云免费主机 + 200万token大模型 + 开箱即用的神器AntSK = 打工人の摸鱼神器二、华为云的正确薅法（手把手教学）Step1：领取你的免费赛博打工人浏览器输入（此处做超链接）：cid:link_1 黑科技说明书：华为云开发者空间就像个24小时待命的数字员工宿舍，我们即将在这里部署：学霸级AI大脑：DeepSeek-R1（32B参数大佬）知识库管家：AntSK（微软Semantic Kernel加持）三、保姆级部署指南（含避坑大全）▍Stage1：给你的云主机装外挂在终端输入这段魔法咒语：bash复制sudo apt-get install git -y # 别问，问就是装个时光机避坑TIP：如果遇到"Permission denied"，请深情朗诵三遍："sudo大法好，权限保平安"▍Stage2：召唤AntSK神器复制粘贴这段代码，你将获得价值百万的开源项目：bash复制git clone https://github.com/AIDotNet/AntSK.git接下来我们需要安装一下dotnet8环境,此处省略。sudo dotnet cleansudo dotnet buildsudo dotnet publish "AntSK.csproj"cd /antsk/AntSK/src/AntSK/bin/Release/net8.0/publish/sudo AntSK.dll安装好以后，我们启动项目然后我们访问127.0.0.1:5000/user/login然后我们需要申请一下ModelArts Studio的模型 https://console.huaweicloud.com/modelarts/?region=cn-east-4&locale=zh-cn#/model-studio/square 进入ModelArts Studio单个模型可以免费使用200W Token这里我选择的是 DeepSeek-R1-Distill-Qwen-32B-4K选择好以后，需要创建一个Api Key然后我们就可以直接使用这个模型进入模型配置页面我们还需要一个向量模型，这里使用硅基流动的免费的bge-m3接下来我们可以创建应用测试看看我们可以看到，对话已经通了，接下来我们创建知识库进行测试我们导入一个简单的文本进行测试我们可以看到。向量已经处理完成我们重新创建一个知识库然后我们测试看看效果到此我们就通过华为云开发者空间的免费云主机和 Model Arts 完成了一个知识库搭建 项目亮点剧透：这个基于.NET8的黑科技，能轻松实现：智能客服秒回"亲"企业级知识图谱甚至帮你写情书（误）四、模型界的复仇者联盟▍ModelArts Studio：你的AI军火库猛戳这个神秘链接：https://console.huaweicloud.com/modelarts/?region=cn-east-4选模型就像选男友：要聪明：DeepSeek-R1（32B参数智商担当）要持家：免费200万token（足够聊到天荒地老）要贴心：bge-m3向量模型（中文理解小能手）五、让数据库开口说话の奥义▍知识库调教指南：上传公司文档时，建议先喂点"零食"：产品手册.pdf（主食）销售数据.xlsx（甜点）甚至老板的语音备忘录.mp3（黑暗料理）向量化处理时，可以泡杯咖啡灵魂拷问测试：尝试输入："去年Q4华南区手机配件毛利率是多少？"当系统自动生成SQL时——"动了动了！它自己会写JOIN语句了！"六、打工人の逆袭时刻现在你拥有：✅ 智能问答系统127.0.0.1:5000✅ 自动报表生成器✅ 24小时AI客服升职加薪话术："王总，我做了个能自动分析销售数据的人工智能系统，预计每年可节省2000小时人工..." 终极秘籍：遇到任何问题，在AntSK的GitHub页面：https://github.com/AIDotNet/AntSK提issue时加上"跪求大佬"，触发开发者BUFF加成结语：当你完成部署的那一刻，无数个加班的夜晚将离你远去。P.S. 据说点赞收藏的小伙伴，下周都会收到涨薪通知单～

技术干货Docker 空间大扫除：释放你的磁盘空间！cid:link_3开源RAG UI之Kotaemoncid:link_4优雅使用 Docker 安装 MySQLcid:link_1深入理解Docker网络的三种配置cid:link_5云服务器系统盘的扩容操作cid:link_2Docker镜像存储位置修改至数据盘 cid:link_6WARING:No swap limit support解决方案cid:link_7Linux完美卸载Chrome浏览器华为云论坛_问答专区_云计算论坛_开发者论坛_技术论坛-华为云SSH隧道配置cid:link_9 问题答疑问： 请问下c#使用OBS 断点续传，上传途中如何终止上传，未找到合适的方法 答： cid:link_10  .net sdk目前暂无中止上传的功能，后续产品优化请持续关注。问： 使用临时URL上传时，存在超过40M的文件上传超时的情况。能否设置超时时间？ 答：cid:link_11  只能设置生成的url过期失效时间和上传到桶里的对象元数据的过期时间，不能设置超时时间。问： 通过临时URL访问视频，可以快速获取视频的封面吗？有没有解决方案呢答：临时url访问obs视频，目前不支持获取视频的首页。cid:link_0  临时url支持下载时处理图片；视频抽帧可以参考此链接：cid:link_12 

Haar特征算子就是下图的所有黑色矩阵的像素值减去所有白色矩阵像素值的和。图片来自于 人脸检测工具专栏——OpenCVHaar特征的本质与作用定义与结构Haar特征是一种基于矩形区域的图像特征，通过计算图像中相邻黑白矩形区域的像素差值来捕捉局部灰度变化。例如，黑色矩形区域的像素和减去白色矩形区域的像素和，形成一个特征值。这些特征能描述图像中边缘、线段、对角线等简单结构，例如人脸中眼睛比脸颊暗、鼻梁比两侧暗等特性。特征类型Haar特征分为四类：• 边缘特征：捕捉垂直或水平边缘（如人脸轮廓）。• 线性特征：检测连续线段（如眉毛）。• 中心特征：识别中心与周围区域的对比（如鼻子）。• 对角线特征：描述斜向结构（如眼角或嘴角）。计算加速：积分图Haar特征的计算依赖大量矩形区域的像素和，直接遍历像素效率极低。积分图（Integral Image）通过预计算每个像素左上角区域的累加和，使得任意矩形区域的像素和可在常数时间内完成。例如，计算矩形ABCD的面积只需通过积分图中四个顶点的值即可快速求解。

Haar特征是一种基于矩形区域的图像特征，其全称是Haar-like features​（哈尔特征）。它的核心思想是通过计算图像中相邻矩形区域的像素差值来捕捉局部灰度变化，从而描述图像中的边缘、线段等结构。这种特征在人脸检测等任务中被广泛应用。Haar特征之所以叫哈尔特征，是因为它的数学基础来源于哈尔小波（Haar Wavelet），这是一种由匈牙利数学家Alfréd Haar在1909年提出的简单小波函数。为什么与哈尔小波相关？哈尔小波的特点：• 哈尔小波是一种最简单的小波函数，由两个矩形脉冲组成（一个正矩形和一个负矩形）。• 它能够描述信号中的局部变化，类似于Haar特征中通过矩形区域的像素差值来捕捉图像中的局部灰度变化。Haar特征的灵感：• Haar特征的数学形式与哈尔小波非常相似，都是通过矩形区域的对比来描述局部特征。• 例如，Haar特征中的边缘特征（如黑色矩形减去白色矩形）与哈尔小波的正负矩形脉冲结构一致。命名延续：• 由于Haar特征的数学原理和哈尔小波密切相关，因此被命名为Haar-like features（哈尔特征）。总结Haar特征的名字来源于哈尔小波，因为它的设计灵感与哈尔小波的数学形式一致，都是通过矩形区域的对比来描述局部特征。这是一种对数学理论的实际应用和扩展。

AI落地，一学就会！想掌握AI模型部署的核心技能，却苦于没有系统指导？由华为云学堂技术团队精心打造的DeepSeek大模型部署系列课程，拒绝纸上谈兵，融合实战经验，体验在线实操，边学边练，为你扫清学习障碍。一次学习终身受用，省去万元试错成本，职业竞争力飙升！       DeepSeek大模型作为一种基于深度学习的先进模型，以其强大的文本理解和生成能力，正在改变我们处理信息和解决问题的方式。无论是企业内部应用还是科研项目，DeepSeek大模型都展现出巨大的潜力。本课程将深入探讨DeepSeek大模型的本地部署与API调用，帮助开发者从入门到实践，掌握这一强大工具的核心技能。课程包含四个主要部分：概述、模型本地部署、模型API调用和总结。点击课程链接学习，开启你的AI模型部署高光时刻！  

在数据驱动与AI爆发的时代，开发者亟需一款既能快速验证代码、又能无缝对接生产环境的工具。传统开发环境中，代码调试、数据探索、任务调度往往分散于不同平台，效率与协作性大打折扣。开发者常常面临着环境配置复杂、资源受限、调试耗时等诸多挑战。为了给广大开发者提供更加便捷、高效、稳定的开发环境，华为开发者空间正式上线一站式开发工具Notebook，融合交互式编程、云端资源管理与自动化工作流，让开发更智能、更流畅！ 预置环境，开箱即用：华为开发者空间提供云化版本的Notebook，基于NPU资源的云上开发体验，预装euler2.9-py38-torch2.1.0-notebook开发镜像，即开即用。提供NPU算力资源：每日提供2小时免费NPU算力资源，轻松关联模型和数据集，仅用1-2分钟的启动时间，即可助力开发者快速完成模型训练与推理任务。让创新更高效、成本更低廉。   在智能时代，开发工具已成为核心竞争力。华为开发者空间搭载Notebook，打破了传统开发模式的边界，重新定义云端开发体验，让开发变得更加灵活、高效和智能。除了优质的开发环境，华为开发者空间还汇聚了海量的技术赋能课程与专业开发者认证内容。这些丰富的学习资源，帮助开发者们不断提升技能水平，紧跟技术前沿。无论是初学者还是资深开发者，都能在这里找到适合自己的学习路径，实现自我突破与成长。点击链接，访问华为开发者空间，轻松开启高效开发之旅！

【案例共创】第3期 基于华为开发者空间+DeepSeek完成AI应用构建开发实践 1）构建的应用需要完成发布，有应用在线截图。按文档操作，可以轻松实现模型的部署，并可以调用使用   这里做一个demo，帮我生成一个双人对打游戏，结果可以进行操作，“上、下、左、右”的操作，进行配图就可以正常使用了。      2）案例场景和方案以及用到的华为云产品或者开源框架简述。整体架构以及开发环境：  案例场景为华为开发者空间+DeepSeek完成AI应用构建开发实践这里涉及到的华为云产品：1、华为云开发者空间的云主机，类似华为云桌面。CPU架构：X86规格：2 vCPUs 4 GB操作系统：Ubuntu系统镜像：公共镜像 Ubuntu 22.04 Server 定制版      2、华为云ModelArts Studio 产品，   领取免费试用的Tokens   做完实验还剩下的调用量   3）开发过程实际操作描述(文字描述+截图+代码)。在模型部署和调用的过程中可能会缺少依赖，把缺少的依赖下载安装好，就可以正常使用了。  可生成的交互界面程序  试了试通用的问答，制定一个健康的生活计划，内容还是很丰富的。  **目标**：均衡营养，保持健康体重，增强免疫力。**建议**：- **早餐**：富含蛋白质和纤维的食物，如全麦面包、鸡蛋、牛奶、燕麦粥。- **午餐**：均衡搭配碳水化合物、蛋白质和蔬菜，如米饭、鸡胸肉、西兰花、胡萝卜。- **晚餐**：轻食为主，避免高脂肪和高热量食物，如鱼类、豆腐、绿叶蔬菜。- **零食**：选择健康零食，如坚果、水果、酸奶。- **饮水**：每天至少饮用8杯水，保持身体水分平衡。- **避免**：高糖、高脂肪、加工食品和过量酒精。 **示例食谱**：- **周一**：早餐 - 燕麦粥 + 鸡蛋；午餐 - 鸡胸肉 + 西兰花 + 米饭；晚餐 - 鱼类 + 绿叶蔬菜。- **周二**：早餐 - 全麦面包 + 牛奶；午餐 - 豆腐 + 胡萝卜 + 米饭；晚餐 - 豆腐 + 绿叶蔬菜。 #### 2. 运动计划**目标**：增强体能，保持心血管健康，提高肌肉力量。 **建议**：- **有氧运动**：每周至少3次，每次30分钟，如跑步、游泳、骑自行车。- **力量训练**：每周2次，每次20分钟，如举重、俯卧撑、仰卧起坐。- **灵活性训练**：每周2次，每次15分钟，如瑜伽、拉伸。- **日常活动**：增加日常活动量，如步行、爬楼梯。 **示例运动安排**：- **周一**：跑步30分钟 + 瑜伽15分钟。- **周二**：力量训练20分钟 + 步行30分钟。- **周三**：游泳30分钟 + 拉伸15分钟。- **周四**：骑自行车30分钟 + 力量训练20分钟。- **周五**：跑步30分钟 + 瑜伽15分钟。 #### 3. 学习计划**目标**：持续学习，提高知识水平，保持大脑活跃。 **建议**：- **每日学习**：每天至少学习1小时，涵盖专业知识和兴趣爱好。- **阅读**：每周阅读一本书，涵盖不同领域，如科技、文学、历史。- **在线课程**：每月完成一个在线课程，提升专业技能或学习新领域。- **笔记与总结**：每天记录学习笔记，定期总结学习成果。 **示例学习安排**：- **周一**：阅读科技书籍1小时 + 在线课程30分钟。- **周二**：专业知识学习1小时 + 笔记整理30分钟。- **周三**：阅读文学书籍1小时 + 在线课程30分钟。- **周四**：历史书籍阅读1小时 + 学习总结30分钟。- **周五**：专业技能学习1小时 + 笔记整理30分钟。 ### 计划执行与调整- **每周评估**：每周评估饮食、运动和学习计划的执行情况，根据需要进行调整。- **保持灵活性**：根据个人情况和外部环境的变化，灵活调整计划内容。- **长期坚持**：健康生活计划需要长期坚持，逐步形成良好习惯。 如果你有任何具体需求或需要进一步调整计划，请告诉我！4）案例实操需要完整体现，读者可根据案例上手并体验。 按“云主机调用DeepSeek实现代码自动生成”这个操作真的很容易就实现了。

Kotaemon：一个开源、简洁且可定制的RAG UI，用于与您的文档进行对话简介：Kotaemon 是一个开源的、简洁且高度可定制的 RAG（Retrieval-Augmented Generation，检索增强生成）用户界面，专门设计用于与您的文档进行对话。无论是普通用户还是开发者，Kotaemon 都旨在提供一种直观、灵活且高效的方式来管理和交互您的文档内容。它不仅仅是一个简单的聊天工具，更是一个集成了先进 AI 技术的智能文档助手，能够帮助用户快速检索、理解和生成与文档相关的信息。核心功能：文档对话：用户可以直接与上传的文档进行对话，系统会根据文档内容生成准确、相关的回答。支持多种文档格式，包括 PDF、Word、Markdown、代码文件等。检索增强生成（RAG）：结合了强大的检索机制和生成式 AI 模型，能够从海量文档中快速找到相关信息，并生成流畅、自然的回答。确保回答的准确性和上下文相关性，提升用户体验。简洁直观的用户界面：界面设计简洁明了，易于上手，适合非技术背景的用户使用。提供清晰的导航和操作提示，确保用户能够快速找到所需功能。可定制化开发：开发者可以根据需求自定义界面和功能，满足特定场景的应用。提供丰富的 API 和插件机制，支持与其他系统集成。本地化部署：支持本地部署，确保数据安全和隐私。用户可以在自己的服务器上运行 Kotaemon，完全掌控数据。适用场景：企业内部知识管理：企业可以利用 Kotaemon 构建智能知识库，员工可以通过对话快速获取公司政策、技术文档、操作手册等信息。提升团队协作效率，减少信息检索时间。开发者文档助手：开发者可以使用 Kotaemon 与代码库、API 文档进行交互，快速查找函数用法、代码示例等。提高开发效率，减少查阅文档的时间。个人知识管理：个人用户可以利用 Kotaemon 管理学习笔记、研究资料、项目文档等，通过对话快速找到所需信息。构建个人知识体系，提升学习和工作效率。教育和培训：教育机构可以使用 Kotaemon 作为教学辅助工具，学生可以通过对话获取课程资料、解答疑问。提供个性化的学习体验，增强学习效果。技术优势：开源和透明：Kotaemon 是一个开源项目，代码公开透明，用户可以自由查看和修改。社区驱动，持续更新和改进。高性能和可扩展性：采用先进的技术架构，确保系统的高性能和可扩展性。支持处理大规模文档数据，满足不同规模用户的需求。安全可靠：提供本地化部署选项，确保数据安全和隐私。内置多种安全机制，保障用户数据的安全。部署方式：使用docker部署docker run \-e GRADIO_SERVER_NAME=0.0.0.0 \-e GRADIO_SERVER_PORT=7860 \-v ./ktem_app_data:/app/ktem_app_data \-p 7860:7860 -it --rm \ghcr.io/cinnamon/kotaemon:main-ollama部署后使用的效果图如下：总结：Kotaemon 作为一个开源、简洁且可定制的 RAG UI，旨在为用户提供一个高效、便捷的文档对话工具。无论是企业、开发者还是个人用户，Kotaemon 都能帮助您更好地管理和利用文档内容，提升工作效率。随着技术的不断进步和社区的支持，Kotaemon 将在未来展现出更广阔的应用前景。项目地址：cid:link_0