- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机图形学 前端可视化 WebGL
WebGL加载本地模型
我们的引擎，基于three封装，同样有加载模型的loader，因此加载obj和gltf模型也是很简单就可以实现的。 不过加载文件都是在线的文件，也就是通过url的形式进行加载。 团队开发的三维可视化平台框架，需要能够上传obj和gltf等格式的模型，在上传前，需要先对模型预览，这就涉及到如何加载本地模型的问题了。 加载本地模型 本文以gltf为例，进行说明。 加载本地模型的思路是这样的： 既然引擎可以通过url的机制，加载模型。 那么如果有一种机制，可以把本地文件及其关联的资源（比如贴图）等转换成url的形式，就可以进行使用loader进行访问了。 加载本地模型 有了上述基础知识，大致的思路就出来了： 首先 加载本地文件，读取file对象（可能是多个File对象，因为一个模型可能包括多个资源文件）。 除gltf模型外，其他格式的模型，比如fbx或者obj，也可以类似操作。
2.4K30编辑于 2022-05-11 - 来自专栏全栈程序员必看
Opengrok本地搭建（Windows10）
Opengrok本地搭建（Windows10） ---- 下载解压OpenGrok 下载解压Tomcat(8.x及以上版本)，添加环境变量：TOMCAT_HOME=D:\Program Files
2.3K20编辑于 2022-09-05 - 来自专栏小新笔记坊
CentOS本地部署语言模型
2.在docker容器参数中编辑参数，映射容器内某目录（例如/home）至本地一个目录文件夹用于导入本地模型。 例如： /home/models /home/models /home/ollama /root/.ollama 3.进入docker容器内部导入模型即可。 安装OpenWebUi 1.拉取docker镜像后，导入本地镜像并运行容器。
62300编辑于 2025-02-13 - 来自专栏云技术与
ollama 离线安装本地模型
-rwxr-x--- 1 docker docker 13921 Feb 7 14:27 install.sh -rw-r----- 1 docker docker 1682401421 Feb 6 10 下载安装脚本install.sh 下载 https://ollama.com/install.sh，编辑如下 修改安装路径改成本地安装 #! 的大小1.1G 的模型 3：47 开始 很慢 打开终端，输入以下命令下载并运行deepseek模型，例如下载1.5B 模型 ollama run deepseek-r1:1.5b pulling aabd4debf0c8 ，可以运行其他模型 ollama run deepseek-r1:7b ollama run deepseek-r1:14b ollama run deepseek-r1:32b DeepSeek本地化部署硬件配置要求一览表 ： 7 启动ollama 服务 ollama serve 服务启动后，可以通过访问 http://localhost:11434 来与模型进行交互 Ollama 启动默认只有127.0.0.1 本地可以访问
1.7K10编辑于 2025-10-31 - 来自专栏林德熙的博客
win10 uwp 判断本地ip
本文主要：如何判断一个IP是本地IP 对于本地 127.0.0.1 就是一个内部IP，之外，还有10.0.0.0/24 ，172.16.0.0/16 ， 192.168.0.0/16 ， 169.254.0.0 /16 判断是不是本地，首先判断是不是127.0.0.1 private bool IsPrivateIP(IPAddress myIPAddress) { ipBytes = myIPAddress.GetAddressBytes(); // 10.0.0.0/24 if (ipBytes[0] == 10 = myIPAddress.GetAddressBytes(); // 10.0.0.0/24 if (ipBytes[0] == 10
1K10发布于 2018-09-18 - 来自专栏oracle3技术大杂烩
2021-06-10 axure本地发布
1、导出html 找到Axure顶上工具栏，选择“发布”项，找到“生成HTML文件”项 在左边选择要导出的文件夹目录 在“页面”项中，选择要导出的页面 其他选项可以使用默认，最后点击发布到本地
58820编辑于 2022-04-22 - 来自专栏全栈程序员必看
加载本地cifar10 数据集
由于我们使用官方的导入cifar10数据集方法不成功，在知道cifar10数据集的本地路径的情况下，可以通过以下方法进行导入： import tensorflow as tf import numpy load_CIFAR_batch(os.path.join(ROOT, 'test_batch')) return Xtr, Ytr, Xte, Yte def get_CIFAR10 _data(num_training=49000, num_validation=1000, num_test=10000): # Load the raw CIFAR-10 data cifar10_dir = '.. /input/cifar-10-batches-py/' X_train, y_train, X_test, y_test = load_CIFAR10(cifar10_dir) #
1K20编辑于 2022-06-25 - 来自专栏AllTests软件测试
本地部署AI大模型DeepSeek
官方网址： https://www.deepseek.com/ 本篇讲解如何快速的在本地部署AI大模型DeepSeek。 2、本地部署DeepSeek 1、首先要下载安装Ollama。 Ollama是一个开源的大型语言模型本地部署框架。 特点： 多平台支持，如Windows、macOS、Linux，还支持Docker，方便跨平台部署。 丰富的模型库，搜集了大量开源LLM模型，涵盖文本分析、图像处理等多种任务的模型。 功能： 模型管理，能方便地下载、更新、删除和列出各种语言模型。 本地运行，让用户可在本地设备上运行大型语言模型，无需网络连接也能使用部分功能。 官方网址： https://ollama.com/ 快速上手使用大语言模型。 在本地运行Llama 3.3、DeepSeek-R1、Phi-4、Mistral、Gemma 2等模型。 根据所属平台，下载指定的Ollama。
76910编辑于 2025-02-10 - 来自专栏leehao
采用Ollama运行本地大模型
Ollama Ollama， 羊驼，快速的在本地电脑上运行大模型，只需要下载一个应用包即可，通过简单的安装指令，可以让用户执行一条命令就在本地运行开源大型语言模型，无需安装额外的环境依赖和编译等操作。 模型的选择 在官网，点击models，按照 most popular进行排序，或者点击模型进行搜索。 国内比较好的模型，如glm4和qwen系列均可选择 注意：模型对内存和显卡有要求，根据电脑的实际配置选取模型。 比如，8G显存32G内存的配置，可以流程运行9B左右的模型，但运行大于32B以上的模型就比较吃力，推理速度很慢。 在推理的时候，显存使用率较高，如果模型较大，则推理速度较慢。8G显存在运行9B模型的时候，非常丝滑，在运行14B模型的时候，类似打字机一样，比较慢。
1.3K20编辑于 2025-02-11 用 LangChain 驱动本地 Ollama 模型
这篇文章，我们就来完整走一遍：如何使用 LangChain，基于最新 Runnable API，调用本地启动的 Ollama 模型，构建一个真正可用的本地大模型应用。 1️⃣ Ollama：本地大模型的“Docker”你可以把 Ollama 理解为：专门为大模型设计的一层运行时基础设施。 qwen3:8b如果可以正常对话，说明模型已经在本地成功运行。 Ollama → 本地大模型这条完整调用链。 / 超大模型❌ 面向公网的 C 端产品七、一些来自实践的工程建议最后分享几点真实踩坑后的经验：模型别贪大7B / 8B 是当前本地部署的性价比甜点位Prompt 比模型更重要本地模型对 Prompt 非常敏感
76410编辑于 2026-02-10- 来自专栏纯情博客
AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包
AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包文件夹 如果你电脑上已经安装有这个框架，则会弹出如下界面提醒，直接关闭即可： AI本地绘画软件（无需联网）+7Glatest AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包安装教程 完成一系列准备工作后，双击AI启动器运行，因为刚刚已经导入好了10GB的模型包，点击右下角一键启动就能进入作画界面。 AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包SD-Web UI启动器 AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包SD-Web UI启动器模型管理 AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包SD-Web UI启动器模型加载 建议大家使用英文的提示词，来增加描述的精确度。 AI本地绘画软件（无需联网）+7Glatest模型+10G数据整合包SD-Web UI启动器文生图 总之一句话，描述得越精准，生成的图片就越高！
1.5K10编辑于 2023-04-26 - 来自专栏AI SPPECH
MCP Client 与 Ollama 本地模型
多模型管理支持：支持同时管理和使用多个本地模型 混合部署策略：结合本地模型和云端模型的优势 性能优化技术：通过量化、蒸馏等技术优化本地模型性能 可视化管理工具：提供本地模型的可视化管理和监控 这些趋势反映了本地模型集成从简单的 ：支持同时管理和使用多个本地模型 混合部署：支持本地模型与云端模型的混合使用 性能优化：内置本地模型的性能优化机制 隐私保护：确保数据不离开本地环境 理解 MCP Client 与 Ollama / 本地模型的集成方案 MCP v2.0 实现了本地模型的优化机制，提高了本地模型的运行效率和响应速度。 print(f"路由响应: {result.get('choices', [{}])[0].get('message', {}).get('content', '无响应')}") # 10 **促进本地模型的普及**：简化本地模型的集成和使用，降低本地模型的使用门槛 2. **推动混合部署模式的发展**：结合本地模型和云端模型的优势，优化成本和性能 3.
43810编辑于 2026-01-07 - 来自专栏.Net Core技术分享
Ollama本地部署大模型总结
ollama run deepseek-r1:1.5b 下载完成后，ollama会为我们运行刚下载的大模型。下面是我运行成功的截图： 第三步：使用大模型 恭喜你已经在本地成功安装了第一个私有大模型。 和本地大模型对话 点击左侧新对话，开启新的对话。 向大模型提问试试吧 创建智能体 恭喜你已经完成了ollama和chatbox的集成，现在你的对话数据都保留在本地，绝对的安全和隐私。 运行起来后界面如下： 集成ollama中的本地模型 将cherryStudio运行起来后，点击界面左下角的小齿轮进行设置。 在内容生成API中，我们仅传入了prompt，大模型仅对我们本地的prompt进行回答，而在生成对话API中，我们还可以传入messages参数，包含我们多轮对话内容，使大模型具备记忆功能。 这些API的列表如下： 模型创建（/api/create） 列出本地模型（/api/tags） 查看模型信息（/api/show） 复制模型（/api/copy） 删除模型（/api/delete） 拉取模型
4.7K11编辑于 2025-03-30 - 来自专栏Reck Zhang
Java 10 - 内存模型
内存模型 主存储器与工作存储器 主存储器 方法区(Method Area) 方法区用于存储类的信息, 常量, 静态变量, 即时编译器编译后的代码. 栈(Java Virtual Machine Stacks) 代表着Java方法执行的内存模型, 每个方法执行时都会创建一个栈帧来存储方法的变量表, 操作数栈, 动态链接方法, 返回值, 返回地址等信息 本地方法栈(Native Method Stacks) 本地方法栈与虚拟机栈作用类似, 只是前者为本地方法服务, 后者为Java方法服务. 在某些JVM中, 这两者是合二为一的.
37720发布于 2021-08-11 - 来自专栏Python与算法之美
10，模型的优化
搜索超参数空间以优化超参数需要明确以下方面： 估计器 超参数空间 交叉验证方案 打分函数 搜寻或采样方法（网格搜索法或随机搜索法） 优化模型的常见方法包括 网格搜索法，随机搜索法，模型特定交叉验证， 三， 模型特定交叉验证 一些特定的模型，sklearn构建了一些内部含有交叉验证优化机制的估计器。 它们主要是在linear_model模块。 四， 信息准则优化 模型选择主要由两个思路。 解释性框架：好的模型应该是最能解释现有数据的模型。可以用似然函数来度量模型对数据集描述能力。 预测性框架：好的模型应该是最能预测结果的模型。 通常模型参数越多越复杂，越容易出现过拟合。 所以，模型选择问题在模型复杂度与模型对数据集描述能力（即似然函数）之间寻求最佳平衡。 AIC(赤池信息准则)和BIC(贝叶斯信息准则)对模型的选择提供了一种判据。 AIC信息准则选择AIC最大的模型。 BIC信息准则选择BIC最大的模型。
77421发布于 2020-07-17 - 来自专栏全栈程序员必看
Tensorflow 加载本地CIFAR10数据集
本文介绍怎样把保存在本地的CIFAR10数据集加载到程序中。 数据集网址：https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz 代码： from __future__ import absolute_import Tuple of Numpy arrays: `(x_train, y_train), (x_test, y_test)`. """ #dirname = 'cifar-10 .py from load_local_cifar10 import load_data cifar10_dir = '. /datasets/cifar-10-batches-py' (x_train, y_train), (x_test, y_test) = load_data(cifar10_dir) 发布者：全栈程序员栈长
1.1K20编辑于 2022-06-25 - 来自专栏程序那些事
MoneyPrinterPlus全面支持本地Ollama大模型
支持云厂商的原因是现在大模型使用基本都很便宜，并且大厂的稳定性，性能都比本地搭建要好很多。 但是很多小伙伴说还是希望接入本地的LLM模型。 你可以在Ollama中接入你想要使用的大模型。 下面告诉大家如何在MoneyPrinterPlus中使用本地的Ollama模型。 Ollama支持很多models，我们可以在他的 https://ollama.com/library 网站中查找需要的模型。 我们可以使用 ollama list 来查看现有的模型。 如果要下载对应的模型，可以ollama pull llama3从Ollama的模型注册表中拉取指定的模型到本地。 如果你的ollama在本地，就填：http://localhost:11434/ 如果是在其他远程的机子上，就填：http://IP:11434/ 需要注意的是，Ollama默认只会暴露端口给本机连接。
33410编辑于 2024-07-16 - 来自专栏微言码道
本地部署大模型的几种方式
就算你是一个编程的门外汉, 都可以轻松的使用Ollama来部署一个本地大模型. 我在这里以最新的Llama 3来举例说明如何运行一个本地大模型. " } ] }' 它的响应如下: { "model": "llama3", "created_at": "2024-04-21T10:00:17.951508Z", "message "done": true, "total_duration": 4032149334, "load_duration": 3262834, "prompt_eval_count": 10 它简单易于操作, 你只需要在UI上点击操作, 就能下载运行一个本地模型. 当然, 这个工具更多的是面向个人使用的. 如果你想一个可以在本地运行聊天的软件, 这个软件是你可以考虑的好工具. 总结 开源大模型, 或者说本地化运行一个开源大模型, 现在已经越发的简单与低门槛了. 只要有足够的GPU硬件, 本地化部署与运行开源大模型非常简单及易于实现. 想部署一个本地大模型玩玩?
8.5K10编辑于 2024-04-23 - 来自专栏JAVA乐园
大模型系统dify本地源码启动
下载源码 git clone https://github.com/langgenius/dify.git 在启用业务服务之前，需要先部署 PostgreSQL / Redis / Weaviate（如果本地没有的话 访问 Dify 最后，访问 http://127.0.0.1:3000 即可使用本地部署的 Dify。 6. 总结 在安装、启动过程过程中会遇到不少确实依赖库的情况，多用以下命令进行依赖安装即可。
1.2K00编辑于 2025-03-17 - 来自专栏学海无涯
SwiftUI-MLX本地大模型开发
MLX 中的 MLXLLM 模块提供了一种简单的方法来在本地设备（iPhone/iPad/Mac）使用预训练的大语言模型 (LLMs) 进行推理。 使用步骤 添加 MLXLLM Package。 选择某个预训练模型。 加载选择的预训练模型。 创建输入（Prompt）。 进行推理。 案例 代码。 } extension ContentView { func generate() async throws { isLoading = true // 加载模型
58510编辑于 2025-02-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号