- 综合排序
- 最热优先
- 最新优先
LangChain4j 进阶检索流水线
进阶版会更加灵活，额外支持查询转换器、查询路由、内容聚合器、内容注入器等特性，将整个 RAG 的流程流水线化（RAG pipeline）。 以上就是关于 LangChain4j 进阶版 RAG 的简单介绍，感兴趣的同学可以参考官方文档[2]进行学习。 下个章节介绍工具调用。 引用链接 [1] 官方支持很多第三方存储: https://docs.langchain4j.dev/integrations/embedding-stores/ [2] 官方文档: https://docs.langchain4j.dev 往期推荐： 序号 文章标题 链接 1 MCP协议爆火揭秘 查看详情 2 轻松配置Cursor玩转MCP 查看详情 3 Browser-Tool 前端开发神器 查看详情 4 AI编码焕新：用Context7
23510编辑于 2026-04-29- 来自专栏罗西的思考
PyTorch 流水线并行实现 (4)--前向计算
[源码解析] PyTorch 流水线并行实现 (4)--前向计算 目录 [源码解析] PyTorch 流水线并行实现 (4)--前向计算 0x00 摘要 0x01 论文 1.1 引论 1.1.1 数据并行 流水线并行其他文章链接如下: [源码解析] 深度学习流水线并行Gpipe(1)---流水线基本实现 [源码解析] 深度学习流水线并行GPipe (2) ----- 梯度累积 [源码解析] 深度学习流水线并行 ] 深度学习流水线并行 PipeDream(3)--- 转换模型 [源码解析] 深度学习流水线并行 PipeDream(4)--- 运行时引擎 [源码解析] 深度学习流水线并行 PipeDream(5) clock 4 时候，运行图上的 F_{4,1},F_{3,2},F_{2,3} 。 1), (3, 2), (2, 3)] # 第 4 轮训练计划 & 数据 [(4, 2), (3, 3)] # 第 5 轮训练计划 & 数据 [(4, 3)] # 第 6 训练计划 & 数据 我们把流水线的图再祭出来看看
1.6K30发布于 2021-10-09 - 来自专栏云云众生s
组织简化DevOps流水线的4种方法
译自 4 Ways Organizations Can Simplify Their DevOps Pipeline，作者 Mandi Walls。 对于组织来说，简化和完善其DevOps 流水线和流程，以改善整体开发人员体验并减少工作压力，变得至关重要。 1. 开发人员平台为软件开发流水线各个阶段的组织提供了显著的优势。通过为开发人员设定要遵守的标准，这些平台可以简化工作流程并增强协作，从而提高生产力。 4. 更具协作性的方法 在许多情况下，开发人员在各自的“筒仓”中工作，被分配的任务缺乏基础设施和集成需求的完整背景。这会导致严重的延误和流程效率低下。 随着越来越多的团队协作，挑战可以更快地识别和解决，这都有助于为开发人员提供更顺畅的流水线来交付优质代码。 这个过程可以通过部署 AI 和自动化工具来加速。
27110编辑于 2024-10-31 - 来自专栏罗西的思考
深度学习流水线并行 PipeDream(4)--- 运行时引擎
[源码解析] 深度学习流水线并行 PipeDream(4)--- 运行时引擎 目录 [源码解析] 深度学习流水线并行 PipeDream(4)--- 运行时引擎 0x00 摘要 0x01 前言 1.1 流水线并行其他文章链接如下: [源码解析] 深度学习流水线并行Gpipe(1)---流水线基本实现 [源码解析] 深度学习流水线并行GPipe (2) ----- 梯度累积 [源码解析] 深度学习流水线并行 GPipe(3) ----重计算 [源码解析] 深度学习流水线并行之PipeDream(1)--- Profile阶段 [源码解析] 深度学习流水线并行 PipeDream(2)--- 计算分区 [源码解析 1.2 运行时系统 结合之前的分析和我们先思考为何要实现一个运行时，以及针对深度学习（流水线并行）需要实现什么功能。 1.2.3 PipeDream的特性 其次看看PipeDream的特性： PipeDream是把模型并行，数据并行结合在一起，实现了流水线并行。
1.2K10发布于 2021-09-14 - 来自专栏用户9379187的专栏
Jenkins流水线
一、Jenkins流水线任务介绍之前采用Jenkins的自由风格构建的项目，每个步骤流程都要通过不同的方式设置，并且构建过程中整体流程是不可见的，无法确认每个流程花费的时间，并且问题不方便定位问题。 二、 Jenkins流水线任务1. 构建Jenkins流水线任务 构建任务 构建Jenkins流水线任务 生成Groovy脚本 Hello World脚本生成 构建后查看视图 构建后查看视图2. 拉取Git代码通过流水线语法生成Checkout代码的脚本语法生成pipeline { agent any stages { stage('拉取Git代码') { sh '/var/jenkins_home/maven/bin/mvn clean package -DskipTests' } }}复制代码4. Dsonar.projectname=${JOB_NAME} -Dsonar.projectKey=${JOB_NAME} -Dsonar.java.binaries=target/ -Dsonar.login=7d66af4b39cfe4f52ac0a915d4c9d5c513207098
1.2K21编辑于 2022-08-24 - 来自专栏程序员
流水线、超流水线、超标量（superscalar）技术对比
市场上推出的各种不同的1 6位/ 3 2位微处理器基本上都采用了流水线技术。如8 0 4 8 6和P e n t i u m均使用了6步流水线结构，流水线的6步为： ( 1 ) 取指令。 ( 4 ) 取操作数。当指令需要操作数时，就需再访问存储器，对操作数寻址并读出。 ( 5 ) 执行指令。由A L U执行指令规定的操作。 ( 6 ) 存储或"写回"结果。 超流水线 超级流水线以增加流水线级数的方法来缩短机器周期，相同的时间内超级流水线执行了更多的机器指令。 这种将标准流水线细分的技术，就是超级流水线技术。当然，流水线和超级流 水线之间并没有很明显的区别。 超级标量结构的cpu支持指令级并行，每个周期可以发射多条指令(2-4条居多)。可以使得cpu的IPC(InstructionPerClock)>，从而提高cpu处理速度。
7K31发布于 2020-08-17 - 来自专栏云云众生s
KitOps将DevOps流水线转变为MLOps流水线
在现有 DevOps 流水线旁边构建单独的 MLOps 流水线来管理这些方面会导致一些低效率： 重复工作：维护单独的流水线意味着为版本控制、部署和配置管理等任务重复工作。 想象一下为应用程序代码管理一个 DevOps 流水线，为训练好的模型、其依赖项和配置文件管理一个单独的 MLOps 流水线。这种冗余增加了开销，并在流水线之间引入了潜在的不一致性。 8B-instruct-f16 Meta Platforms llama3 11.4 GiB sha256:995b9e0f87ddcdcaa59803a08986409b6e4cf2f8b071b064bca21e4e801566a3 model: name: llama3-8B-instruct-q4_0 path: . kit unpack ghcr.io/jozu-ai/llama3:8B-instruct-q4_0 -d ./unpacked ls .
1.3K10编辑于 2024-06-24 - 来自专栏罗西的思考
深度学习流水线并行Gpipe(1)---流水线基本实现
[源码解析] 深度学习流水线并行Gpipe(1)---流水线基本实现 目录 [源码解析] 深度学习流水线并行Gpipe(1)---流水线基本实现 0x00 摘要 0x01 概述 1.1 什么是GPipe 但是流水线并行依然有一些问题： 显存效率：流水线并行减少的显存与流水线的阶段数成正比，使模型的大小可以随 worker 的数量线性扩展。但是，流水线并行不会减少每一层的激活函数的显存占用量。 像模型并行一样，增加流水线大小会减少每个流水线阶段的计算量，这会降低计算与通信的比率。如果要实现好的计算效率，流水线并行还要求其每个阶段的计算负载完美的均衡。 此外，流水线并行性会在每个 batch 的开始和结束时因为需要重新填充或排空流水线而产生 bubble overhead。 优化器状态：参数、Momentum和Variance的fp32副本，内存需求分别为4Ψ、4Ψ和4Ψ字节。让我们用K来表示优化器状态的内存乘数，也就是说，存储它们所需的额外内存是KΨ字节。
2.1K20发布于 2021-08-24 - 来自专栏程序员
流水线、超流水线、超标量（superscalar）技术对比（转）
市场上推出的各种不同的1 6位/ 3 2位微处理器基本上都采用了流水线技术。如8 0 4 8 6和P e n t i u m均使用了6步流水线结构，流水线的6步为： ( 1 ) 取指令。 ( 4 ) 取操作数。当指令需要操作数时，就需再访问存储器，对操作数寻址并读出。 ( 5 ) 执行指令。由A L U执行指令规定的操作。 ( 6 ) 存储或"写回"结果。 超流水线 超级流水线以增加流水线级数的方法来缩短机器周期，相同的时间内超级流水线执行了更多的机器指令。 这种将标准流水线细分的技术，就是超级流水线技术。当然，流水线和超级流 水线之间并没有很明显的区别。 超级标量结构的cpu支持指令级并行，每个周期可以发射多条指令(2-4条居多)。可以使得cpu的IPC(InstructionPerClock)>，从而提高cpu处理速度。
2.7K20发布于 2020-08-17 流水线包裹检测数据集VOC+YOLO格式145张4类别
仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：145 标注数量(xml文件个数)：145 标注数量(txt文件个数)：145 标注类别数：4
24010编辑于 2025-07-20- 来自专栏新亮笔记
部署流水线解析
什么是部署流水线 部署流水线是指软件从版本控制库到用户手中这一过程的自动化表现形式。 流水线的输入是版本控制中的某个具体版本。 部署流水线的相关实践 只生成一次二进制包； 对不同环境采用同一部署方式； 对部署进行冒烟测试； 向生产环境的副本中部署； 每次变更都要立即在流水线中传递； 只要有环节失败，就停止整个流水线； 提交阶段 每次提交都生成部署流水线的一个新实例。 缓解这类风险非常简单，只要把这个发布环节视为部署流水线的一个自然结果就行。 实现一个部署流水线 无论是从零创建新项目，还是想为已有的系统创建一个自动化的流水线，通常都应该使用增量方法来实现部署流水线。
78830编辑于 2022-05-17 - 来自专栏用户7873631的专栏
go 流水线模式
(out1)//全部+1后，关闭out通道. }() for v:=range out1{ fmt.Println(v) } } 解释： ，可以看到有两个goroutine构成了一个简单的流水线
26910编辑于 2024-03-24 - 来自专栏linux技术
jenkins流水线搭建
前言 基础环境 系统：Centos 7.9.2009 minimal 配置：4 cpus / 24G mem / 50G disk 网卡：1.1.1.4/24 我这里采用的是 all-in-one 的配置 localhost ~]# ss -tnlp | grep 2375 LISTEN 0 128 [::]:2375 [::]:* users:(("dockerd",pid=1124,fd=4) docker pull elasticsearch:7.17.3 docker pull logstash:7.17.3 docker pull kibana:7.17.3 docker pull mongo:4 在系统管理->全局安全配置中启用基于角色的权限管理： 关闭代理，保存 分配管理员、运维和other三个角色，分别配置对应权限 将用户和角色绑定 4. gitlab# 4.1 启动容器# docker
1.8K30编辑于 2023-03-17 - 来自专栏格物致知
CPU流水线详解
2增加流水线级数为什么能提升工作效率 我们对车辆1进行跟踪测试，其在3级流水线上的生产时间为8s+12s+10s=30s,同样是车辆1在6级流水线上的生产时间为4s+4s+6s+6s+5s+5s= intel的贝瑞特大叔还要放弃冲击4GHz的计划呢？ 但性能与执行效率并不高 目前，P4处理器采用31级流水线工位，而A64则是12级流水线工位。。。 有些朋友会问：Intel的二级缓存能直接比AMD处理器的缓存么? INTEL的 L1 是数据代码指令追存缓存 AMD L1是实数据读写缓存 I L1的概念是 I L1里存着 数据在L2里的地址 L1 不存实际数据 所以大家看到 P4等 I CPU的 L1 都比较小 缓存的概率是80% CPU使用128-256K缓存的概率是10% CPU使用256-512K缓存的概率是5% CPU使用512-1M缓存的概率是3% CPU使用更大缓存的概率是2% P4的架构
88030编辑于 2022-08-19 - 来自专栏瓜大三哥
HLS应用流水线
主要对于FOR循环进行优化
74460发布于 2018-02-26 - 来自专栏编舟记
流水线即代码
说得烂俗点，流水线已经是 CI/CD 实践过程中的“最后一公里”，让流水线变成软件开发中的“一等公民”（即代码）是大势所趋、民心所向。 这些问题会在流水线的演化过程中恶化得越来越严重。一般来讲，除非不再使用，否则流水线不会保持一成不变。 stage('Packing') {…} stage('Archive') {…} stage('DEV') {…} } stage('SIT') { timeout(time:4, 流水线自举 小结 流水线即代码是个新概念，也就意味着我们还需要花时间去探索与之相关的实践，比如，调试和测试（既然是代码就需要测试）。 一旦有了这些实践，我们就可以把流水线本身作为产品放到流水线上运作起来，那时将会看到一种很好玩的现象——旧的流水线会构建并部署新流水线，完成流水线的自举 (pipeline bootstrap) 。
94830发布于 2018-08-17 - 来自专栏希里安
流水线使用浅谈
## jenkins和gitlab-ci 有读者有疑惑，为什么先用gitlab-ci而不是jenkins，我这里就来简单对比下，gitlab的流水线和jenkins的流水线。 1. 4. 可扩展性: - GitLab CI:可以安装GitLab Runner来扩展,支持与Kubernetes集成,较易于水平扩展。 总之个人开发者或者小团队来讲可以选择gitlab的流水线足够使用，而规模大一点就根据实际选择gitlab或者jenkins流水线，结合使用。 所以,我们可以在同一个CI/CD流水线中,使用shell执行器构建应用,使用docker执行器部署应用。 如果一个Runner的job队列太长,可以注册更多Runner来提高CI流水线的处理能力。 . 不同机器资源。
90510编辑于 2023-10-30 - 来自专栏k8s技术圈
创建 Tekton 流水线
前面我们创建的两个任务 test 和 build-and-push 都已经完成了，我们还可以创建一个流水线来将这两个任务组织起来，形成一个流水线，这里就是我们要使用的 Pipeline 这个 CRD 对象 创建流水线 比如我们这里的流水线流程为先运行 test 任务，如果通过了再执行后面的 build-and-push 这个任务，那么我们可以创建一个名为 test-pipeline.yaml 的资源对象， github kubectl get pods | grep test-pipelinerun test-pipelinerun-build-and-push-62g65-pod-6jqqf 0/4 Init:1/2 0 3s test-pipelinerun-test-c4r9m-pod-j7jjd 0/2 Completed 0 test-pipelinerun-build-and-push-62g65 build-and-push 38 seconds ago 13 seconds Succeeded ∙ test-pipelinerun-test-c4r9m
1.1K40发布于 2021-06-25 - 来自专栏shigen的学习笔记
CICD流水线实战
先分享一下shigen的学习视频资源：CICD流水线实战git分布式版本控制器。gitlab可以创建私人的仓库，github私有仓库需要付费。SVN 不推荐！ 最后，总结一下jenkins的自动化流程的步骤：图片pipline流水线参考文章：pipeline流水线以上就是shigen最近几天学习的成果，关于CICD流水线实战的全部内容。
98620编辑于 2023-08-15 - 来自专栏杂烩
Rancher流水线配置文档
一、概述 Rancher流水线从逻辑上可以分为两部分，即CI和CD。 CI，可分化为克隆代码、代码打包、发布镜像三部分。 CD，可分为部署镜像。 二、配置 完整的流水线脚本，类似如下： stages: - name: build steps: - runScriptConfig: image: maven:3.6.0-
2.3K20发布于 2019-03-12
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