- 综合排序
- 最热优先
- 最新优先
- 来自专栏Postgresql源码分析
Postgresql源码（7）Xlog格式
日志头格式 typedef struct XLogPageHeaderData { 【校验用magic数字】 uint16 xlp_magic; /* magic value for correctness we can (and we do) restore entire page in redo */ #define XLOG_HEAP_INIT_PAGE 0x80 XLOG RECORD的数据格式
55110编辑于 2022-07-16 - 来自专栏生信技能树
7.JSON格式数据的格式化
值得继续分享： 200个生信工程师面试考题 JSON格式简介 JSON（JavaScript Object Notation），是一种数据交互格式。 在JSON格式出现之前，大家都用XML传递数据。 XML是一种纯文本格式，所以适合在网络上交换数据，但是XML格式比较复杂，知道拉格斯.克罗克福特发明了JSON这种超轻量级的数据交换格式。 ---- JSON有两种数据格式：对象和数组 对象：用大括号表示，由键值对组成，每个键值对用逗号分隔开。 其中key必须作为字符串而且是双引号，value可以是多种数据类型 数组 ：用中括号表示，每个元素之间用逗号分隔开 JSON格式与python格式的对应 Python JSON dict object /usr/bin/python import pandas as pd import json from collections import OrderedDict #1.将json格式转换为python
2.4K40发布于 2021-03-24 - 来自专栏大语言模型，算力共享
tinygrad框架简介；MLX框架简介
目录tinygrad框架简介MLX框架简介LLaMA编辑Stable Diffusion编辑tinygrad框架简介极简主义与易扩展性 tinygrad 的设计理念是极简主义。 MLX框架简介基本信息开发者：Apple的机器学习研究团队设计理念：专为苹果芯片设计，旨在提供一个既简单易用又高效的研究环境，让研究人员能够快速探索和实现新的算法思想。 主要特点紧密类似NumPy的API：MLX提供了与NumPy类似的Python API，以及与之对应的C++ API，使得开发者能轻松上手。 ）语音识别（利用OpenAI的Whisper进行语音识别）获取方式MLX可以通过PyPI安装Python API，或者通过GitHub上的源代码进行编译和安装。 综上所述，tinygrad和MLX都是具有独特特点和优势的深度学习框架，分别适用于不同的开发者和应用场景。
73620编辑于 2024-07-23 - 来自专栏学海无涯
SwiftUI-MLX本地大模型开发
介绍 MLX 是 Apple 专为 Apple 芯片设计的机器学习框架。 MLX Swift 将 MLX 扩展到了 Swift，可以直接在 iOS 项目中使用而无需借助 Python。 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。
58110编辑于 2025-02-19 - 来自专栏学海无涯
SwiftUI-MLX本地大模型开发（四）
介绍 在 SwiftUI-MLX本地大模型开发、SwiftUI-MLX本地大模型开发（二）与 SwiftUI-MLX本地大模型开发（三）中，我们解决了基本使用、定制模型、使用本地模型、更改模型存储路径、 环境 pip install mlx pip install mlx-lm pip install transformers 数据 新建文件train.jsonl、valid.jsonl与test.jsonl 根据模型说明文件，准备数据，格式如下。本文以ticoAg/Chinese-medical-dialogue进行微调。 {"text": "你是谁?\n我是你的私人智能小助手，我叫羊羊。"} mlx_lm.lora \ --train \ --model /Users/yangfan/Documents/huggingface/models/mlx-community/Llama-3.2 \ --model /Users/yangfan/Documents/huggingface/models/mlx-community/Llama-3.2-1B-Instruct-4bit \ -
38210编辑于 2025-04-21 - 来自专栏学海无涯
SwiftUI-MLX本地大模型开发（二）
介绍 在 SwiftUI-MLX本地大模型开发一文中，我们已经详细讲了如何利用 MLX 进行本地大模型的开发。但是通过案例可以发现 2 个问题： MLX 内置的大模型数量有限。 可以在 Hugging Face 模型搜索地址 中搜索需要的 MLX 大模型。 // MARK: - 注册自定义模型，模型必须为MLX格式 extension MLXLLM.ModelRegistry { public static let llama3_2_3B_4bit = ModelConfiguration( id: "mlx-community/Llama-3.2-3B-Instruct-4bit", // Hugging Face上模型的仓库路径 可以在 Model Scope 模型搜索地址 中搜索并下载需要的 MLX 大模型。
32200编辑于 2025-04-14 - 来自专栏学海无涯
SwiftUI-MLX本地大模型开发（三）
/huggingface/models/mlx-community目录（iOS）。 案例：将模型存储位置更改为：/Users/yangfan/Downloads/mlx_models/models/mlx-community（macOS）或者 sandbox 下的Downloads/mlx_models /models/mlx-community目录（iOS）。 # 安装mlx_lm pip install mlx mlx-lm # 下载模型到本地 modelscope download --model NousResearch/Hermes-3-Llama- --hf-path /Users/yangfan/Documents/modelscope/Hermes-3-Llama-3.2-3B -q # --mlx-path：转换后模型存储路径 mlx_lm.convert
58210编辑于 2025-04-14 - 来自专栏韩曙亮的移动开发专栏
【Android 安装包优化】7z 文件压缩格式 ( 7z 格式简介 | 7z 命令使用说明 )
文章目录 一、7z 文件压缩格式简介 二、7z 命令使用说明 1、压缩命令 2、解压命令 三、7z 命令示例 1、配置 7z 命令环境变量 2、压缩 3、解压缩 四、参考资料 一、7z 文件压缩格式简介 ---- 7z 文件压缩格式 , 压缩比很高 , 压缩时可以选择多种压缩算法 , 该算法比 zip , tar , rar 等压缩格式的压缩比率更高 , 得到的压缩后的文件最小 ; 7-Zip 简介 : 开源压缩软件 , 压缩比率高 , 压缩时消耗的资源也多 ; 支持 7z , xz , bzip2 , gzip , tar , zip , wim 等压缩格式 , 不支持 rar 格式 ( 这个还在专利保护期内 ) ; 7-Zip 官网 : https://www.7-zip.org/ 7-Zip 软件压缩比率 , 比 WinZip , WinRAR , 等压缩任何格式都要高 , 包括 zip 和 rar 表示压缩类型 , -t7z 表示压缩格式为 7z , -tzip 表示压缩格式是 zip 格式 ; 压缩等级含义 : 0 : 不压缩 , 只存储 ; 1 : 快速压缩 ; 5 : 正常压缩 ; 7 :
3.9K20编辑于 2023-03-29 - 来自专栏学海无涯
SwiftUI-MLX本地大模型开发（五）
适配本地模型：适用于运行在 Apple Silicon 上的 MLX 模型。 支持资源监控：可输出内存占用等性能指标，方便优化推理策略。 llm-tool使用步骤 克隆项目git clone https://github.com/ml-explore/mlx-swift-examples.git。 使用 Xcode 打开mlx-swift-examples项目，选择 llm-tool 进行编译。 通过终端命令mlx-run llm-tool eval快速测试。 案例 cd mlx-swift-examples . /mlx-run llm-tool eval \ --model /Users/yangfan/Documents/modelscope/Hermes-3-Llama-3.2-3B \
35610编辑于 2025-05-06 - 来自专栏全栈程序员必看
mac解压7z格式文件
brew直接安装解压工具 $ brew search 7z p7zip $ brew install p7zip ==> Downloading https://downloads.sourceforge.net /project/p7zip/p7zip/9.20.1/p7zip_9.20.1_src_all.tar.bz2 ############################################ ############################ 100.0% ==> make all3 CC=clang ==> make DEST_HOME=/usr/local/Cellar/p7zip /9.20.1 DEST_MAN=/usr/local/Cellar/p7zip/9.20.1/share/man install ==> chmod -R +w /usr/local/Cellar/p7zip /9.20.1/share/doc/p7zip 然后使用7z命令即可 7z e filename.7z 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/112191.
3.5K50编辑于 2022-07-11 - 来自专栏机器之心
苹果为自家芯片打造开源框架MLX，实现Llama 7B并在M2 Ultra上运行
项目地址：https://github.com/ml-explore/mlx MLX 项目贡献者之一、Apple 机器学习研究团队（MLR）研究科学家 Awni Hannun 展示了一段使用 MLX 框架实现 Llama 7B 并在 M2 Ultra 上运行的视频。 MLX 还有更高级的包（比如 mlx.nn 和 mlx.optimizers），它们的 API 很像 PyTorch，可以简化构建更复杂的模型。 可组合函数变换。 MLX 与其他框架的显著差异在于统一内存，阵列共享内存。MLX 上的操作可以在任何支持的设备类型上运行，无需移动数据。 此外，项目中提供了多种使用 MLX 框架的示例，比如 MNIST 示例可以很好地让你学习如何使用 MLX。
1.4K10编辑于 2023-12-12 - 来自专栏福大大架构师每日一题
MLX 性能大幅提升 ， Gemma4 闪光注意力全面启用
一、ollama v0.20.4整体更新概览 本次v0.20.4版本发布时间为2026年4月9日，核心提交集中在4月7日与4月8日，整体变更可划分为六大核心板块： 1. 该项改动位于responses模块，直接扩展API响应结构，前端与后端服务均可无缝对接新的返回格式，无需额外适配改造。 （三）统一MLX变体加载策略 对mlx_*目录进行倒序排序加载，优先加载高版本MLX库（如mlx_metal_v4优先于mlx_metal_v3），自动跳过不兼容硬件平台的变体，实现硬件自适应加载，无需用户手动指定库路径 构建打包Safetensors格式数据，支持多张量合并 4. 自定义模型部署更简单 Safetensors导入修复、实验性路径简化，让开源模型一键转为ollama可用格式，降低本地化部署成本。 3.
26720编辑于 2026-04-14 - 来自专栏路过君BLOG from CSDN
EXTJS7 store数据格式预处理
服务接口提供的数据格式没办法直接使用，可通过实现reader.transform函数进行预处理 样例 Ext.create('Ext.data.Store', { model: 'User',
46020发布于 2020-06-19 - 来自专栏C++系列
【C++】格式与实例化操作——详解（7）
_a[N]; int _top; }; 二.函数模板 1)函数模板概念 函数模板代表了一个函数家族，该函数模板与类型无关，在使用时被参数化， 根据实参类型产生函数的特定类型版本 ; 2)函数模板的格式 7); Date d2(2022, 7, 8); cout << Less(d1, d2) << endl; // success Date* p1 = &d1; Date* p2 = &d2 7); Date d2(2022, 7, 8); cout << Less(d1, d2) << endl; // success Date* p1 = &d1; Date* p2 = &d2 一般情况下如果函数模板遇到不能处理或者处理有误的类型，为了实现简单通常都是将该函数直接给出 bool Less(Date* left, Date* right) { return *left < *right; } 三.类模板 1)类模板的格式 7); Date d2(2022, 7, 6); Date d3(2022, 7, 8); vector<Date> v1; //场景1 v1.push_back(d1); v1.push_back
32910编辑于 2024-01-22 A800_1.6T RDMA实例测试指导文档
版本 改动 V7 - 2024/3/4 升级GPU驱动（535.129.03），容器镜像（NGC 23.11） V8 - 2024/3/4 更正OS镜像信息，更新容器镜像（基于NGC 24.01） V9 - 2024/7/26 更新容器镜像（基于NGC 24.03） 一、 购机选择正确的共享镜像 从"共享镜像"标签中选择“A800_535_TL24_CVM_RELEASE img-haurw7f3 RDMA驱动、nvidia_peermem Linux内核增加ARP双发特性，支持RDMA的双发（提供内核patch） RDMA bond网络的反向路由检查 bond配置脚本，rdma网卡名不建议ethX格式 带宽测试server： taskset -c 20,21 ib_write_bw -d mlx5_bond_0 -x 3 -F --report_gbits -p 18500 -D 2 -q 10 -- server端IP, taskset绑核需要与网卡numa node一致, 并且由于pcie switch限制，网卡需要错开pcie switch验证, 例如bond0/2/4/6同时测，bond1/3/5/7同时测
1K10编辑于 2024-10-22- 来自专栏全栈程序员必看
Linux7Centos7磁盘分区、格式化及LVM管理
RHEL7如何对磁盘进行分区和格式化以及如何配置LVM，与以前版本的RHEL区别不大，可以通过disk工具（在图形桌面中运行）或命令工具（如：fdisk、gdisk、parted）管理硬盘设备。 RHEL7可以用xfs_growfs来扩大XFS文件系统，也可以直接用resize2fs 来处理设备 注意的是 XFS系统只能增长，不能减少！ 最新版本的CentOS/RHEL 7现在随带系统存储管理器（又叫ssm），这是一种统一的命令行界面，由红帽公司开发，用于管理各种各样的存储设备。 目前，有三种可供ssm使用的卷管理后端：LVM、Btrfs和Crypt 准备ssm，在CentOS/RHEL7上，你需要首先安装系统存储管理器。 在这个例子中，我们使用CentOS 7，XFS文件系统在默认情况下创建。因而，我们使用xfs_growfs来扩大现有的XFS文件系统。
7.3K10编辑于 2022-09-01 Mac Studio M4 通过 vLLM 部署本地大模型，对接 Jeecg-AI
vllm-mlx4.3 验证安装vllm-mlx --help5. 模型选型推荐基于 128GB 内存，以下是推荐的模型（均为 MLX 格式，位于 Hugging Face 的 mlx-community 组织下）：模型名称内存占用优势推荐等级Qwen3-30B-A3B /Qwen2.5-72B-Instruct-4bit \ --local-dir ~/models/Qwen2.5-72B-Instruct-4bit# 如下载中断，重新执行同一命令即可续传7. 启动# 激活环境source ~/.venv-vllm-mlx/bin/activate# 启动服务vllm-mlx serve mlx-community/Qwen2.5-72B-Instruct- /Qwen2.5-72B-Instruct-4bit --port 800111.5 生成速度慢确认是否使用了 MLX 格式模型（mlx-community 前缀）尝试启用 Paged Attention
1.7K10编辑于 2026-03-12Ollama MLX支持深度解析：Apple Silicon如何成为AI开发新主力平台
1.技术突破：MLX、NVFP4和缓存优化的协同效应技术原理解析Ollama这次的技术突破主要体现在三个方面：MLX框架支持MLX是苹果推出的机器学习框架，专为AppleSilicon设计。 常见问题解决方案问题1：模型兼容性解决方案：使用MLX转换工具将现有模型转换为MLX格式命令：mlx-convert--inputmodel.pt--outputmodel.mlx问题2：内存不足解决方案 ：启用模型量化，使用INT8格式命令：ollamarunmlx-model--quantizeint83.行业影响：AI开发生态的重构对开发者的意义降低入门门槛：AppleSilicon用户无需额外硬件即可进行 Q：MLX和PyTorch/TensorFlow相比有什么优势？A：MLX专为AppleSilicon设计，能够充分利用硬件特性，在本地推理速度和能效比上表现更好。 Q：现有的Ollama模型可以直接在MLX上运行吗？A：需要先转换为MLX格式。Ollama提供了转换工具，可以将现有的PyTorch模型转换为MLX格式，但可能需要一些调整。
77910编辑于 2026-03-31H800_3.2T RDMA测试指导文档
驱动、nvidia_peermem Linux内核增加ARP双发特性，支持RDMA的双发（提供内核patch） RDMA bond网络的反向路由检查 bond配置脚本，rdma网卡名不建议ethX格式 -p 18506 -D 2 -q 16 --run_infinitely taskset -c 106,107 ib_write_bw -d mlx5_bond_7 -x 3 -F --report_gbits on two nodes #node0 bash start.sh 10.0.0.6 2 0 7 #node1 bash start.sh 10.0.0.6 2 1 7 # ！！ on two nodes #node0 bash start.sh 10.0.0.6 2 0 7 #node1 bash start.sh 10.0.0.6 2 1 7 # ！！ _bond_0,mlx5_bond_1,mlx5_bond_2,mlx5_bond_3,mlx5_bond_4,mlx5_bond_5,mlx5_bond_6,mlx5_bond_7 export NCCL_NET_GDR_LEVEL
1.2K10编辑于 2024-10-22- 来自专栏工程监测
MLX90640 开发笔记 成果展示-红眼睛相机
MLX90640 开发笔记 最终的成果是一个微型的USB接口红外成像模块（微型红外成像仪30*30mm），可以连接到Android手机或者计算机的USB接口，实时显示热像视频，和手机相机差不多，只不过它是热红外成像
45220编辑于 2022-06-28
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