- 综合排序
- 最热优先
- 最新优先
- 来自专栏佳爷的后花媛
今日推荐：lima
Lima在macOS上启动Linux虚拟机，并具有自动文件共享，端口转发和容器化功能。可以将Lima视为某种非官方的“ Linux的macOS子系统”，或“ Mac的容器”。 Lima的目标是向Mac用户推广包含nerdctl（contaiNERD ctl）的容器，但是Lima也可以用于非容器应用程序。 _64 x86_64 GNU/Linux $ LIMA_INSTANCE=arm lima uname -a Linux lima-arm 5.11.0-16-generic #17-Ubuntu SMP /lima is writable from both macOS and Linux" > /tmp/lima/another-file' $ cat /tmp/lima/another-file /tmp/lima is writable from both macOS and Linux" 运行容器化容器（与Docker容器兼容） $ lima nerdctl run -d --name nginx
1.3K20发布于 2021-06-10 - 来自专栏我的小碗汤
在 MacOS 上通过 Lima 使用 Docker
然后经过搜索有这么几种：podman[2] 和 lima[3] 像一些基于 lima 的产品就不列出来了 实验了 podman 也挺好。 而 lima 提供了自定义 cpuType 的选项 lima 是什么 Linux virtual machines, typically on macOS, for running containerd 在我看来，就是在 macOS 上搞容器，合我心意就开始实践 如何使用 lima 安装 macOS 就不多说了，直接 brew 一把梭 brew install lima 开始创建实例 macOS 和 Windows 然后，我就照着 lima 默认有个 nerdctl.lima 命令。写了个 docker vim bin/docker #! : https://github.com/lima-vm/lima [4] Expose Lima Machine Ports Lan: https://github.com/lima-vm/lima/
3.6K20编辑于 2023-03-19 - 来自专栏网站技术分享
用 Lima 在你的 Mac 上运行容器
Lima当 lima 项目 已经解决了这些细节问题时，就没有理由再去做这些努力了。让 lima 运行的最简单方法之一是使用 Homebrew。 你可以用这个命令安装 lima： $ brew install lima 安装后，可能需要一些时间，就享受一些乐趣了。为了让 lima 知道你已经准备好了，你需要启动它。 默认情况下，lima 运行 containerd 来管理容器。containerd 管理器也是一个非常简洁的管理器。 lima 工具允许无需在本地安装就可以直接从虚拟机内部运行 nerdctl。做完这些后，可以运行一个容器了！这个容器将运行一个 HTTP 服务器。 检查你是否能看到新的文件： $ curl localhost:8000/foo.htmlgoodbye 总结总结一下，安装 lima 需要一些时间，但完成后，你可以做以下事情：运行容器。
2K10发布于 2021-10-13 - 来自专栏微言码道
善用开源，MacOS下绝佳的Linux虚拟工具 - Lima
Lima的官网是：https://lima-vm.io/docs/ Lima Lima是一款MacOS上的Linux虚拟软件。和我以前介绍的Ubuntu的Multipass这个工具非常类似。 通过Lima可以仅通过一个命令就方便的创建并使用一个虚拟的无GUI的Linux。在Lima之前，我一直是通过ubuntu的multipass来做这个。 看到没，基本上你会用的Linux，你都能用Lima虚拟出来。而虚拟这些Linux在Lima中简单到只需要一行命令。 好在Lima是通过templates来解决这个问题，lima本身内置了很多模板，你也可以定制你自己的模板。 Lima的优势非常明显： 它是开源的工具，而Multipass是并不是 Lima支持几乎所有Linux，而Multipass只支持Ubuntu Lima不仅能做Linux虚拟机，还能承担docker desktop
5K10编辑于 2024-06-05 - 来自专栏云计算运维
用 Lima 在你的 Mac 上运行容器
Lima 当 lima 项目 已经解决了这些细节问题时，就没有理由再去做这些努力了。让 lima 运行的最简单方法之一是使用 Homebrew。 你可以用这个命令安装 lima： $ brew install lima 安装后，可能需要一些时间，就享受一些乐趣了。为了让 lima 知道你已经准备好了，你需要启动它。 默认情况下，lima 运行 containerd 来管理容器。containerd 管理器也是一个非常简洁的管理器。 lima 工具允许无需在本地安装就可以直接从虚拟机内部运行 nerdctl。 做完这些后，可以运行一个容器了！这个容器将运行一个 HTTP 服务器。 这些都是通过 lima nerdctl 实现的。
2K40发布于 2021-10-11 - 来自专栏MoeLove
K8S 生态周报| Lima 已正式加入 CNCF
而且我想起来我草稿箱里还有一篇未完成的关于 cert-manager 的文章，过段时间抽空完成后再发出来) nerdctl 正式发布 v1.0 去年在我为大家介绍 Docker Desktop 的替代品 Lima 此外另一个很重要的事情是： Lima 已经正式加入 CNCF 成为 Sandbox 级别的项目。 Lima 实际运行的就是 containerd 和 nerdctl ，这样也会加速 nerdctl 的发展。
71430编辑于 2022-12-07 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine——南极洲大地卫星地表反射率SR高清图像
Landsat Image Mosaic of Antarctica (LIMA) - Processed Landsat Scenes (16 bit) The Landsat Image Mosaic of Antarctica (LIMA) is a seamless and virtually cloudless mosaic created from processed Landsat 7 ETM Users can find individual image metadata available as a table at: USGS/LIMA/SR_METADATA 南极洲大地卫星图像马赛克（ LIMA）是一个无缝的、几乎无云的马赛克，由经过处理的大地卫星7 ETM+场景创建。 usgs/lima/sr_metadata Dataset Availability 1999-06-30T00:00:00 - 2002-09-04T00:00:00 Dataset Provider
33010编辑于 2024-02-02 - 来自专栏crmeb
如何在 Mac 上愉快的使用 Docker
方案先说结论: Lima YES! hook; 所以不论是装个 Docker 还是 k8s, 亦或是弄个其他的东西都很方便; 而且很多方案比如 docker 官方都有相关样例, 我们可以直接照抄外加做点自定义.5.1、Lima 安装Lima 在 Mac 下安装相对简单, 以下命令将安装 master 分支版本.// 输入代码内容brew install lima --HEAD在正常情况下, 安装 Lima 会附带安装 QEMU, 如果本机已经安装 使用默认情况下 Lima 安装完成后会生成一个 lima 的快捷命令, 目前不太推荐使用, 原因是看起来方便一点但是没法控制太多参数, 所以仍然建议使用标准的 limactl 命令进行操作. limactl : $ limactl start Open a shell: $ lima Run a container: $ lima nerdctl run -d --name nginx -p 8080
7.3K30编辑于 2022-06-22 - 来自专栏深度学习自然语言处理
Meta AI 重磅推出LIMA！媲美GPT-4、无需RLHF就能对齐！
LIMA，只使用1000个精心挑选的样本微调一个 65B LLaMa，无需RLHF，性能媲美甚至优于GPT-4！ 结果 根据人类偏好的实验结果，LIMA 的表现比 Alpaca 65B 和 DaVinci003 都要更好！ Bard 情况要好，在 42% 的时间产生了比 LIMA 更好的响应；然而，这也意味着至少58%的时间， LIMA 的表现和 Bard 相当。 最后，虽然 Claude 和 GPT-4 通常比 LIMA 的表现更加出色，但很多情况下，LIMA 确实能产生更好的响应。 在零样本上，LIMA的响应出奇地连贯，并引用了前面对话的信息。但很明显，这个模型正在超出分布范围；在10次交流中有6次，LIMA在3个互动之内未能遵循提示。
68140编辑于 2023-08-22 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine——USGSLIMAMOSAIC南极洲大地卫星图像镶嵌（LIMA）是一个无缝的、几乎无云的数据，由经过处理的大地卫星7 ETM+场景创建。
Landsat Image Mosaic of Antarctica (LIMA) 16-Bit Pan-Sharpened Mosaic The Landsat Image Mosaic of Antarctica (LIMA) is a seamless and virtually cloudless mosaic created from processed Landsat 7 ETM+ scenes. This LIMA dataset is the 16-bit Intermediate LIMA. LIMA）是一个无缝的、几乎无云的数据，由经过处理的大地卫星7 ETM+场景创建。 这个LIMA数据集是16位的中级LIMA。马赛克由泛锐化的归一化表面反射率场景（Landsat ETM+波段1、2、3和4）组成。
26810编辑于 2024-02-02 - 来自专栏机器之心
没有RLHF，一样媲美GPT-4、Bard，Meta发布650亿参数语言模型LIMA
谷歌的 Bard 模型则显示出与 DaVinci003 相反的趋势，在 42% 的时间内产生比 LIMA 更好的回答；而 58% 的情况 LIMA 的回答与 Bard 相当或者更好。 最后，虽然 Claude 和 GPT-4 通常比 LIMA 表现更好，但在很多情况下 LIMA 确实产生了更好的回答。值得注意的是，即使是 GPT-4 也有 19% 的情况更喜欢 LIMA 的输出。 虽然样本数量非常小，但 LIMA 已经在其训练分布之外实现了类似的性能结果，这表明 LIMA 能够很好地泛化。 在某些情况下，LIMA 完全拒绝执行任务，但当恶意意图比较模糊时，LIMA 更有可能提供不安全的回答。 为什么「Less More」？ 其次，LIMA 并不像产品级模型那样鲁棒，虽然 LIMA 通常会产生良好的反应，但在解码过程中一个不幸运的样本或一个敌对的 prompt 往往会导致一个弱的反应。
41620编辑于 2023-05-31 - 来自专栏freesan44
LeetCode 1436. 旅行终点站
示例 1： 输入：paths = [["London","New York"],["New York","Lima"],["Lima","Sao Paulo"]] 输出："Sao Paulo" 本次旅行的路线是 "London" -> "New York" -> "Lima" -> "Sao Paulo" 。 return key if \_\_name\_\_ == '\_\_main\_\_': paths = [["London","New York"],["New York","Lima "],["Lima","Sao Paulo"]] ret = Solution().destCity(paths) print(ret)
37120发布于 2021-09-07 - 来自专栏微言码道
向Docker桌面版本说不，你可以有更好的选择
MacOS & Lima 前段时间我介绍了Lima这个工具。它是一个完全的开源解决方案。 比如我的M1芯片的MacOS, Lima是用Apple提供的虚拟化技术来虚拟Linux, 性能及各方面表现都非常完美，而且是一个开源的解决方案。 访问这篇我以前写的文章以了解Lima，善用开源，MacOS下绝佳的Linux虚拟化工具 - Lima Lima和Orbstack的主要区别在于： Lima是开源的，Orbstack是商业 Lima是一个纯 所以，如果你喜好开源，又不介意只用Shell命令来做这些事，我认为选择Lima是更好的选择。 最后 使用上述解决方案，比如Lima。 选择Lima则更没有License,是否商业支持等这方面的担忧。我个人偏好开源的选择，所以当然选择Lima。 后面我再详细介绍如何在MacOS上结合Lima搭建一个支持Docker工具的环境。
3.2K10编辑于 2024-06-27 - 来自专栏Elixir
Django Web 极简教程（六）- Django Form（Part A）
Django Form 也可以模拟生成前端的 HTML 表单，而无须手动书写，并且支持表单信息的验证 使用 PyCharm 创建一个新的项目 Django 项目 django_forms，并创建应用 lima 图片 PyCharm 已经自动配置好了模板所在目录 图片 在 lima 应用中创建 urls.py from django.urls import path from lima import views urlpatterns = [ ] 在根 urls.py 中添加 lima 应用的路由 from django.contrib import admin from django.urls import path, include from lima import urls as lima_urls urlpatterns = [ path('admin/', admin.site.urls ), path('lima/', include(lima_urls)) ] 在 lima 应用中的 views.py 中定义一个视图类 Register，并在该类中定义 get 和 post
1.3K10编辑于 2022-09-26 - 来自专栏用户3288143的专栏
【数据分析可视化】各国商店-小试牛刀
Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', /Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', /Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima', 'GMT-05:00 America/Lima',
60140发布于 2020-07-08 - 来自专栏小七的各种胡思乱想
LTD & LIMA & AlpaGasus
毕竟你抖音刷1000条杂七杂八的中医养生小知识，可能比不上精读黄帝内经+神农本草不是~ LIMA 论文：LIMA: Less Is More for Alignment 要点：人工构建1K高质量样本用于对齐 ，高质量主要指输出的风格一致性，以及输入的多样性 LIMA是比较早提出Quality Over Quantity观点的论文。 图片 对比LIMA，ALPAGASUS没有对什么是高质量进行很明确的定义，但是提出了自动化样本过滤的方案，成本更低，更简单粗暴。
1.6K90编辑于 2023-10-05 - 来自专栏freesan44
LeetCode 1436. 旅行终点站
示例 1： 输入：paths = [["London","New York"],["New York","Lima"],["Lima","Sao Paulo"]] 输出："Sao Paulo" 解释 本次旅行的路线是 "London" -> "New York" -> "Lima" -> "Sao Paulo" 。 return key if __name__ == '__main__': paths = [["London","New York"],["New York","Lima "],["Lima","Sao Paulo"]] ret = Solution().destCity(paths) print(ret)
19210编辑于 2021-12-06 - 来自专栏自然语言处理(NLP)论文速递
质量>数量！数据对大型语言模型（LLM）整个生命周期的影响！
最全Prompt工程方法总结(超全） LIMA Zhou等人通过训练 LIMA（LLaMA-65B的衍生模型）来研究预训练与对齐的相对重要性，LIMA在精选的对齐数据集上进行SFT（无 RLHF）。 LIMA 的性能与多种不同语言模型的性能进行了比较。 除了上面进行的模型比较试验之外，Zhou等人还手动评估了 LIMA 生成的 50 个随机响应的质量。有趣的是，LIMA在50个回答中答出了44个，并且有25个回复相当出色。 这样的结果表明 LIMA 实际上具有良好的泛化能力，而不仅仅是过度拟合精选的微调数据集。除此之外，LIMA 可以相对较好地（但不是很好）执行多轮对话，尽管其微调数据集中没有这样的例子。 鉴于 LIMA 也主要由众包工作者进行评估，Zhou等人的结果也受到类似的限制。
2.1K40编辑于 2023-09-02 - 来自专栏新智元
一文解决所有「语言模型」疑问：能不能训多个epoch？怎么微调效率高？需要多少条数据？
；或者从另一个角度来看，大约有一半的情况，LIMA可以优于GPT-4的前身ChatGPT/GPT3.5（也叫DaVinci 003）。 不过还有一个问题是，同样是有监督微调后的LLaMA模型，为什么LIMA的表现比Alpaca好这么多？ 首先，LIMA基于65B LLaMA模型，而原始Alpaca模型基于7B LLaMA基础模型。 所以可以得出结论，差异实际上来源于作者为LIMA精心策划的训练集的质量，使得LIMA可以击败在52倍数据上训练的相同的65B LLaMA基础模型。 不过还缺少的一个基线对比和消融研究是LIMA与使用RLHF而非有监督学习进行微调的65B LLaMA基础模型。 虽然LIMA的实验结果非常有前景，不过有一篇论文的研究结果也需要注意，模仿学习得到的语言模型可能并没有想象中的那么强。
1.6K30编辑于 2023-08-05 - 来自专栏运维之美
Docker Desktop 突然宣告收费，是时候弃用了？
最后给大家推荐一个 Docker for Mac 下的替代品 Lima+Containerd+nerdctl。 什么是 Lima？ Lima（Linux MAchines）可以启动具有自动文件共享、端口转发和使用 containerd 的 Linux 虚拟机。 什么是 Containerd？ 更多详细使用方法可参考：『Lima：Docker Desktop for Mac 的免费开源且自由的替代品』一文 参考文档 https://mp.weixin.qq.com/s/rbNSX03rbIb5
7.7K20编辑于 2022-03-04
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