EasyLLM：简化语言模型处理，实现 OpenAI 和 Hugging Face 客户端的无缝切换

前言

在这短短不到一年的时间里，国内外涌现的大型语言模型（LLM）可谓是百花齐放，不管是开源还是闭源都出现了一些非常优秀的模型，然而在利用LLM进行应用开发的时候，会发现每个模型从部署、到训练、微调、API接口开发、Prompt提示词格式等方面都存在或多或少的差异，导致如果一个产品需要接入不同的LLM或者快速切换模型的时候变得更加复杂，使用没有那么方便，也不便于维护。

首先，LLM的使用和部署过程相对复杂。不同的LLM提供商和框架之间存在着差异，导致用户需要进行繁琐的配置和适配工作。例如，使用OpenAI的Completion API、ChatCompletion、Completion和Embedding与使用Hugging Face的对应功能之间可能存在不兼容性，需要用户手动修改代码以适应不同的模型。

其次，LLM的提示格式也是一个问题。不同的LLM可能使用不同的提示格式，使得在不同模型之间切换时需要进行格式转换。这给用户带来了额外的工作量和学习成本。

此外，LLM的响应时间也是一个考虑因素。在某些场景下，特别是需要实时交互的情况下，等待整个LLM完成生成结果可能会导致延迟和不便。

为了解决以上存在的这些问题，EasyLLM应运而生，可以帮我们很轻松的解决这些问题。

一、EasyLLM 介绍

EasyLLM 是一个开源项目，旨在简化和提升处理LLM的过程。它提供了兼容的客户端，使用户能够轻松地在不同的LLM之间切换，只需修改一行代码即可实现。此外，EasyLLM还提供了一个提示助手，帮助用户在不同LLM的格式之间进行转换。而且，EasyLLM支持流式传输，用户可以立即获取部分生成结果，而无需等待整个响应。

EasyLLM第一个版本实现了与 OpenAI 的 Completion API 兼容的Client。这意味着您可以轻松地将openai.ChatCompletion, openai.Completion,openai.Embedding替换为 , huggingface.ChatCompletion，huggingface.Completion或者huggingface.Embedding。只需要通过更改一行代码即可替换 。

通过EasyLLM，我们可以更加方便地利用和应用不同的LLM模型，提高工作效率和灵活性。接下来，让我们深入了解EasyLLM的主要特点和功能，以及它如何为我们带来更好的LLM体验。

二、EasyLLM 特点

以下是当前功能的列表

  • 兼容的客户端- 实现与 OpenAI 的 API、ChatCompletion、Completion和兼容的客户端Embedding。通过更改一行代码即可轻松在不同的LLM之间切换。

  • 提示助手- 帮助在不同 LLM 的格式之间转换提示的实用程序。例如，从 OpenAI 消息格式转到 LLaMA 等模型的提示。

  • 流式传输支持- 从您的 LLM 流式传输完成结果，而不是等待整个响应。非常适合聊天界面之类的东西。

目前为止计划：

  • evol_instruct（正在进行中） - 是一种使用LLM创建指令的方法，可以将简单的指令演变成复杂的指令。

  • prompt_utils- 帮助方法可以在 OpenAI Messages 等提示格式与 Llama 2 等开源模型的提示之间轻松转换。

  • sagemaker客户端可轻松与 Amazon SageMaker 上部署的 LLM 交互

三、EasyLLM 入门

通过 pip 安装 EasyLLM：

pip install easyllm

然后导入一个客户端并开始使用它：

from easyllm.clients import huggingface# D定义要使用的提示
huggingface.prompt_builder = "llama2"
# huggingface.api_key="hf_xxx" # change api key if neededresponse = huggingface.ChatCompletion.create(model="meta-llama/Llama-2-70b-chat-hf",messages=[{"role": "system", "content": "\nYou are a helpful assistant speaking like a pirate. argh!"},{"role": "user", "content": "What is the sun?"},],temperature=0.9,top_p=0.6,max_tokens=256,
)print(response)

输出结果：

{"id": "hf-lVC2iTMkFJ","object": "chat.completion","created": 1690661144,"model": "meta-llama/Llama-2-70b-chat-hf","choices": [{"index": 0,"message": {"role": "assistant","content": " Arrrr, the sun be a big ol' ball o' fire in the sky, me hearty! It be the source o' light and warmth for our fair planet, and it be a mighty powerful force, savvy? Without the sun, we'd be sailin' through the darkness, lost and cold, so let's give a hearty \"Yarrr!\" for the sun, me hearties! Arrrr!"},"finish_reason": null}],"usage": {"prompt_tokens": 111,"completion_tokens": 299,"total_tokens": 410}
}

查看文档以获取更多示例和详细的使用说明。代码位于GitHub上。

四、EasyLLM 客户端

在 EasyLLM 上下文中，“客户端”是指与特定 LLM API（例如 OpenAI）交互的代码。目前支持的客户端有：

  • ChatCompletion- ChatCompletion 用于与与 OpenAI ChatCompletion API 兼容的 LLM 进行交互。

  • Completion- 用于与 OpenAI Completion API 兼容的LLM进行交互。

  • Embedding- 用于与 OpenAI Embedding API 兼容的 LLM 进行交互。

五、兼容 Hugging Face 客户端

EasyLLM 提供了一个与 HuggingFace 模型连接的客户端。该客户端与HuggingFace Inference API、Hugging Face Inference Endpoints或任何运行文本生成推理或兼容 API 端点的Web 服务兼容。

  • huggingface.ChatCompletion- 用于与 HuggingFace 模型交互的客户端，该模型与 OpenAI ChatCompletion API 兼容。

  • huggingface.Completion- 用于与与 OpenAI Completion API 兼容的 HuggingFace 模型连接的客户端。

  • huggingface.Embedding- 用于与与 OpenAI Embedding API 兼容的 HuggingFace 模型连接的客户端。

5.1、huggingface.ChatCompletion

该huggingface.ChatCompletion客户端用于与在文本生成推理上运行的 HuggingFace 模型交互，这些模型与 OpenAI ChatCompletion API 兼容。

from easyllm.clients import huggingface# hubbingface模块会自动从环境变量HUGGINGFACE_TOKEN或HuggingFace CLI配置文件中加载HuggingFace API密钥。
# huggingface.api_key="hf_xxx"
hubbingface.prompt_builder = "llama2"response = huggingface.ChatCompletion.create(model="meta-llama/Llama-2-70b-chat-hf",messages=[{"role": "system", "content": "\nYou are a helpful, respectful and honest assistant."},{"role": "user", "content": "Knock knock."},],temperature=0.9,top_p=0.6,max_tokens=1024,
)

支持的参数有：

  • model- 用于生成完成结果的模型。如果未提供，默认使用基本URL。

  • messages-List[ChatMessage]用于生成完成结果的聊天消息列表。

  • temperature- 用于生成完成结果的温度参数。默认为0.9。

  • top_p- 用于生成完成结果的top_p参数。默认为0.6。

  • top_k- 用于生成完成结果的top_k参数。默认为10。

  • n- 要生成的完成结果数量。默认为1。

  • max_tokens- 要生成的最大令牌数。默认为1024。

  • stop- 用于生成完成结果的停止序列。默认为None。

  • stream- 是否流式传输完成结果。默认为False。

  • frequency_penalty- 用于生成完成结果的频率惩罚参数。默认为1.0。

  • debug- 是否启用调试日志记录。默认为False。

5.2、huggingface.Completion

该huggingface.Completion客户端用于与在文本生成推理上运行的 HuggingFace 模型进行交互，这些模型与 OpenAI Completion API 兼容。

from easyllm.clients import huggingface# hubbingface模块会自动从环境变量HUGGINGFACE_TOKEN或HuggingFace CLI配置文件中加载HuggingFace API密钥。
# huggingface.api_key="hf_xxx"
hubbingface.prompt_builder = "llama2"response = huggingface.Completion.create(model="meta-llama/Llama-2-70b-chat-hf",prompt="What is the meaning of life?",temperature=0.9,top_p=0.6,max_tokens=1024,
)

支持的参数有：

  • model- 用于生成完成结果的模型。如果未提供，默认使用基本URL。

  • prompt- 用于完成的文本，如果设置了prompt_builder，则提示将使用prompt_builder进行格式化。

  • temperature- 用于生成完成结果的温度参数。默认为0.9。

  • top_p- 用于生成完成结果的top_p参数。默认为0.6。

  • top_k- 用于生成完成结果的top_k参数。默认为10。

  • n- 要生成的完成结果数量。默认为1。

  • max_tokens- 要生成的最大令牌数。默认为1024。

  • stop- 用于生成完成结果的停止序列。默认为None。

  • stream- 是否流式传输完成结果。默认为False。

  • frequency_penalty- 用于生成完成结果的频率惩罚参数。默认为1.0。

  • debug- 是否启用调试日志记录。默认为False。

  • echo- 是否回显提示。默认为 False。

  • logprobs- 是否返回logprobs（对数概率）。默认为None。

5.3、huggingface.Embedding

该huggingface.Embedding客户端用于与作为 API 运行的 HuggingFace 模型进行交互，这些模型与 OpenAI Embedding API 兼容。

from easyllm.clients import huggingface# hubbingface模块会自动从环境变量HUGGINGFACE_TOKEN或HuggingFace CLI配置文件中加载HuggingFace API密钥。
# huggingface.api_key="hf_xxx"embedding = huggingface.Embedding.create(model="sentence-transformers/all-MiniLM-L6-v2",text="What is the meaning of life?",
)len(embedding["data"][0]["embedding"])

支持的参数有：

  • model- 用于创建嵌入的模型。如果未提供，则默认为基本 url。

  • input- Union[str, List[str]]要嵌入的文档。

5.4、环境配置

可以通过设置 Hugging Face 环境变量或覆盖默认值来配置客户端。下面介绍如何调整 HF 令牌、URL 和提示生成器。

5.4.1、设置HF令牌

默认情况下，huggingface客户端将尝试读取HUGGINGFACE_TOKEN环境变量。如果未设置，它将尝试从~/.huggingface文件夹中读取令牌。如果未设置，则不会使用令牌。

或者，您可以通过设置手动设置令牌huggingface.api_key。

手动设置 api 密钥：

from easyllm.clients import huggingfacehuggingface.api_key="hf_xxx"res = huggingface.ChatCompletion.create(...)

使用环境变量：

import os
os.environ["HUGGINGFACE_TOKEN"] = "hf_xxx"from easyllm.clients import huggingface

5.4.2、更改URL地址

默认情况下，Hugging Face客户端会尝试读取HUGGINGFACE_API_BASE环境变量。如果未设置该变量，它将使用默认的URL地址：

https://api-inference.huggingface.co/models

这对于想要使用不同的URL地址（如https://zj5lt7pmzqzbp0d1.us-east-1.aws.endpoints.huggingface.cloud）或本地URL地址（如http://localhost:8000）或Hugging Face推理端点非常有用。

另外，您可以通过设置huggingface.api_base来手动设置URL地址。如果您设置了自定义URL地址，则必须将model参数留空。

手动设置 api base：

from easyllm.clients import huggingfacehuggingface.api_base="https://my-url"res = huggingface.ChatCompletion.create(...)

使用环境变量：

import os
os.environ["HUGGINGFACE_API_BASE"] = "https://my-url"from easyllm.clients import huggingface

5.4.3、构建提示

默认情况下，huggingface客户端将尝试读取HUGGINGFACE_PROMPT环境变量并尝试将值映射到PROMPT_MAPPING字典。如果未设置，它将使用默认的提示生成器。您也可以手动设置。

手动设置提示生成器：

from easyllm.clients import huggingfacehuggingface.prompt_builder = "llama2"res = huggingface.ChatCompletion.create(...)

使用环境变量：

import os
os.environ["HUGGINGFACE_PROMPT"] = "llama2"from easyllm.clients import huggingface

六、从 OpenAI 迁移到 HuggingFace

从 OpenAI 迁移到 HuggingFace 很容易。只需更改导入语句和要使用的客户端以及可选的提示生成器。

- import openai
+ from easyllm.clients import huggingface
+ huggingface.prompt_builder = "llama2"- response = openai.ChatCompletion.create(
+ response = huggingface.ChatCompletion.create(
-    model="gpt-3.5-turbo",
+    model="meta-llama/Llama-2-70b-chat-hf",messages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Knock knock."},],
)

在切换使用不同的客户端（指使用不同的模型或系统）时，确保你的超参数仍然有效。例如，GPT-3模型的temperature参数可能与Llama-2模型的temperature参数不同。

超参数是在机器学习和深度学习中用于调整模型行为和性能的参数。其中一个常见的超参数是温度（temperature），它控制生成文本的多样性和随机性。不同的模型可能对温度参数有不同的要求或默认值，因此在切换使用不同的模型时，需要注意确保超参数的设置与所使用的模型相匹配，以获得预期的结果。

七、提示工具

prompt_utils 模块包含了一些函数，用于将消息字典转换为可以与ChatCompletion客户端一起使用的提示。

目前支持的提示格式有：

  • Llama 2

  • Vicuna

  • Hugging Face ChatML

  • WizardLM

  • StableBeluga2

  • Open Assistant

Prompt utils 还导出了一个映射字典 PROMPT_MAPPING，它将模型名称映射到一个提示构建函数。可以通过环境变量来选择正确的提示构建函数。

PROMPT_MAPPING = {"chatml_falcon": build_chatml_falcon_prompt,"chatml_starchat": build_chatml_starchat_prompt,"llama2": build_llama2_prompt,"open_assistant": build_open_assistant_prompt,"stablebeluga": build_stablebeluga_prompt,"vicuna": build_vicuna_prompt,"wizardlm": build_wizardlm_prompt,
}

以下代码演示了为 Hugging Face 客户端设置提示构建器

from easyllm.clients import huggingface# vicuna, chatml_falcon, chatml_starchat, wizardlm, stablebeluga, open_assistant
huggingface.prompt_builder = "llama2"

7.1、LLama 2 Chat构建器

用于创建LLama 2聊天对话的提示。在Hugging Face博客中可以了解如何使用LLama 2的提示。如果传递了一个不支持的角色的消息，将会抛出错误。

示例模型：

  • meta-llama/Llama-2-70b-chat-hf

from easyllm.prompt_utils import build_llama2_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_llama2_prompt(messages)

7.2、Vicuna Chat构建器

用于创建Vicuna聊天对话的提示。如果传递了一个不支持的角色的消息，将会抛出错误。

示例模型：

  • ehartford/WizardLM-13B-V1.0-Uncensored

from easyllm.prompt_utils import build_vicuna_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_vicuna_prompt(messages)

7.3、Hugging Face ChatML构建器

用于创建Hugging Face ChatML聊天对话的提示。Hugging Face ChatML针对不同的示例模型有不同的提示，例如StarChat或Falcon。如果传递了一个不支持的角色的消息，将会抛出错误。

示例模型：

  • HuggingFaceH4/starchat-beta

7.3.1、StarChat

from easyllm.prompt_utils import build_chatml_starchat_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_chatml_starchat_prompt(messages)

7.3.2、Falcon

from easyllm.prompt_utils import build_chatml_falcon_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_chatml_falcon_prompt(messages)

7.4、WizardLM Chat构建器

用于创建WizardLM聊天对话的提示。如果传递了一个不支持的角色的消息，将会抛出错误。

示例模型：

  • WizardLM/WizardLM-13B-V1.2

from easyllm.prompt_utils import build_wizardlm_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_wizardlm_prompt(messages)

7.5、StableBeluga2 Chat构建器

用于创建StableBeluga2聊天对话的提示。如果传递了一个不支持的角色的消息，将会抛出错误。

from easyllm.prompt_utils import build_stablebeluga_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_stablebeluga_prompt(messages)

7.6、Open Assistant Chat构建器

创建Open Assistant ChatML模板。使用<|prompter|>、</s>、<|system|>和<|assistant|>标记。如果传递了一个不支持的角色的消息，将会抛出错误。

示例模型：

  • OpenAssistant/llama2-13b-orca-8k-3319

from easyllm.prompt_utils import build_open_assistant_promptmessages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Explain asynchronous programming in the style of the pirate Blackbeard."},
]
prompt = build_open_assistant_prompt(messages)

八、应用案例

以下是一些帮助您开始使用 easyllm 库的示例：

例子描述
详细的聊天完成示例
https://philschmid.github.io/easyllm/examples/chat-completion-api/		演示如何使用 ChatCompletion API 与模型进行对话式聊天
如何流式传输聊天请求的示例
https://philschmid.github.io/easyllm/examples/stream-chat-completions/		演示流式传输多个聊天请求以与模型高效聊天。
如何传输文本请求的示例
https://philschmid.github.io/easyllm/examples/stream-text-completions/		演示如何流式传输多个文本完成请求。
详细完成示例
https://philschmid.github.io/easyllm/examples/text-completion-api/		使用 TextCompletion API 通过模型生成文本。
创建嵌入
https://philschmid.github.io/easyllm/examples/get-embeddings/		使用模型将文本嵌入到矢量表示中。
拥抱脸部推理端点示例
https://philschmid.github.io/easyllm/examples/inference-endpoints-example/		有关如何使用自定义端点（例如推理端点或本地主机）的示例
使用 Llama 2 检索增强生成
https://philschmid.github.io/easyllm/examples/llama2-rag-example/		有关如何使用 Llama 2 70B 进行上下文检索增强的示例
Llama 2 70B 代理/工具使用示例
https://philschmid.github.io/easyllm/examples/llama2-agent-example/		如何使用 Llama 2 70B 与工具交互并可用作代理的示例

这些示例涵盖了EasyLLM的主要功能 - 聊天、文本完成和嵌入。

九、Referencs

  • EasyLLM GitHub

    • https://github.com/philschmid/easyllm

  • Llama 2 Prompt

    • https://huggingface.co/blog/llama2#how-to-prompt-llama-2

  • Vicuna Prompt

    • https://github.com/lm-sys/FastChat/blob/main/docs/vicuna_weights_version.md#prompt-template

  • StarChat Prompt

    • https://huggingface.co/HuggingFaceH4/starchat-beta

  • WizardLM Prompt

    • https://github.com/nlpxucan/WizardLM/blob/main/WizardLM/src/infer_wizardlm13b.py#L79

  • StableBeluga2

    • https://huggingface.co/stabilityai/StableBeluga2

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/37412.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

人工智能任务1-【NLP系列】句子嵌入的应用与多模型实现方式

人工智能任务1-【NLP系列】句子嵌入的应用与多模型实现方式

大家好&#xff0c;我是微学AI&#xff0c;今天给大家介绍一下人工智能任务1-【NLP系列】句子嵌入的应用与多模型实现方式。句子嵌入是将句子映射到一个固定维度的向量表示形式&#xff0c;它在自然语言处理&#xff08;NLP&#xff09;中有着广泛的应用。通过将句子转化为向量…
阅读更多...
ASP.NET Core - 缓存之分布式缓存

ASP.NET Core - 缓存之分布式缓存

分布式缓存是由多个应用服务器共享的缓存&#xff0c;通常作为访问它的应用服务器的外部服务进行维护。 分布式缓存可以提高 ASP.NET Core 应用的性能和可伸缩性&#xff0c;尤其是当应用由云服务或服务器场托管时。 与其他将缓存数据存储在单个应用服务器上的缓存方案相比&am…
阅读更多...
沁恒ch32V208处理器开发（三）GPIO控制

沁恒ch32V208处理器开发（三）GPIO控制

目录 GPIO功能概述 CH32V2x 微控制器的GPIO 口可以配置成多种输入或输出模式&#xff0c;内置可关闭的上拉或下拉电阻&#xff0c;可以配置成推挽或开漏功能。GPIO 口还可以复用成其他功能。端口的每个引脚都可以配置成以下的多种模式之一&#xff1a; 1 浮空输入 2 上拉输入…
阅读更多...
AMEYA360：DNB1101大唐恩智浦工规级电池管理芯片

AMEYA360：DNB1101大唐恩智浦工规级电池管理芯片

大唐恩智浦作为全球领先的半导体供应商&#xff0c;一直致力于为全球客户提供高质量的解决方案。在电池管理芯片领域&#xff0c;大唐恩智浦推出的DNB1101可谓是一款工规级的电池管理芯片&#xff0c;其卓越的性能和可靠性成为市场上备受全球领先的半导体供应商&#xff0c;一直…
阅读更多...
c#编码技巧(十四)：全面总结delegate、Func委托的写法演变

c#编码技巧(十四)：全面总结delegate、Func委托的写法演变

delegate委托对于初学者来说不太好理解。 按笔者的经验&#xff0c;delegate本质是函数指针&#xff0c;可以把它理解为某一类方法的入口&#xff0c;把他翻译为&#xff1a;“长得像XXX的函数方法&#xff08;入参是什么、返回值是什么&#xff09;”可能更容易理解。 以下示例…
阅读更多...
2023杭电多校第7场M题-M. Minimal and Maximal XOR Sum

2023杭电多校第7场M题-M. Minimal and Maximal XOR Sum

题目链接&#xff1a;csoj | M. Minimal and Maximal XOR Sum (scnu.edu.cn) 解题思路&#xff1a; 最小值&#xff1a;每次操作的区间长度为2&#xff0c;即交换两个相邻数&#xff0c;每次异或2(10)&#xff0c;故最小值肯定为2(10)或0(00)&#xff0c;如果是偶排序最小值是…
阅读更多...
Java接口压力测试—如何应对并优化Java接口的压力测试

Java接口压力测试—如何应对并优化Java接口的压力测试

导言 在如今的互联网时代&#xff0c;Java接口压力测试是评估系统性能和可靠性的关键一环。一旦接口不能承受高并发量&#xff0c;用户体验将受到严重影响&#xff0c;甚至可能导致系统崩溃。因此&#xff0c;了解如何进行有效的Java接口压力测试以及如何优化接口性能至关重要…
阅读更多...
SpringBoot复习：（48）RedisAutoConfiguration自动配置类

SpringBoot复习：（48）RedisAutoConfiguration自动配置类

RedisAutoConfiguration类代码如下&#xff1a; 可以看到在这个类中配置了2个bean: redisTemplate和stringRedisTemplate. 而它通过EnableConfigurationProperties(RedisProperties.class)注解&#xff0c;把配置文件中配置的Redis相关的信息引入进来了&#xff0c;RedisPrope…
阅读更多...
安装Linux操作系统CentOS 6详细图文步骤

安装Linux操作系统CentOS 6详细图文步骤

为满足业务对Linux操作系统部署的要求&#xff0c;本文档主要提供CentOS 6操作系统的最小化安装和基本配置, 安装本系统建议最少1GB内存和2GB磁盘空间。 1、 使用光盘或者挂载ISO镜像&#xff0c;在出现如下图形界面时选择【Install or upgrade an existing system】并按Ent…
阅读更多...
CLickhouse核心特性

CLickhouse核心特性

目录 CLickhouse核心特性 1 完备的DBMS功能 2 列式存储与数据压缩 3 向量化执行引擎 4 关系模型与SQL查询 5 多样化的表引擎 6 多线程与分布式 7 多主架构 8 在线查询 9 数据分片与分布式查询 Clickhouse适用场景 Clickhouse不适用场景 Clickhouse名称含义 CLickh…
阅读更多...
P8642 [蓝桥杯 2016 国 AC] 路径之谜

P8642 [蓝桥杯 2016 国 AC] 路径之谜

[蓝桥杯 2016 国 AC] 路径之谜 题目描述 小明冒充 X X X 星球的骑士&#xff0c;进入了一个奇怪的城堡。 城堡里边什么都没有&#xff0c;只有方形石头铺成的地面。 假设城堡地面是 n n n\times n nn 个方格。如图所示。 按习俗&#xff0c;骑士要从西北角走到东南角。 …
阅读更多...
C/C++中const关键字详解

C/C++中const关键字详解

为什么使用const&#xff1f;采用符号常量写出的代码更容易维护&#xff1b;指针常常是边读边移动&#xff0c;而不是边写边移动&#xff1b;许多函数参数是只读不写的。const最常见用途是作为数组的界和switch分情况标号(也可以用枚举符代替)&#xff0c;分类如下&#xff1a;…
阅读更多...
音视频 vs2017配置FFmpeg

音视频 vs2017配置FFmpeg

vs2017 ffmpeg4.2.1 一、首先我把FFmpeg整理了一下&#xff0c;放在C盘 二、新建空项目 三、添加main.cpp&#xff0c;将bin文件夹下dll文件拷贝到cpp目录下 #include<stdio.h> #include<iostream>extern "C" { #include "libavcodec/avcodec.h&…
阅读更多...
【Docker】使用 Docker Registry 搭建自己的 Docker 镜像仓库

【Docker】使用 Docker Registry 搭建自己的 Docker 镜像仓库

使用 Docker Registry 搭建自己的 Docker 镜像仓库 在使用 Docker 进行应用程序的开发和部署时&#xff0c;使用 Docker 镜像仓库是一个很好的实践。它允许集中存储和管理 Docker 镜像&#xff0c;方便团队协作和版本控制。在本文中&#xff0c;将介绍如何使用 Docker Registr…
阅读更多...
Nginx随笔

Nginx随笔

Nginx下载链接 安装命令&#xff1a; apt update apt install nginx 一、基础命令&#xff08;Ubuntu&#xff09; 1、在全局 nginx -t //检查Nginx的配置文件是否有错 systemctl start nginx //启动Nginx systemctl stop nginx //停止Nginx systemctl status nginx //查…
阅读更多...
【数据结构与算法——TypeScript】图结构(Graph)

【数据结构与算法——TypeScript】图结构(Graph)

【数据结构与算法——TypeScript】 图结构(Graph) 认识图结构以及特性 什么是图? 在计算机程序设计中&#xff0c;图结构 也是一种非常常见的数据结构。 但是&#xff0c;图论其实是一个非常大的话题 认识一下关于图的一些内容 图的抽象数据类型一些算法实现。 什么是图?…
阅读更多...
jmeter获取mysql数据

jmeter获取mysql数据

JDBC Connection Configuration Database URL: jdbc:mysql:// 数据库地址 /库名 JDBC Driver class&#xff1a;com.mysql.jdbc.Driver Username&#xff1a;账号 Password&#xff1a;密码 JDBC Request 字段含义 字段含义 Variable Name Bound to Pool 数据库连接池配置…
阅读更多...
使用vue3 + ts + vite + v-md-editor 在前端页面预览markdown文件

使用vue3 + ts + vite + v-md-editor 在前端页面预览markdown文件

1.效果预览 2. 依赖包安装 yarn add kangc/v-md-editornext v-md-editor中文官网&#xff1a;https://code-farmer-i.github.io/vue-markdown-editor/zh/ v-md-editor分为4种组件&#xff1a; 轻量版编辑器进阶版编辑器预览组件html预览组件 对UI组件库页面&#xff0c;我只需…
阅读更多...
问道管理：缩量小幅上涨说明什么？

问道管理：缩量小幅上涨说明什么？

股市里面&#xff0c;股票价格上涨或跌落都是常见现象。可是关于那些在商场上寻求收益的出资者来说&#xff0c;他们需要对每一个股市中的价格动摇有深化的了解&#xff0c;以便做出更正确的出资决策。最近&#xff0c;出资者们发现商场缩量小幅上涨的现象时有发生&#xff0c;…
阅读更多...
Jmeter压测实战：Jmeter二次开发之自定义函数

Jmeter压测实战：Jmeter二次开发之自定义函数

目录 1 前言 2 开发准备 3 自定义函数核心实现 3.1 新建项目 3.2 继承实现AbstractFunction类 3.3 最终项目结构 4 Jmeter加载扩展包 4.1 maven构建配置 4.2 项目打包 4.3 Jmeter加载扩展包 5 自定义函数调用调试 5.1 打开Jmeter函数助手&#xff0c;选择自定义函数…
阅读更多...
最新文章

Copyright @ 2022~2023