LLM推理部署（一）：LLM七种推理服务框架总结

       自从ChatGPT发布以来，国内外的开源大模型如雨后春笋般成长，但是对于很多企业和个人从头训练预训练模型不太现实，即使微调开源大模型也捉襟见肘，那么直接部署这些开源大模型服务于企业业务将会有很大的前景，本文将介绍七中主流的LLM推理和服务开源库。

       下面首先来总结一下这些框架的特点，如下表所示：

       LLM推理有很多框架，各有其特点，下面分别介绍一下表中七个框架的关键点：

  1. vLLM[1]：适用于大批量Prompt输入，并对推理速度要求高的场景；

  2. Text generation inference[2]：依赖HuggingFace模型，并且不需要为核心模型增加多个adapter的场景；

  3. CTranslate2[3]：可在CPU上进行推理；

  4. OpenLLM[4]：为核心模型添加adapter并使用HuggingFace Agents，尤其是不完全依赖PyTorch；

  5. Ray Serve[5]：稳定的Pipeline和灵活的部署，它最适合更成熟的项目；

  6. MLC LLM[6]：可在客户端（边缘计算）（例如，在Android或iPhone平台上）本地部署LLM；

  7. DeepSpeed-MII[7]：使用DeepSpeed库来部署LLM；

下面我们在内存容量为40GB的A100 GPU上，并且使用LLaMA-1 13b模型（因为列表中的所有库都支持它）进行七个部署框架的对比。

一、vLLM

      vLLM的吞吐量比HuggingFace Transformers（HF）高14x-24倍，比HuggingFace Text Generation Inference（TGI）高2.2x-2.5倍。

离线批量推理

# pip install vllmfrom vllm import LLM, SamplingParams​​prompts = [    "Funniest joke ever:",    "The capital of France is",    "The future of AI is",]sampling_params = SamplingParams(temperature=0.95, top_p=0.95, max_tokens=200)llm = LLM(model="huggyllama/llama-13b")outputs = llm.generate(prompts, sampling_params)​for output in outputs:    prompt = output.prompt    generated_text = output.outputs[0].text    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

API Server

# Start the server:python -m vllm.entrypoints.api_server --env MODEL_NAME=huggyllama/llama-13b​# Query the model in shell:curl http://localhost:8000/generate \    -d '{        "prompt": "Funniest joke ever:",        "n": 1,        "temperature": 0.95,        "max_tokens": 200    }'

功能：

  • Continuous batching[9]：有iteration-level的调度机制，每次迭代batch大小都有所变化，因此vLLM在大量查询下仍可以很好的工作。
  • PagedAttention[10]：受操作系统中虚拟内存和分页的经典思想启发的注意力算法，这就是模型加速的秘诀。

优点：

  • 文本生成的速度：实验多次，发现vLLM的推理速度是最快的；
  • 高吞吐量服务：支持各种解码算法，比如parallel sampling, beam search等；
  • 与OpenAI API兼容：如果使用OpenAI API，只需要替换端点的URL即可；

缺点：

  • 添加自定义模型：虽然可以合并自己的模型，但如果模型没有使用与vLLM中现有模型类似的架构，则过程会变得更加复杂。例如，增加Falcon的支持，这似乎很有挑战性；
  • 缺乏对适配器（LoRA、QLoRA等）的支持：当针对特定任务进行微调时，开源LLM具有重要价值。然而，在当前的实现中，没有单独使用模型和适配器权重的选项，这限制了有效利用此类模型的灵活性。
  • 缺少权重量化：有时，LLM可能不需要使用GPU内存，这对于减少GPU内存消耗至关重要。

       这是LLM推理最快的库。得益于其内部优化，它显著优于竞争对手。尽管如此，它在支持有限范围的模型方面确实存在弱点。

    使用vLLM的开发路线可以参考：https://github.com/vllm-project/vllm/issues/244

二、Text generation inference

       Text generation inference是用于文本生成推断的Rust、Python和gRPC服务器，在HuggingFace中已有LLM 推理API使用。

使用docker运行web server

mkdir datadocker run --gpus all --shm-size 1g -p 8080:80 \-v data:/data ghcr.io/huggingface/text-generation-inference:0.9 \  --model-id huggyllama/llama-13b \  --num-shard 1

查询实例

# pip install text-generationfrom text_generation import Client​client = Client("http://127.0.0.1:8080")prompt = "Funniest joke ever:"print(client.generate(prompt, max_new_tokens=17 temperature=0.95).generated_text)

功能：

  • 内置服务评估：可以监控服务器负载并深入了解其性能；
  • 使用flash attention（和v2）和Paged attention优化transformer推理代码：并非所有模型都内置了对这些优化的支持，该技术可以对未使用该技术的模型可以进行优化；

优点：

  • 所有的依赖项都安装在Docker中：会得到一个现成的环境；
  • 支持HuggingFace模型：轻松运行自己的模型或使用任何HuggingFace模型中心；
  • 对模型推理的控制：该框架提供了一系列管理模型推理的选项，包括精度调整、量化、张量并行性、重复惩罚等；

缺点：

  • 缺乏对适配器的支持：需要注意的是，尽管可以使用适配器部署LLM（可以参考https://www.youtube.com/watch?v=HI3cYN0c9ZU），但目前还没有官方支持或文档；
  • 从源代码（Rust+CUDA内核）编译：对于不熟悉Rust的人，将客户化代码纳入库中变得很有挑战性；
  • 文档不完整：所有信息都可以在项目的自述文件中找到。尽管它涵盖了基础知识，但必须在问题或源代码中搜索更多细节；

       使用Text generation inference的开发路线可以参考：https://github.com/huggingface/text-generation-inference/issues/232

三、CTranslate2

       CTranslate2是一个C++和Python库，用于使用Transformer模型进行高效推理。

转换模型

pip install -qqq transformers ctranslate2​# The model should be first converted into the CTranslate2 model format:ct2-transformers-converter --model huggyllama/llama-13b --output_dir llama-13b-ct2 --force

查询实例

import ctranslate2import transformers​generator = ctranslate2.Generator("llama-13b-ct2", device="cuda", compute_type="float16")tokenizer = transformers.AutoTokenizer.from_pretrained("huggyllama/llama-13b")​prompt = "Funniest joke ever:"tokens = tokenizer.convert_ids_to_tokens(tokenizer.encode(prompt))results = generator.generate_batch(    [tokens],     sampling_topk=1,     max_length=200, )tokens = results[0].sequences_ids[0]output = tokenizer.decode(tokens)print(output)

功能：

  • 在CPU和GPU上快速高效地执行：得益于内置的一系列优化：层融合、填充去除、批量重新排序、原位操作、缓存机制等。推理LLM更快，所需内存更少；
  • 动态内存使用率：由于CPU和GPU上都有缓存分配器，内存使用率根据请求大小动态变化，同时仍能满足性能要求；
  • 支持多种CPU体系结构：该项目支持x86–64和AArch64/ARM64处理器，并集成了针对这些平台优化的多个后端：英特尔MKL、oneDNN、OpenBLAS、Ruy和Apple Accelerate；

优点：

  • 并行和异步执行--可以使用多个GPU或CPU核心并行和异步处理多个批处理；
  • Prompt缓存——在静态提示下运行一次模型，缓存模型状态，并在将来使用相同的静态提示进行调用时重用；
  • 磁盘上的轻量级--量化可以使模型在磁盘上缩小4倍，而精度损失最小；

缺点：

  • 没有内置的REST服务器——尽管仍然可以运行REST服务器，但没有具有日志记录和监控功能的现成服务
  • 缺乏对适配器（LoRA、QLoRA等）的支持

四、DeepSpeed-MII

       在DeepSpeed支持下，DeepSpeed-MII可以进行低延迟和高通量推理。

运行web服务

# DON'T INSTALL USING pip install deepspeed-mii# git clone https://github.com/microsoft/DeepSpeed-MII.git# git reset --hard 60a85dc3da5bac3bcefa8824175f8646a0f12203# cd DeepSpeed-MII && pip install .# pip3 install -U deepspeed​# ... and make sure that you have same CUDA versions:# python -c "import torch;print(torch.version.cuda)" == nvcc --versionimport mii​mii_configs = {    "dtype": "fp16",    'max_tokens': 200,    'tensor_parallel': 1,    "enable_load_balancing": False}mii.deploy(task="text-generation",           model="huggyllama/llama-13b",           deployment_name="llama_13b_deployment",           mii_config=mii_configs)

查询实例

import mii​generator = mii.mii_query_handle("llama_13b_deployment")result = generator.query(    {"query": ["Funniest joke ever:"]},   do_sample=True,  max_new_tokens=200)print(result)

功能：

  • 多个副本上的负载平衡：这是一个非常有用的工具，可用于处理大量用户。负载均衡器在各种副本之间高效地分配传入请求，从而缩短了应用程序的响应时间。
  • 非持久部署：目标环境的部署不是永久的，需要经常更新的，这在资源效率、安全性、一致性和易管理性至关重要的情况下，这是非常重要的。

优点：

  • 支持不同的模型库：支持多个开源模型库，如Hugging Face、FairSeq、EluetherAI等；
  • 量化延迟和降低成本：可以显著降低非常昂贵的语言模型的推理成本；
  • Native和Azure集成：微软开发的MII框架提供了与云系统的出色集成；

缺点：

  • 支持模型的数量有限：不支持Falcon、LLaMA2和其他语言模型；
  • 缺乏对适配器（LoRA、QLoRA等）的支持；

五、OpenLLM

      OpenLLM是一个用于在生产中操作大型语言模型（LLM）的开放平台。

运行web服务

pip install openllm scipyopenllm start llama --model-id huggyllama/llama-13b \  --max-new-tokens 200 \  --temperature 0.95 \  --api-workers 1 \  --workers-per-resource 1

查询实例

import openllm​client = openllm.client.HTTPClient('http://localhost:3000')print(client.query("Funniest joke ever:"))

功能：

  • 适配器支持：可以将要部署的LLM连接多个适配器，这样可以只使用一个模型来执行几个特定的任务；
  • HuggingFace Agents[11]：连接HuggingFace上不同的模型，并使用LLM和自然语言进行管理；
  • 支持不同的运行框架：比如Pytorch（pt）、Tensorflow（tf）或Flax（亚麻）；

优点：

  • 良好的社区支持：不断开发和添加新功能；
  • 集成新模型：可以添加用户自定义模型；
  • 量化：OpenLLM支持使用bitsandbytes[12]和GPTQ[13]进行量化；
  • LangChain集成：可以使用LangChian与远程OpenLLM服务器进行交互；

缺点：

  • 缺乏批处理支持：对于大量查询，这很可能会成为应用程序性能的瓶颈；
  • 缺乏内置的分布式推理——如果你想在多个GPU设备上运行大型模型，你需要额外安装OpenLLM的服务组件Yatai[14]；

六、Ray Serve

       Ray Serve是一个可扩展的模型服务库，用于构建在线推理API。Serve与框架无关，因此可以使用一个工具包来为深度学习模型的所有内容提供服务。

运行web服务

# pip install ray[serve] accelerate>=0.16.0 transformers>=4.26.0 torch starlette pandas# ray_serve.pyimport pandas as pd​import rayfrom ray import servefrom starlette.requests import Request​@serve.deployment(ray_actor_options={"num_gpus": 1})class PredictDeployment:    def __init__(self, model_id: str):        from transformers import AutoModelForCausalLM, AutoTokenizer        import torch​        self.model = AutoModelForCausalLM.from_pretrained(            model_id,            torch_dtype=torch.float16,            device_map="auto",        )        self.tokenizer = AutoTokenizer.from_pretrained(model_id)​    def generate(self, text: str) -> pd.DataFrame:        input_ids = self.tokenizer(text, return_tensors="pt").input_ids.to(            self.model.device        )        gen_tokens = self.model.generate(            input_ids,            temperature=0.9,            max_length=200,        )        return pd.DataFrame(            self.tokenizer.batch_decode(gen_tokens), columns=["responses"]        )​    async def __call__(self, http_request: Request) -> str:        json_request: str = await http_request.json()        return self.generate(prompt["text"])​deployment = PredictDeployment.bind(model_id="huggyllama/llama-13b")​​# then run from CLI command:# serve run ray_serve:deployment

查询实例

import requests​sample_input = {"text": "Funniest joke ever:"}output = requests.post("http://localhost:8000/", json=[sample_input]).json()print(output)

功能：

  • 监控仪表板和Prometheus度量：可以使用Ray仪表板来获得Ray集群和Ray Serve应用程序状态；
  • 跨多个副本自动缩放：Ray通过观察队列大小并做出添加或删除副本的缩放决策来调整流量峰值；
  • 动态请求批处理：当模型使用成本很高，为最大限度地利用硬件，可以采用该策略；

优点：

  • 文档支持：开发人员几乎为每个用例撰写了许多示例；
  • 支持生产环境部署：这是本列表中所有框架中最成熟的；
  • 本地LangChain集成：您可以使用LangChian与远程Ray Server进行交互；

缺点：

  • 缺乏内置的模型优化：Ray Serve不专注于LLM，它是一个用于部署任何ML模型的更广泛的框架，必须自己进行优化；
  • 入门门槛高：该库功能多，提高了初学者进入的门槛；

       如果需要最适合生产的解决方案，而不仅仅是深度学习，Ray Serve是一个不错的选择。它最适合于可用性、可扩展性和可观察性非常重要的企业。此外，还可以使用其庞大的生态系统进行数据处理、模型训练、微调和服务。最后，从OpenAI到Shopify和Instacart等公司都在使用它。

七、MLC LLM

       LLM的机器学习编译（MLC LLM）是一种通用的部署解决方案，它使LLM能够利用本机硬件加速在消费者设备上高效运行。

运行web服务

# 1. Make sure that you have python >= 3.9# 2. You have to run it using conda:conda create -n mlc-chat-venv -c mlc-ai -c conda-forge mlc-chat-nightlyconda activate mlc-chat-venv​# 3. Then install package:pip install --pre --force-reinstall mlc-ai-nightly-cu118 \  mlc-chat-nightly-cu118 \  -f https://mlc.ai/wheels​# 4. Download the model weights from HuggingFace and binary libraries:git lfs install && mkdir -p dist/prebuilt && \  git clone https://github.com/mlc-ai/binary-mlc-llm-libs.git dist/prebuilt/lib && \  cd dist/prebuilt && \    git clone https://huggingface.co/huggyllama/llama-13b dist/ && \  cd ../..    # 5. Run server:python -m mlc_chat.rest --device-name cuda --artifact-path dist

查询实例

import requests​payload = {   "model": "lama-30b",   "messages": [{"role": "user", "content": "Funniest joke ever:"}],   "stream": False}r = requests.post("http://127.0.0.1:8000/v1/chat/completions", json=payload)print(r.json()['choices'][0]['message']['content'])

功能：

  • 平台本机运行时：可以部署在用户设备的本机环境上，这些设备可能没有现成的Python或其他必要的依赖项。应用程序开发人员只需要将MLC编译的LLM集成到他们的项目中即可；
  • 内存优化：可以使用不同的技术编译、压缩和优化模型，从而可以部署在不同的设备上；

优点：

  • 所有设置均可在JSON配置中完成：在单个配置文件中定义每个编译模型的运行时配置；
  • 预置应用程序：可以为不同的平台编译模型，比如C++用于命令行，JavaScript用于web，Swift用于iOS，Java/Kotlin用于Android；

缺点：

  • 使用LLM模型的功能有限：不支持适配器，无法更改精度等，该库主要用于编译不同设备的模型；
  • 只支持分组量化[15]：这种方法表现良好，但是在社区中更受欢迎的其他量化方法（bitsandbytes和GPTQ）不支持；
  • 复杂的安装：安装需要花几个小时，不太适合初学者开发人员；

       如果需要在iOS或Android设备上部署应用程序，这个库正是你所需要的。它将允许您快速地以本机方式编译模型并将其部署到设备上。但是，如果需要一个高负载的服务器，不建议选择这个框架。

参考文献：

[1] https://github.com/vllm-project/vllm

[2] https://github.com/huggingface/text-generation-inference

[3] https://github.com/OpenNMT/CTranslate2

[4] https://github.com/bentoml/OpenLLM

[5] https://docs.ray.io/en/latest/serve/index.html

[6] https://github.com/mlc-ai/mlc-llm

[7] https://github.com/microsoft/DeepSpeed-MII

[8] https://github.com/microsoft/DeepSpeed

[9] https://www.anyscale.com/blog/continuous-batching-llm-inference

[10] https://vllm.ai/

[11] https://huggingface.co/docs/transformers/main_classes/agent

[12] https://github.com/TimDettmers/bitsandbytes

[13] https://arxiv.org/abs/2210.17323

[14] https://github.com/bentoml/Yatai

[15] https://arxiv.org/abs/2212.09720

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/59677.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

Effective C++条款16——成对使用new和delete时要采取相同形式（资源管理）

Effective C++条款16——成对使用new和delete时要采取相同形式（资源管理）

以下动作有什么错? std::string* stringArray new std::string[100]; // ... delete stringArray;每件事看起来都井然有序。使用了new，也搭配了对应的 delete。但还是有某样东西完全错误:你的程序行为不明确（未有定义）。最低限度&#xff…
阅读更多...
PHP竞赛管理系统Dreamweaver开发mysql数据库web结构php编程计算机网页

PHP竞赛管理系统Dreamweaver开发mysql数据库web结构php编程计算机网页

一、源码特点 PHP 竞赛管理系统是一套完善的web设计系统，对理解php编程开发语言有帮助，系统具有完整的源代码和数据库，系统主要采用B/S模式开发。 下载地址 https://download.csdn.net/download/qq_41221322/88244066 二、功能介绍 后…
阅读更多...
C#_特性反射详解

C#_特性反射详解

特性是什么？ 为程序元素额外添加声明信息的一种方式。 字面理解：相当于把额外信息写在干胶标签上，然后将其贴在程序集上。 反射是什么？ 反射是一种能力，运行时获取程序集中的元数据。 字面理解：程序运行…
阅读更多...
一键实现 Oracle 数据整库同步至 Apache Doris

一键实现 Oracle 数据整库同步至 Apache Doris

在实时数据仓库建设或迁移的过程中，用户必须考虑如何高效便捷将关系数据库数据同步到实时数仓中来，Apache Doris 用户也面临这样的挑战。而对于从 Oracle 到 Doris 的数据同步，通常会用到以下两种常见的同步方式： OGG/XStream/Lo…
阅读更多...
设计模式-桥接模式

设计模式-桥接模式

核心思想 适配器模式类似，以后也会遇到意思接近一样的设计模式。在开发中一般多个模式混用，且根据不同的场景进行搭配，桥接模式也是结构型模式将抽象的部分和实现的部分分离，使它们都可以独立的变化。通俗来说，就是通…
阅读更多...
Linux特殊指令

Linux特殊指令

目录 1.dd命令 2.mkfs格式化 3.df命令 4.mount实现硬盘的挂载 5.unshare 1.dd命令 dd命令可以用来读取转换并输出数据。 示例一： if表示infile，of表示outfile。这里的/dev/zero是一个特殊文件，会不断产生空白数据。 bs表示复制一块的大…
阅读更多...
vscode 对模型train、detect脚本进行Debug时配置参数

vscode 对模型train、detect脚本进行Debug时配置参数

我们训练yolov5代码时，一般会配置一些参数，比如模型权重文件--weights, 模型的配置文件--cfg, 以及训练的数据--data, 对应的训练脚本为: 训练train python train.py -- weights ./yolov5s.pt --cfg models\yolov5s.yaml --data ./data/coco128.yaml…
阅读更多...
9.oracle中sign函数

9.oracle中sign函数

在Oracle/PLSQL中, sign 函数返回一个数字的正负标志. 语法如下&#xff1a;sign( number ) number 要测试标志的数字. If number < 0, then sign returns -1. If number 0, then sign returns 0. If number > 0, then sign returns 1. 应用于: Oracle 8i, Oracle …
阅读更多...
Docker - Docker安装MySql并启动

Docker - Docker安装MySql并启动

因为项目需要连接数据库&#xff0c;但是远程服务器上的mysql我不知道账户和密码&#xff0c;这个时候便是docker发挥作用的关键时刻了&#xff01; 目录 docker安装安装gcc卸载老docker&#xff08;如有&#xff09;安装软件包设置镜像仓库更新yum软件包索引安装docker启动doc…
阅读更多...
SSM框架的学习与应用(Spring + Spring MVC + MyBatis)-Java EE企业级应用开发学习记录（第五天）MyBatis的注解开发

SSM框架的学习与应用(Spring + Spring MVC + MyBatis)-Java EE企业级应用开发学习记录（第五天）MyBatis的注解开发

SSM框架的学习与应用(Spring Spring MVC MyBatis)-Java EE企业级应用开发学习记录&#xff08;第五天&#xff09;MyBatis的注解开发 ​ 昨天我们深入学习了MyBatis多表之间的关联映射&#xff0c;了解掌握了一对一关联映射&#xff0c;一对多关联映射&#xff0c;嵌套查询方…
阅读更多...
微信小程序如何实现页面传参和页面传递多个参数

微信小程序如何实现页面传参和页面传递多个参数

前言 只要你的小程序超过一个页面那么可能会需要涉及到页面参数的传递&#xff0c;下面我总结了 4 种页面方法。 下面时多个参数页面传参的方式 let loveJSON.stringify(this.data.totle);let youJSON.stringify(this.data.totleId)let csdnJSON.stringify(this.data.totleP…
阅读更多...
Linux系统下vim常用命令

Linux系统下vim常用命令

一、基础命令&#xff1a; v:可视模式 i:插入模式 esc:命令模式下 :q &#xff1a;退出 :wq &#xff1a;保存并退出 ZZ&#xff1a;保存并退出 :q! &#xff1a;不保存并强制退出二、在Esc下&#xff1a; dd : 删除当前行 yy:复制当前行 p:复制已粘贴的文本 u:撤销上一步 U:…
阅读更多...
ELK日志收集系统

ELK日志收集系统

目录 一、概述 二、组件 一、logstash 一、工作过程 二、INPUT 三、FILETER 四、OUTPUTS 二、elasticsearch 三、kibana 三、架构类型 一、ELK 二、ELKK 三、ELFK 四、ELFKK 五、EFK 四、配置ELK日志收集系统集群实验的步骤文档 五、配置ELK日志收集系统集群 …
阅读更多...
图像二值化

图像二值化

目录 1.固定值二值化 2.自适应阈值二值化 3.Android JNI完整代码 1.固定值二值化 固定阈值二值化是OpenCV中一种简单而常用的图像处理技术&#xff0c;用于将图像转换为二值图像。在固定阈值二值化中&#xff0c;像素值根据一个预定义的阈值进行分类&#xff0c;大于阈值的…
阅读更多...
【JavaEE】Spring事务-@Transactional参数介绍-事务的隔离级别以及传播机制

【JavaEE】Spring事务-@Transactional参数介绍-事务的隔离级别以及传播机制

【JavaEE】Spring 事务&#xff08;2&#xff09; 文章目录 【JavaEE】Spring 事务&#xff08;2&#xff09;1. Transactional 参数介绍1.1 value 和 transactionManager1.2 timeout1.3 readOnly1.4 后面四个1.5 isolation 与 propagation 2. Spring 事务隔离级别 - isolation…
阅读更多...
利用torchvision库实现目标检测与语义分割

利用torchvision库实现目标检测与语义分割

一、介绍 利用torchvision库实现目标检测与语义分割。 二、代码 1、目标检测 from PIL import Image import matplotlib.pyplot as plt import torchvision.transforms as T import torchvision import numpy as np import cv2 import randomCOCO_INSTANCE_CATEGORY_NAMES …
阅读更多...
SQL server数据库-定制查询-指定查询列/行、结果排序和Like模糊查询

SQL server数据库-定制查询-指定查询列/行、结果排序和Like模糊查询

本篇讲述进阶查询方法&#xff0c;如有语句不明确&#xff0c;可跳转本文专栏学习基础语法 1、指定列查询 特点 只会显示你输入的列的数据&#xff0c;会根据你输入的顺序进行显示&#xff0c;可以自定义查询显示时的列名 &#xff08;1&#xff09;只会显示你输入的列的数…
阅读更多...
C++ 面试题（一）--C++基础，面向对象，内存管理

C++ 面试题（一）--C++基础，面向对象，内存管理

目录 1.part1 C基础 1 C特点 2 说说C语言和C的区别 3 说说 C中 struct 和 class 的区别 4 include头文件的顺序以及双引号""和尖括号<>的区别 5 说说C结构体和C结构体的区别 6 导入C函数的关键字是什么&#xff0c;C编译时和C有什么不同&#xff1f; 7…
阅读更多...
系统架构设计高级技能 · 云原生架构设计理论与实践

系统架构设计高级技能 · 云原生架构设计理论与实践

系列文章目录 系统架构设计高级技能 软件架构概念、架构风格、ABSD、架构复用、DSSA&#xff08;一&#xff09;【系统架构设计师】 系统架构设计高级技能 系统质量属性与架构评估&#xff08;二&#xff09;【系统架构设计师】 系统架构设计高级技能 软件可靠性分析与设计…
阅读更多...
新能源汽车动力总成系统及技术

新能源汽车动力总成系统及技术

需要动力系统总成的请联&#xff1a;shbinzer 拆车邦 需要动力系统总成的请联&#xff1a;shbinzer 拆车邦 需要动力系统总成的请联&#xff1a;shbinzer 拆车邦 需要动力系统总成的请联&#xff1a;shbinzer 拆车邦 需要动力系统总成的请联&#xff1a;shbinzer …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023