主要是为了比对几种DeepSeek的访问速度。本博客采用了三种方式，分别是本地的DeepSeek、在线的DeepSeek和硅基流动的DeepSeek。

首先确保，Windows下的docker已经安装完毕，并且可以使用。关于Windows下docker的安装，可以参考我的另外一篇博客：https://quickrubber.blog.csdn.net/article/details/146170500

我的上一篇博客（https://quickrubber.blog.csdn.net/article/details/146518898）中讲到采用Python编程可以实现和Xmind的互动，并让DeepSeek来生成相应的代码从而实现对内容的任意修改。但是，那篇博客中提到的Xmind有版本的限制，一般是在8.0以前含8.0。但是，最新版本的Xmind的界面更加华丽，生成的思维导图也更加好看，如何利用上呢？本文尝试着给出了一个办法。

百度SDK的认证体系有点复杂，有时候让人有点摸不着头脑。直到我看到了这个网页，我才有点豁然开朗。特此，我尝试使用了这三种鉴权方式，里面碰到了不少坑，于是将其整理成文档，倾情推出。对应的源码测试工程也放在csdn下，文末有链接，有需要的小伙伴可以去下载。

听说Kimi可以一站式的生成PPT文件，所以就特地尝试了一下。感觉还是非常的好用的。目前大家都在关注DeepSeek，其实国内的其余几家大模型公司的产品也非常的好用，也各有特点的。比如抖音豆包、Kimi、阿里千问、百度文心一言等等。

最近在看一本《ChatGLM3大模型本地化部署、应用开发和微调》，本文就是讨论ChatGLM3在本地的初步布设。（模型文件来自魔塔社区）

       有时候，感觉自己的电脑有点力不从心（本机只配了一张2080的显卡），尤其是在跑cuda 程序的时候，比如大模型的落地推理。       查看了一些云上的GPU服务器，普遍都是需要收费的。但是，发现魔塔社区提供了一个GPU云服务器试用的机会，我的账号还可以用36小时呢。       我试了试，还挺好用的，下面是我的体验。

    当前网络上关于yolo安装和使用的说明普遍比较繁杂。本文结合Pycharm实现对最新的Yolov8和Yolov11模型的安装和使用。为了简化，没有采用cuda版本。因为从算力上来讲，Yolo属于中小模型，一般的图片，cpu的训练就可以快速完成了的。    本文关于安装的细节相对简略一些，可以配合我的另外一篇博客：Yolo_v8的安装测试（https://blog.csdn.net/quickrubber/article/details/146611155）对比阅读。

如何安装Python版本的Yolo，有一段时间不用了，Yolo的版本也在不断地发展，所以重新安装了运行了一下，记录了下来，供参考。

Word中可以利用DeepSeek来生成各种宏，从而生成我们需要各种数据和图表，这样可以大大减少我们手工的操作。

​ 我的电脑是i9-9900K，主屏3.60GHz，显卡是NVIDIA Gerforc RTX2080，操作系统是的Windows10，采用Ollama+DeepSeek的方式在本地布局了DeepSeek。     本文，是对本地的DeepSeek-R1:7b和DeepSeek-R1:32b对同一问题的询问比较，供大家参考。​

相比Mermaid而言，用Xmind制作思维导图和鱼刺图似乎更加的专业。但是，感觉没有脚本做配合，功能还是有所限制。试图用Python来进行访问，以下是我的一些尝试。

Mermaid是一种非常重要的绘图工具，可以采用文本书写的方式的把流程图以及各种图标快速绘制出来，这个比鼠标拖拉拽然后再输入文字要方便多了。同时这种工具又能很好的采用文本进行描述，所以可以很方便的采用DeepSeek来进行生成。

我在运行魔塔社区（modelscope）的ZhipuAI/chatglm3-6b模型（智谱）的实例程序的时候，碰到了一个奇怪的错误（torch.empty），我尝试解决了一下。（当前采用的Python版本是3.11，程序在PyCharm中调试，torch采用的是cpu版本）

#include "cuda_runtime.h"#include "device_launch_parameters.h"#include <stdio.h>#define N 512#define K 64 __global__ void printf_base(){ printf("Hello \n");}void printf_bas...

最近要安装打标工具LabelImg，有段时间没用了。再捞起来。然后把心得体会记下来。也许下次还有用呢！

两款AI图片生成工具(元宝和即梦)使用感受，对比而言，感觉即梦是明显的比元宝要强。

采用LangChain-ChatChat可以创建本地的知识库。所以说这还是一个非常有价值的框架。其可以对各种大模型进行整合，来实现本地知识库的功能。本文就尝试将本地架设的DeepSeek整合进来，实现本地知识库的功能。（关于DeepSeek在本地如何架设，可以参考我的另一篇博客)

      在星火大模型中获取了APPID、APISecret以及APIKey之后，如何使用Key信息（鉴权信息）也是一个值得探寻的问题。

打开阿里云的大模型服务平台百炼，直观的感受就比百度的智能云好很多。明显的更加的清晰和准确。另外百炼就是阿里的通义千问的SDK版本,两者是一回事情。

感觉百度智能云的应用非常的全面，文档看起来也很丰富。但是，用起来的时候却发现有奇怪的问题阻挡。感觉百度云的逻辑乱的一批。本博客试图进行这方面的讨论。

Kimi对长文本的处理特别的好，PPT自动生成的功能也很棒。本文尝试对Kimi的API进行使用。

采用AI进行辅助编程越来越火爆，目前尝试了一个 Fitten Code的插件感觉挺好用的。

最新版本的Pycharm Professional想下载下来用一下，特别是对应的最新AI工具，非常想用一下，是心仪已久的。

想用星火大模型当中的SparkChain做手持式设备的程序开发。但是，测试使用的其Demo的时候，就出现了18708（没有授权的错误），应该如何去解决呢？

当我下载了星火大模型的Windows的SDK,想进行编译调试的时候。被几个东西挡住了。Ablility_id，还有appid、appKey、appSecret这些内容，这些内容可能是开发者独有的东西，必须向星火申请才可以获取。

当前deepseek是非常的火爆，我这里也尝试使用了一下。首先是网页上的问答使用，这个感觉和其他大模型，文心一言，豆包，Kimi等差别不是很大。其次，是开通了在线API的使用，尝试用Python进行访问，这样就可以很方便的接入到我们自身的应用。总体感觉，DeepSeek的费用还是比较便宜的，反应速度也比较快。所以，只要充了值后，这种在线的API访问和使用也是非常方便的。

DeepSeek可以方便的在本地进行部署。然后，就是考虑如何用Python去访问本地的这个DeepSeek，这个是非常关键的。这个最终可以确保deepseek与我们自身的应用可以方便融合，并不受API Key访问的限制。

DeepSeek在Windowns本地的架设。

如何离线方式安装cuda版本的Torch。

最近在调试LLaMA的大模型，发现Python包的安装有时候也是一个大麻烦。如果，按照错误的提示出现前后，进行包的安装，会发现有时候的包的版本不对，导致了一系列错误，然后进行反复调整。所以，如能利用好requirements.txt进行安装的话，效果是最好的。如果采用默认的方法，进行intall的话，会从官网下载需要的包，所以速度会比较慢。（点击右上角的“install requirements”即可开始包安装）既一次性的安装了各个包，又使用了镜像网站进行安装，大大加快了速度。

考虑到私有化的大模型都是Python编写为主的。但是，用PyCharm进行调试的时候却出现了问题。所以，只有在Flask的Pycharm的调试模式下要出现异常。但是，调试模式不得不用，因为断点跟踪可以看到更多的程序的细节。如果不重装PyCharm，那只有弃用Flask，打算尝试用DjangGo或者其他的Web框架试试看。

奥比中光国内做3D结构光摄像机的知名企业。最基本的实例程序已经跑通，说明软硬件可用。运行第二个OBQuickStart程序，可以获取成深度数据帧和彩色图像数据帧。

下载一个的ubuntu24.04的镜像文件，5.7G的大文件，不到1分钟就下完毕了，除了各种系统镜像外，还有很多的工具包，下载起来非常快捷方便！比起阿里云下载的速度600K/S,这个速度是100多倍。非常的神速，非常的nice！

构建Python语言的Web框架，有更加特别的意义。可以方便的和人工智能的应用，包括机器学习、大模型等很好的结合起来。提供简单的API，可以让Web应用像调用普通Python对象一样使用。可以搭建公司内部的网站，用来对各种应用进行在线的测试。专注于快速的API服务，旨在构建高性能的REST API。提供既简单又灵活的框架，可以从小型到大型应用进行扩展。构建较为简单的Web网站，有很多实际的意义。适合构建高吞吐量的Web服务，尤其是API。现代、快速（高性能）框架，适合构建API。

这哥们总结的还是比较全面的！

Graphiz的安装和初步使用。绘图很方便，特别是针对决策树等。

可以方便的安装Cuda版本的Pytorch，比较方便快捷。系统重装后，可以快速的重新搭建系统。Cuda、torch、python三种不同版本组合的离线安装文件都可以找到。但是从官网下载的速度是受到限制的，一般恒定在256K/秒，所以下载一个。直接用文件方式安装Cuda版本的Pytorch。总的来说，感觉还是阿里的离线文件下载更加方便。Torch_cuda的whl需要2个半小时。