基于开源项目fastgpt开发自己的智能问答、知识库

user_input = gr.Textbox(show_label=False, placeholder="请输入问题...", lines=20).style(container=False)# result_format='message', # 将输出设置为"message"格式。stream=True, # 设置输出方式为流式输出。gr.HTML("""

阿里通义千问API

""")

root@yesun-server:/home/yesun/桌面# ln -s /usr/lib/x86_64-linux-gnu/libncurses.so.6 /lib64/libncurses.so.5。oot@yesun-server:/home/yesun/桌面# ln -s /usr/lib/x86_64-linux-gnu/libnsl.so.1 /usr/lib64/libnsl.so.1。建议检查安装目录的权限，并将安装目录及上级目录设置为755的权限。发现还不行：（解决问题在这里）

需要bios中设置一下设置kylin启动顺序，就可以看到kylin和uos的选择；就可以看到3个系统的引导界面了。此时重启，没看到kyli的引导；2、kylin安装第二个。bios设置nfs引导；/efi 复用，格式化。1、UOS安装第一个。

因此，每个 datanode 节点要有大容量的磁盘（120T每台），磁盘类型可以是普通的机械硬盘，有条件的话 SSD 硬盘最好（datanode机械硬盘即可，olap才会用ssd，比如kudu+impala，clickhouse），单块硬盘推荐 4T 或者 8T，这些硬盘无需做 RAID，单盘使用即可，因为 HDFS 本身已经有了副本容错机制。对于文件内容而言，一个文件的长度大小是size，那么从文件的0偏移开始，按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block。

【代码】FasionMINST图片识别。

损失函数，交叉熵作为损失函数，代替了MSE，在分类问题中被广泛应用。其离散形式为 H(y, \hat{y}) = -\sum_{i=1}^{n}y_i \log(\hat{y_i}) ，其中 y 为真实概率分布， \hat{y} 为预测概率分布， n 为分类任务的类别个数。感受野大小，卷积核大小，就是那个小方块的大小，通常为奇数正方形，比如3*3,5*5。感受野大小，卷积核大小，就是那个小方块的大小，通常为奇数正方形，比如3*3,5*5。计算模型的梯度，然后进行训练优化，相当于迭代过程中的自动优化。

cv2.findContrours结束二值图，即黑白图（不是灰度图），cv2.RETR_EXTERNAL只检测轮廓，二值化处理，THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0。查找最大元素的array的索引，因为这里是顺序的，所以刚好对应了真实的数字。#为每个数字设置模板，0,1,2,3,4，....9。选择合适的区域，根据实际任务来，这里的基本都是四个数字一组。计算每一组的轮廓，从这小组图片里，计算每个数字的轮廓。遍历轮廓，从所有的轮廓中，筛选出包含卡号的那些区域。

图像的梯度计算，一般使用Sobel算子来实现，Sobel算子是通过像素图的横轴和纵轴分别计算各自的梯度，然后再统一计算出当前每个像素点的梯度，除了Sobel算子，还有对Sobel算子升级后的Scharr 算子和 Laplacian算子。图像梯度，如何计算图像中的梯度，比如图像两边颜色差异大时；# #res就是匹配结果，返回每个窗口的结果值，图像中最亮的点就是最相似的地方。从图片可以找到很多轮廓，但是只有那个最大的是四边形，这里有点硬编码的感觉。过滤掉低频，就剩下高频，其实就剩下边界了；

人脸识别，五官识别

为了提升用户的覆盖度，需要将书法图片转化成书法视频，且需要有浏览的效果，这里采用opencv先将图片转化成视频，在利用ffmpeg对视频进行处理，增加音乐、视频编码等。

为了提升用户欣赏书法图片的体验，需要从高清TIF图片中把每个字都切割出来，手动切割太麻烦，所以利用opencv自动识别图片中的文字，并将每个文字切割保存。

opencv给图片加中文水印