1.?算力算力??? Դ??
2.开源Fast-DDS安装示例及DDS模型架构
3.gpt既不开源,又不允许蒸馏,跟openai这个名字还相符吗?
4.NVIDIA Jetson NX安装torchvision教程
5.在linux算力服务器安装stable-diffusion-webui最详细排坑教程
6.开源的AlphaFold2 怎么用？打开北鲲云超算平台就能在线用

???? Դ??

       云算力系统和云算力挖矿系统是基于远程计算能力的新型挖矿模式。用户无需投入大量资金购买昂贵的源码源码硬件设备，也不必承担矿机的对照维护和管理，只需通过平台购买云算力合约，算力算力就能参与挖矿获取收益。源码源码这种方式降低了挖矿门槛，对照企业宽屏源码特别适合资源有限的算力算力用户。

       云算力挖矿系统的源码源码优势主要体现在其操作简便和高效性上。它整合了矿机购买、对照矿场构建、算力算力位置提供以及运维服务等复杂环节，源码源码用户只需简单的对照操作就能享受到云计算带来的挖矿收益。这种方式不仅降低了成本，算力算力还能以市场优势获得低于二级市场的源码源码比特币，是对照实现参与者和矿场双赢的有效途径。

       对于个体挖矿者来说，由于资金和时间的限制，选择云算力系统是明智之举。它能够满足用户在需要挖矿时的需求，而无需面对大型矿机的投入和管理压力。随着云算力的普及，它正逐渐成为挖矿行业的主流模式，为用户提供更多灵活、便捷的选择。

开源Fast-DDS安装示例及DDS模型架构

       讨论本文的主题之前，先更正一个错误，在 DDS概述及DCPS模型一文中提到：CP Autosar中，暂时不支持DDS。此处表述有误，CP Autosar R-版本中，已开始支持DDS。

       提示：本文使用Linux(Ubuntu.4)操作系统

       DDS和Autosar一样，是一套标准，任何组织或者个体，均可以去实现它。不同组织或者公司实现该标准时，会形成不同的风格和版本。比如：Fast-DDS就是weui 案例源码一套开源的DDS标准实现，由eProsima维护。之前讨论的MICRO-XRCE-DDS也由eProsima发布。MICRO-XRCE-DDS需要代理（Agent），面向的对象是MCU这种资源紧缺的Device，如果使用域控或者中央大脑对应的平台，在资源和算力足够的情况下，可以使用Fast-DDS，不用代理。

       Fast-DDS安装及注意事

       本文讨论的开源Fast-DDS采用源码安装方式，安装参考链接： fast-dds.docs.eprosima.com...

       （一）3.1. Fast DDS library installation

       本文选择"3.1. Fast DDS library installation"小节的方式安装，按照提示，逐步安装。

       Q1：command vcs not found

       A1：解决措施，修改PATH环境变量：PATH=$PATH:~/.local/bin

       参考链接： cnblogs.com/tengzijian/...

       （二）3.3. Fast DDS-Gen installation 安装Fast DDS-Gen的主要目的是根据用户自定义idl文件生成对应的源文件。编译Fast DDS-Gen之前，需要先安装Java JDK和Gradle。

       需要将编辑好的*.idl文件放置在~~/Fast-DDS/Fast-DDS-Gen/Scripts文件下，*.idl文件放置位置如下所示：

       在此文件夹下打开终端，并输入如下命令：

       生成的源文件如下所示：

       HelloWord示例

       （一）启动Publisher

       在示例进程中，使用命令行启动Publisher进程，如下所示：

       （二）启动Subscriber

       在示例进程中，使用命令行启动Subscriber进程，如下所示：

       （三）订阅/发布的通信示意

       Publisher与Subscriber之间的发布、订阅行为如下所示：

       DDS模型架构

       DDS模型架构可以分为四层：Application、DDS、RTPS、Transport。如下所示：

       （一）Application

       如果用户应用程序需要通过DDS协议与对等实体通信，可以直接调用封装的DDS API。发布数据时，可以调用DataWriter对象的Write()接口；接收数据时，可由SubscriberListener触发DataReader注册的on_data_on_readers()接口。

       （二）DDS

       DDS层可以部署多个DDS Domian，相同DDS Domian下的DomainParticipant通过Publish/Subscribe方式交互信息。关于DDS，后续文章会展开细节讨论，不在这过多赘述。ico平台源码

       （三）RTPS

       RTPS（Real-Time Publish-Subscribe），抽象传输层，为什么要抽象传输层呢？答：DDS协议并未有明确使用什么方式传输数据，但是，数据的交互又脱离不开通信方式。所以，这就是RTPS出现的目的。

       （四）Transport

       可使用多种方式传输DDS数据，eg：UDP、TCP、SHM（Shared Memory）。不管UDP还是TCP，使用的总线类型均为Ethernet，使用CAN或者其他总线是否可行呢？答：个人理解，可以。但是，任何方案的落地均脱离不了使用场景，如果使用场景是高速、大数据传输，选用CAN总线可不是一个明智之举。

gpt既不开源,又不允许蒸馏,跟openai这个名字还相符吗?

       ChatGPT 的流行引发了对开源的热烈讨论。一些人认为，只要OpenAI 开放源代码，全球就能迅速获得ChatGPT。然而，这实际上是一种误解。开源是指公开源代码，过去我们常将其理解为免费获取软件项目的原始代码，例如 Linux 操作系统。拿到 Linux 源码后，理论上可以在本地编译相同的系统内核。但实际上，编译过程可能会因编译方法的不同而产生差异，这通常会使人们误解开源的力量，以为开源能带来广泛且快速的普及。然而，大语言模型的天津卫视源码开源概念与此完全不同。

       如果 OpenAI 真的开放了GPT-4的源代码，那也只是其中的一部分。大语言模型的开源实际上涉及三个主要对象：源码、算法以及数据。算法的核心部分包括模型结构和训练方法，这通常是开源的。然而，要实现与 ChatGPT 类似的模型，还需要高算力和大数据。算法、算力和数据是人工智能时代的三大要素，缺一不可。仅拿到源码并不意味着能构建出类似 ChatGPT 的模型。

       高算力是一个关键门槛，但并不是所有企业都能跨越。然而，数据的获取和质量则是另一个巨大的挑战。数据对于人工智能的重要性无需赘言，无论是人工智能时代还是人工智障时代，数据的规模和质量都是影响模型表现的关键因素。数据标注需要投入大量的人力、财力和时间，这使得数据集的建设成为一项艰巨的任务。即使是财力雄厚的企业如 OpenAI，也会在数据标注上寻求成本效益。

       开源意味着共享和协作，它对人工智能的快速发展起到了重要作用。学术论文通常是研究成果的一部分，许多作者选择免费公开论文，为研究社区提供了宝贵的知识资源。源码并非必需，有些研究者仅发布论文而不提供源码，可能出于对成果的保护、对源码质量的担忧，或是担心复现效果的问题。大公司和机构在使用开源模型时更为谨慎，他们可能出于社会责任、源码打包jar安全伦理等考虑，选择仅公开模型而不公开所有细节。

       就开源数据集而言，其重要性往往被忽视。中文大语言模型面临多种需求，开源数据集的建设是推动这一领域发展的关键。虽然存在诸多挑战，但已有项目开始致力于开源数据集的建设，这些努力如同星星之火，正逐渐点亮中文大语言模型发展的道路。

NVIDIA Jetson NX安装torchvision教程

       安装 torchvision 前，先确保已安装 pytorch，参考相关教程进行操作。

       首先，切换至国内软件源，执行更新操作。

       安装 torchvision 所需依赖。

       使用 dpkg 手动安装时，注意到 libpython3-dev 未有候选版本，需手动安装。安装其他依赖已满足。

       下载 arm 架构的 libpython3-dev_3.6.7-1~._arm.deb 包，确保版本与当前 python3（3.6.9）兼容。

       使用 dpkg -i 安装 deb 包，若遇到依赖问题，直接在网页中查找所有依赖的下载链接。

       安装 libpython3-dev 的依赖 libpython3.6-dev 时，出现版本不正确的错误。分析后发现 libpython3.6-dev 需要的版本为 3.6.9-1~.ubuntu1.4，已有的版本为 3.6.9-1~.，因此安装 libpython3.6-dev 的候选版本 libpython3.6-stdlib 中最后一个版本，即为所需版本 3.6.9-1~.ubuntu1.4。

       安装 torchvision 源码，确保 pytorch 和 torchvision 版本匹配，如 torch 1.6 版本对应 torchvision 0.7.0 版本。

       使用码云账号注册并导入 torchvision 仓库，完成代码下载。

       进入 torchvision 目录，使用命令编译，通常需时约十分钟。

       当出现 pillow 报错时，说明 torchvision 近于安装成功。返回上一级目录，使用 pip/pip3 安装 pillow。

       若下载速度慢，可使用国内豆瓣源下载安装 pillow。

       安装 pillow 后，再次尝试导入 torch 仍报错，需再次进入 torchvision 目录进行编译安装。这次配置完成迅速。

       使用 pip3 list 查看已安装包及版本，确认 torchvision 安装完成。

       执行卷积神经网络训练，速度比本地快四倍。使用 jtop 监控 CPU、GPU 运行情况，观察在 Jetson Nano 上使用 pytorch 并设置 CUDA 进行训练时，主要由 GPU 执行计算，W 功率能达到的算力相当不错。

在linux算力服务器安装stable-diffusion-webui最详细排坑教程

       在安装Linux算力服务器上的stable-diffusion-webui之前，首先需要确保服务器环境已准备就绪，具体配置要求如下。我选择在云厂商的GPU服务器上进行安装，服务器搭载NVIDIA Tesla T4显卡。

       安装指南包括：系统准备、显卡驱动检查与安装、依赖环境配置、新用户创建与权限赋予、Python与OpenSSL安装、Python版本升级与优化。

       在安装过程中，显卡驱动的正确安装至关重要。通过检查系统对显卡的识别，以及安装NVIDIA官方驱动前禁用第三方驱动（如nouveau），以确保稳定性能。使用vim编辑modprobe.d/blacklist.conf文件禁用nouveau驱动，执行更新命令后重启系统以验证禁用状态。

       接着安装必要的依赖环境，包括Python3、openssl等。创建具有sudo权限的非root用户，并在该用户下执行后续操作，以确保安装过程的权限安全。

       安装Python依赖，确保环境的全面性与兼容性。使用推荐版本的Python（如python3..6）安装，先进行系统更新，安装依赖库，下载Python源码包，解压并编译安装。在安装完成后，检查Python版本并启用优化。

       在Python环境中检查进程数，执行特定命令以获取当前值，如输出，则表示配置正确。接下来，运行Python并执行特定脚本，根据脚本输出判断安装进度与状态。

       完成Python环境配置后，下载stable-diffusion-webui源码。我使用的是最新版本（如1.7.0），下载并解压至服务器上，注意根据官方要求调整目录结构，确保稳定运行。

       在启动稳定扩散WebUI时，可能遇到依赖安装过程中的问题。例如，Torch GPU使用权限检查失败，通过修改webui-user.sh文件进行调整。完成所有步骤后，应能访问本地URL（如.0.0.1:），并通过浏览器访问。

       在使用过程中，可能会遇到如Style数据库缺失、缺少xformers库、主模型下载失败等问题。针对这些问题，分别通过手动下载或调整路径等方式解决。最终，确保所有错误信息被妥善处理，稳定扩散WebUI能够正常运行。

开源的AlphaFold2 怎么用？打开北鲲云超算平台就能在线用

       AlphaFold2的源代码已开源，同时免费开放了AlphaFold数据集，为科研提供强大助力。然而，AlphaFold2对硬件有较高要求，且官方未提供详细环境部署指导，对非IT专业用户来说，自行安装搭建难度较大。

       但不必担心，北鲲云超算平台已上线AlphaFold2，为用户提供便捷使用途径。无需硬件购买与安装，通过浏览器登录平台，即可启动工作站并加载AlphaFold2模板，开始蛋白质结构预测。

       平台采用顶级配置，包括全球领先的Nvidia A和Nvidia V GPU卡，为运行AlphaFold2提供强大算力支持，助力用户高效完成蛋白质结构预测。此外，平台提供7x小时全天候服务，用户在使用过程中遇到问题可直接寻求技术支持，确保用户专心科研。

       现在注册即可获得核时算力体验券，不妨一试，体验AlphaFold2带来的科研效率提升。

比特币的4mh/s什么意思。多少天能挖出一个。

       mh/s是处理器的运算速度，在挖矿界叫算力，4mh/s的算力以现在来说是比较慢的。比特币是一种基于去中心化，采用点对点网络与共识主动性，开放源代码，以区块链作为底层技术的加密货币。一般情况下，一台普通家用电脑最多能承受H/s的算力，而按照比特币每秒万次的哈希碰撞数据，如果只是一台普通的家用电脑，即便小时不间断的挖矿，一天最多能挖到0.个比特币，想要挖出一个完整的比特币，至少需要天，如果中途运气不好，可能需要耗费更多的时间。

       温馨提示：1、以上内容仅供参考，不作任何建议。相关产品由对应平台或公司发行与管理，我行不承担产品的投资、兑付和风险管理等责任。2、入市有风险，投资需谨慎。您在做任何投资之前，应确保自己完全明白该产品的投资性质和所涉及的风险，详细了解和谨慎评估产品后，再自身判断是否参与交易。

       应答时间：--，最新业务变化请以平安银行官网公布为准。

       [平安银行我知道]想要知道更多？快来看“平安银行我知道”吧~

       /paim/iknow/index.html

计算机专业研究生提高效率的款科研工具

       计算机专业研究生提高效率的款科研工具

       在科研工作中，选择合适的工具可以显著提高效率。以下是我作为数据挖掘和深度强化学习研究领域的研究生推荐的十款实用科研工具：

       代码工具: Anaconda-Navigator

       适用于：Windows/Ubuntu/MacOS

       官网地址：

       介绍：知云文献翻译提供“端到端”的翻译功能，帮助阅读外文文献。只需在软件中拖拽PDF格式的论文，即可实现阅读，同时鼠标选中不懂内容，右侧栏自动翻译。

       科研绘图工具: Processon

       适用于：Windows/Ubuntu/MacOS（在线工具）

       官网地址：

       介绍：XMind 是一款跨平台、免费的思维导图软件，支持中文简繁体，提供多种结构样式，包括思维导图、树形图等，便于构建思维逻辑。

       GPU租用工具: AutoDL

       适用于：Windows/Ubuntu/MacOS（在线网站）

       官网地址：

       介绍：AutoDL 提供人工智能算力云市场，用户可租用GPU服务器，适用于深度学习、计算机视觉程序的计算需求。

       文献管理工具: Zotero

       适用于：Windows/MacOS

       官网地址：

       介绍：Latexlive 提供在线的、免费的Latex公式编辑功能，帮助用户快速获取公式源码，简化Latex公式编辑过程。

       开源代码检索工具: Paperwithcode

       适用于：Windows/Ubuntu/MacOS（在线工具）

       官网地址：

       介绍：Paperwithcode 是一个收集机器学习论文及其代码实现的网站，支持检索对应模型代码，尤其对于寻找开源代码非常有用。

       论文检索工具: dblp

       适用于：Windows/Ubuntu/MacOS（在线工具）

       官网地址：https://dblp.uni-trier.de/

       介绍：DBLP 是一个计算机领域文献集成数据库系统，支持作者、会议名称等检索，统计作者合作信息，反映学术研究前沿。