在/etc/docker下创建daemon.json文件，内容如下
1 | { |
然后 sudo systemctl restart docker
测试一下：
docker pull busybox
是可以的
33.AI对AI算法过时情况的回答
Posted on
问：如果时间有限，需要放弃一些过时算法，请给所有你知道的算法排个序，哪些优先放弃
在时间有限的情况下，可以按照以下优先级放弃或延后学习某些算法。排序基于实际应用频率、替代算法的有效性以及基础重要性（从最优先放弃到尽量保留）：
第一优先级：可放弃的算法
- 完全过时且替代性强的算法
单层感知机（Perceptron）：已被多层感知机（MLP）和深度学习取代，教学价值有限。
Apriori算法（关联规则挖掘）：计算效率低，FP-Growth 或深度学习（如序列模型）更高效。
LVQ（学习向量量化）：原型聚类方法，实际应用极少，K-Means 更通用。
ID3决策树：仅支持离散特征，已被 C4.5 和 CART（支持连续特征）取代。
- 应用场景狭窄的算法
SOM（自组织映射）：无监督神经网络，应用集中在可视化领域，深度学习（如 t-SNE、UMAP）更常用。
传统贝叶斯网络结构学习：计算复杂且依赖领域知识，实际中更常用概率图模型工具包（如 PyMC3）。
K-Medoids：类似 K-Means，但对噪声敏感且计算成本高，优先学习 K-Means。
第二优先级：视领域需求选择性放弃
3. 特定领域替代性强的算法
LDA（线性判别分析）：降维和分类任务中，PCA 更通用，除非需要类别分离指导降维。
传统遗传算法：优化问题中，梯度下降或贝叶斯优化更高效，除非研究进化计算。
HMM（隐马尔可夫模型）：语音识别中被 RNN/Transformer 取代，但生物信息学仍可能用到。
传统马尔可夫链：简单序列建模中，RNN/LSTM 更强大。
- 复杂度高且少用的算法
SMO 算法（SVM 的原始实现）：实际使用中直接调库（如 sklearn.svm.SVC），无需手动实现。
传统核方法（如自定义核函数）：深度学习兴起后，核技巧的重要性下降。
尽量保留的核心算法
5. 基础且广泛应用的算法
逻辑回归：分类任务的基础，可解释性强。
线性 SVM（LinearSVC）：高维数据分类高效，工业界常用。
决策树（CART）：随机森林和 GBDT 的基础。
KNN：惰性学习代表，适合实时场景。
随机森林 & 梯度提升（XGBoost/LightGBM）：结构化数据的主流模型。
K-Means & PCA：无监督学习的基础工具。
神经网络基础（MLP、CNN、RNN）：深度学习的核心。
- 特定场景的关键算法
朴素贝叶斯：文本分类和小数据场景高效。
协同过滤：推荐系统的经典方法。
ARIMA：时间序列分析（若涉及该领域需保留）。
总结建议
放弃：单层感知机、Apriori、LVQ、ID3、SOM。
选择性放弃：LDA、传统遗传算法、HMM（除非领域相关）、传统核方法。
保留核心：逻辑回归、SVM、决策树、集成学习（RF/GBDT）、KNN、PCA、神经网络。
实践优先：通过工具库（如 Scikit-learn）快速应用，再深入原理。
注意：即使放弃某些算法，仍需了解其基本思想（如“关联规则挖掘”或“进化计算”），以便需要时快速补足。
为系统增加deepseek接入
Posted on
上次说完ollama部署，现在我们试试将deepseek接入到系统里，使用方法就是调用http接口
首先 ollama serve
然后增加调用
curl -X POST http://localhost:11434/api/generate -H “Content-Type: application/json” -d “{"model":"deepseek-r1:1.5b","prompt":"天空为什么是蓝色的？"}”
安装boost和使用log4cpp的一些事情
Posted on
安装boost用：
apt install libboost-all-dev
安装log4cpp
sudo apt install liblog4cpp5-dev
安装docker
sudo apt install docker.io
上传my_mongo.tar,然后
docker load < my_mongo.tar
使用ollama运行deepseek的条件和过程（待续）
Posted on
首先是空间需求，Qwen系列是使用DeepSeek蒸馏后的Qwen模型，Llama是DeepSeek蒸馏后的Llama模型。
模型的安装命令
1.5B Qwen DeepSeek R1
所需空间大约 1.1G
ollama run deepseek-r1:1.5b
7B Qwen DeepSeek R1
所需空间大约 4.7G
ollama run deepseek-r1:7b
8B Llama DeepSeek R1
所需空间大约 4.9G
ollama run deepseek-r1:8b
14B Qwen DeepSeek R1
所需空间大约 9G
ollama run deepseek-r1:14b
32B Qwen DeepSeek R1
所需空间大约 20G
ollama run deepseek-r1:32b
70B Llama DeepSeek R1
所需空间大约 43G
ollama run deepseek-r1:70b
671B Llama DeepSeek R1
所需空间大约 404G
ollama run deepseek-r1:671b
Windows的环境变量监听
OLLAMA_HOST 0.0.0.0
启动命令
ollama serve
可以用chatbox连接访问
下载了ollama和本地模型后，导入本地模型的方法：
创建一个modelfile.mf文件，内容为：
FROM ./xxxx.gguf
然后ollama create deepseek-r1_local:7b -f modelfile.mf
就可以通过ollama ls 看到新导入的镜像，然后用
ollama run 镜像名就可以运行了
创建随身git仓库
Posted on
把git仓库放入随身的AI盒子。
先设置好身份
git config –global user.email “you@example.com“
git config –global user.name “Your Name”
首先，初始化本地仓库，比如
cd dir_project1
git init
git add .
git commit -m “initial commit”
git remote add origin ssh://git@192.168.1.101:/gitroot/project1
远程建立空目录/gitroot/4031ai,然后初始化为空仓库
mkdir -p /gitroot/4031ai
cd /gitroot/4031ai
git init –bare
进入hook目录
vi post-receive
贴入：
#!/bin/bash
WORK_DIR=”/opt/workspace/project1”
GIT_DIR=”/gitroot/project1”
LOG_FILE=”/gitroot/logfile1.log”
检出最新代码
{
echo “=== $(date) ===”
echo “Checking out code…”
git –work-tree=$WORK_DIR –git-dir=$GIT_DIR checkout -f
# 进入工作目录并编译
echo "Building project..."
cd $WORK_DIR
mkdir -p build
cd build
cmake ..
make
} &>> $LOG_FILE
添加可执行属性
创建 /opt/workspace/project1目录
上传代码，就可以看到在编译了。
git config –global user.email “qinsibo@sina.com“
git config –global user.name “bobo”
git commit -m “initial commit”
git remote add origin ssh://administrator@192.168.1.101:/gitroot/4031ai
git push origin master
注意权限注意权限注意权限。
linux服务和进程调测
Posted on
调测软件自启动记录
自启动三种添加方式，写入rc.local、放入守护进程和做成服务
在Ubuntu系统中，你可以使用以下命令来管理crontab任务：
查看已有的crontab任务
要查看当前用户的crontab任务，可以使用： crontab -l
如果你想查看其他用户的crontab任务（假设你有适当的权限），可以使用：crontab -u username -l
其中username是指定用户的用户名。
删除crontab任务 crontab -e
要编辑当前用户的crontab任务，从而进行删除或修改，可以使用：crontab -e
这将打开一个编辑器（通常是vi或nano，取决于系统配置），你可以在里面删除或修改任务。
如果你想完全删除所有当前用户的crontab任务，可以使用： crontab -r
同样地，如果要删除其他用户的crontab任务，可以使用：crontab -r -u username
请确保在执行删除操作前备份重要的任务，因为crontab -r会无提示地删除所有任务。
对于查看服务信息，可以：
要查看所有服务的状态，可以使用：systemctl list-units –type=service
这个命令会列出所有已安装的服务及其状态。显示服务执行的脚本位置
要找到特定服务的执行脚本位置，你可以查看服务的单元文件。每个服务都有一个单元文件，其中定义了服务的配置和启动脚本的位置。使用以下命令查看服务的单元文件内容：systemctl status servicename.service
这里的servicename是你想查看的服务名称。这个命令会显示一些基本信息，包括单元文件的路径。
要直接查看单元文件的内容，可以使用：cat /lib/systemd/system/servicename.service
或者cat /etc/systemd/system/servicename.service
通常，服务的执行脚本位置会在单元文件的ExecStart行中指定。
这些方法可以帮助你查看所有服务的状态，并找到任何服务的执行脚本位置。
给超聚变2288H V5风扇调速
Posted on
新到一款超聚变服务器，运行时风扇巨响，查阅发现说是有传感器没有传回温度，导致服务器风扇负荷很高，解决方法是根据负荷情况手动降速（当然最好还是把传感器配齐，不过既然没有就只好手动来了。）
iBMC:/->ipmcset -d fanmode -v 1 100000000
Set fan mode successfully.
Current Mode: manual
Time out : 100000000 seconds
iBMC:/->ipmcset -d fanlevel -v 30
Set fan level successfully.
Current Mode : manual, timeout 99999992 seconds.
Global Manual Fan Level: 30%
iBMC:/->ipmcset -d fanlevel -v 20
Set fan level successfully.
Current Mode : manual, timeout 99999889 seconds.
Global Manual Fan Level: 20%
iBMC:/->Connection to 192.168.2.100 closed.
参考网页
https://support.huawei.com/enterprise/zh/knowledge/EKB1100050462
https://forum.huawei.com/enterprise/zh/thread/652352659782516736
1、SSH登录iBMC
2、查询当前风扇工作模式
iBMC:/->ipmcget -d faninfo
Current mode: auto
auto则为自动
3、更改自动为手动
iBMC:/->ipmcset -d fanmode -v 1 100000000
4、更改风扇转速根据自己业务量修改
iBMC:/->ipmcset -d fanlevel -v 30