搜索到
88
篇与
的结果
-
Tauri2.0尝鲜-正式版脚手架搭建 Tauri 2.0正式版脚手架搭建 Tauri已经迅速成为使用Web技术构建轻量级、安全桌面应用的最受欢迎框架之一。随着Tauri 2.0正式版的发布，现在是探索如何搭建一个生产就绪的脚手架的最佳时机，该脚手架提供了专业桌面应用开发所需的所有工具。 在本文中，我将介绍一个完整的Tauri启动模板，它支持Web和桌面双环境运行，采用现代React + TypeScript技术栈，并包含构建精美、生产就绪应用程序所需的所有基本工具。 为什么选择Tauri 2.0？ 在深入探讨我们的脚手架之前，让我们快速回顾一下Tauri 2.0的特点： 更小的打包体积：Tauri应用比Electron替代方案显著更小 增强的安全性：基于Rust的安全原则，采用严格的权限模型 更好的性能：更低的内存消耗和更快的启动时间 多平台支持：从单一代码库为Windows、macOS和Linux构建应用 Web/桌面统一：相同的代码库可以同时作为Web应用和桌面应用运行 随着Tauri 2.0的发布，这些优势得到了增强，包括改进的API、更好的开发体验和更强大的跨平台兼容性。 Tauri桌面Web启动模板介绍 我们将要探索的脚手架为Tauri 2.0应用程序提供了全面的基础。它结合了现代前端技术和Tauri的Rust后端能力，为Web和桌面环境提供了优化的开发体验。 技术栈 我们的启动模板汇集了一流的技术： 核心框架：Tauri 2.0 + Vite + React + TypeScript UI组件：Tailwind CSS + Shadcn UI + Lucide Icons 状态管理：Redux Toolkit 国际化：i18n 后端：Rust 开发工具：用于API模拟的Mock服务 这种组合提供了性能、开发体验和功能完整性的完美平衡。 主要特性 该脚手架具有多项功能，使开发更加顺畅高效： 开箱即用的工程配置：跳过繁琐的设置过程 深色/浅色主题切换：内置主题支持，包括系统主题检测 自定义窗口标题栏：Windows和macOS风格选项 状态管理最佳实践：组织良好的Redux实现 类型安全：完整的TypeScript集成 国际化：开箱即用的多语言支持 Mock数据支持：开发过程中不依赖后端服务 项目结构 了解项目结构对于有效开发至关重要。我们的脚手架遵循清晰合理的组织方式： tauri-desktop-web-starter/ ├── components/ # 公共UI组件 ├── hooks/ # 自定义React Hooks ├── lib/ # 工具库和配置 ├── src/ # 前端源代码 │ ├── assets/ # 静态资源 │ ├── models/ # 数据模型定义 │ ├── pages/ # 页面组件 │ ├── store/ # Redux状态管理 │ │ ├── common/ # 通用状态 │ │ └── index.ts # Store配置 │ ├── translations/ # 国际化文件 │ ├── utils/ # 工具函数 │ │ └── mock/ # Mock服务 │ ├── Home.tsx # 主页组件 │ └── main.tsx # 入口文件 ├── src-tauri/ # Tauri/Rust后端代码 ├── public/ # 公共资源 ├── package.json # 项目依赖配置 ├── postcss.config.js # PostCSS配置 ├── tailwind.config.ts # Tailwind CSS配置 ├── tsconfig.json # TypeScript配置 ├── tsconfig.node.json # Node环境TypeScript配置 └── vite.config.ts # Vite配置 这种组织方式促进了关注点的清晰分离，使应用程序的不同部分易于定位和操作。 开始使用 让我们来看看如何为您自己的项目设置和使用这个脚手架。 环境准备 在开始之前，确保已安装以下工具： Rust：Tauri后端的基础 curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh Node.js：前端JavaScript环境 pnpm：我们选择的包管理器，提供更快、更高效的依赖管理 npm install -g pnpm Tauri CLI：Tauri开发必备 cargo install tauri-cli 开发工作流 安装好先决条件后，可以开始开发： 安装依赖： pnpm install 启动开发服务器： 桌面应用开发： pnpm dev Web开发： pnpm wdev 这种双环境支持允许您在两种环境中开发和测试应用程序。 构建应用程序： 桌面应用打包： pnpm tauri build Web应用构建： pnpm build 功能展示 启动模板开箱即带有精美的UI，包括对不同主题的支持： 浅色主题，提供清晰明亮的界面 深色主题，减少眼睛疲劳，呈现现代美感 系统主题检测，匹配用户偏好 自定义标题栏，符合各操作系统的设计指南 IDE推荐配置 为获得最佳开发体验，我们推荐使用： VS Code 并安装以下扩展： Tauri扩展，增强Tauri开发 rust-analyzer，提供Rust代码智能 这种组合提供了智能代码补全、内联错误检测以及其他特定于Tauri和Rust开发的生产力功能。 自定义和扩展 脚手架设计为易于自定义。以下是您可能想要进行的一些常见自定义： 添加新UI组件：放置在components目录中 创建新页面：添加到src/pages目录 扩展状态管理：向Redux存储添加新的切片 添加Rust功能：使用自定义Rust代码增强src-tauri后端 设置新主题：在Tailwind中修改主题配置 -
Langchain 回顾 🚀打造 AI 应用的核心利器 Langchain 是一个专为构建基于大语言模型（LLM）的应用而生的强大工具。它将 LLM、向量数据库、记忆机制、提示模板等模块进行了系统整合，大大简化了复杂 AI 应用的开发流程。本文将结合思维导图，对 Langchain 的核心能力做一个全面回顾，并介绍其生态工具 —— LangSmith，让我们能够对 LLM 应用进行高效调试与评估。 🧠 一、Language Model（语言模型） Langchain 提供了对多种主流 LLM 的集成，包括： OpenAI、ChatGLM、Claude、LLaMA、Qwen 等主流模型 支持封装为 LLM、Chat Model 两种类型 提供如 HumanMessage、SystemMessage、AIMessage 等统一结构，构建清晰上下文 支持 Embedding，集成了 text2vec、openai-embeddings 等方案 🧾 二、Prompt 模块（提示词构建） Langchain 封装了 Prompt 构建、示例选择、输出解析等功能： PromptTemplate：参数化构建提示词模板 ExampleSelector：支持基于语义相似度选择 few-shot 示例 Output Parsers：将 LLM 输出转为结构化数据，如 JSON、列表等 🧠 三、Memory（记忆模块） 用于保存对话历史、构建上下文感知的智能体（Agent）系统： 支持 ConversationBufferMemory、SummaryMemory、VectorStoreMemory 等 能力包括短期记忆（会话）与长期记忆（知识） 📚 四、Index 模块（索引与检索） Langchain 提供完整的 RAG 流程： 文档加载（Document Loaders）：支持 txt、PDF、Notion、Web 等 文本切分（Text Splitters）：如 RecursiveCharacterTextSplitter 向量数据库（Vector Store）：支持 FAISS、Chroma、Weaviate 等 检索器（Retriever）：封装 .as_retriever() 进行文档查询 🧪 五、LangSmith：Langchain 应用的调试和评估平台 LangSmith 是 Langchain 官方出品的可视化调试与监控平台，专门用于： 🔍 1. 调试链式调用过程 记录每一步链的调用细节 可视化展示 Prompt 输入、输出及 Token 使用情况 支持逐步调试复杂链（Chain）和 Agent 执行流程 📊 2. 性能评估与对比 定义多个 Prompt 模板进行 A/B 测试 自动记录响应时间、成功率、评分等指标 与 OpenAI Function、Tool 使用情况无缝集成 ☁️ 3. 生产环境监控 监控 Agent 的运行行为、失败重试 接入自定义评分函数，对每次调用进行标注 ✨ 总结一句话： LangChain 让你快速构建 LLM 应用，LangSmith 让你安心上线并优化它。 🧩 六、应用场景示例 聊天机器人 / 客服系统 企业文档问答 / 私人知识库 表单解析 / 结构化信息提取 智能搜索系统（结合向量检索） Prompt 模板测试平台（结合 LangSmith） 一个比较完整的python demo实现 #langsmith 的key #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 import os os.environ['USER_AGENT'] = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3' from langchain_community.llms import Ollama from langchain import hub from langchain.agents import create_openai_functions_agent from langchain.agents import AgentExecutor from langchain_core.messages import HumanMessage, AIMessage from langchain_community.vectorstores import FAISS from langchain_community.document_loaders import WebBaseLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain.tools.retriever import create_retriever_tool from langchain_community.tools.tavily_search import TavilySearchResults from langchain_ollama import OllamaEmbeddings from langchain_ollama import OllamaLLM # from langchain.pydantic_v1 import BaseModel, Field from pydantic import BaseModel, Field from fastapi import FastAPI from typing import List from langserve import add_routes from langchain_core.messages import BaseMessage ### 1.加载检索器 loader = WebBaseLoader("https://docs.smith.langchain.com/user_guide") docs = loader.load() text_splitter = RecursiveCharacterTextSplitter() documents = text_splitter.split_documents(docs) embeddings = OllamaEmbeddings(base_url="http://172.16.1.27:11434", model="nomic-embed-text:latest") vector = FAISS.from_documents(docs,embeddings) retriever = vector.as_retriever() ### 2. 创建工具 retriever_tool = create_retriever_tool( retriever, "langsmith_search", "搜索与LangSmith相关的信息。有关LangSmith的任何问题，您必须使用此工具！", ) search = TavilySearchResults() tools = [retriever_tool, search] ### 3.创建代理人 # 加载模型 llama = OllamaLLM(model="llama3.2-vision:latest",base_url="http://172.16.1.27:11434") # 获取要使用的提示 - 您可以修改此提示！ prompt = hub.pull("hwchase17/openai-functions-agent") agent = create_openai_functions_agent(llama, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 4. 应用程序定义 app = FastAPI( title="LangChain服务器", version="1.0", description="使用LangChain的可运行接口的简单API服务器", ) # 5. 添加链路由 class Input(BaseModel): input: str chat_history: List[BaseMessage] = Field( ..., extra={"widget": {"type": "chat","input":"location"}}, ) class Output(BaseModel): output: str add_routes(app, agent_executor.with_types(input_type=Input, output_type=Output), path="/agent") if __name__ == "__main__": import uvicorn uvicorn.run(app, host="localhost", port=8000) 🧷 七、总结 Langchain 是构建大模型应用的主干框架，围绕核心模块 —— Prompt、Memory、Index、LLM，打通了从数据到生成的全链路。而 LangSmith 则作为配套工具，填补了 调试、测试、监控 的空白，帮助我们更好地构建可信的 AI 应用。 好的！既然你希望对比 Langchain + LangSmith 与其它技术方案，那我们可以从几个维度来做一个 横向对比分析，让你的博客不仅回顾 Langchain，还凸显它的优势和适用场景。 🧭 Langchain 与其他 LLM 应用框架的对比分析 在构建 LLM 应用时，除了 Langchain，还有不少热门的框架和工具，比如： 框架名称 核心特点 是否组件化 是否支持 Agent 调试能力 主打场景 Langchain 模块化封装 Prompt、Memory、索引、Agent ✅ ✅ ✅（搭配 LangSmith） RAG、ChatBot、Agent LlamaIndex 强调数据索引能力，集成多种文档加载/拆分方式 ✅ ⚠️（基础 Agent 支持） ❌ 文档问答、知识库 Haystack 企业级搜索和问答，支持自定义 Pipeline ✅ ✅ ✅（较重配置） 企业内部搜索、QA Autogen (MS) 多 Agent 协作框架，适合任务分工 ⚠️（较弱） ✅（核心） ❌（需配合日志） Agent 协作系统 Flowise 可视化 Langchain，拖拽式搭建 ✅（UI） ✅（底层用 Langchain） ✅（UI可视化） 快速原型、低代码 🔍 详细维度分析 1. 开发体验 对比项 Langchain LlamaIndex Haystack Autogen Flowise 上手难度 中（模块较多） 低（专注文档检索） 中高（配置多） 高（偏研究） 低（拖拽） 模块化 ✅ ✅ ✅ ⚠️ ✅ 类型支持 文档问答、对话、Agent 文档问答 QA Pipeline 多智能体任务 Chat/RAG 📌 如果你要构建复杂的 AI 应用，Langchain 的模块化设计 + LangSmith 调试工具，开发体验更全面。 2. 文档问答能力（RAG 架构支持） 对比项 Langchain LlamaIndex Haystack 向量索引支持 ✅（多种 VectorStore） ✅ ✅ 文档加载丰富度 ✅ ✅ ✅ 拆分策略 丰富（Recursive、Token等） 丰富 主要基于段落 多源融合 ✅ ✅ ✅ 检索方式灵活性 高（自定义 Retriever） 中 中 📌 Langchain 与 LlamaIndex 都支持强大的 RAG，Langchain 更适合自定义 Agent 与对话流整合。 3. Agent 能力对比 对比项 Langchain Agent Autogen Haystack 多工具调用 ✅ ✅ ✅（较少） 工具链整合 ✅（Tool/Toolkits） ✅（需自建 Tool） ⚠️ 多 Agent 协作 ✅（Router Chain） ✅（核心能力） ❌ 日志追踪 ✅（配合 LangSmith） ❌ ✅（基本） 📌 如果你是搞 Agent 系统的，Autogen 适合多智能体协作研究，但 Langchain 更适合落地和定制。 4. 调试与监控（LangSmith 优势突显） 框架 是否支持可视化调试 是否支持运行监控 自定义评分支持 是否 SaaS 服务 Langchain + LangSmith ✅ ✅ ✅ ✅（LangSmith 平台） LlamaIndex ❌ ❌ ❌ ❌ Haystack 部分 部分 需手动配置 ❌ Autogen ❌（手工打印） ❌ ❌ ❌ 📌 LangSmith 是目前 最适合 LLM 应用调试的可视化平台，对链条调用非常透明。 ✅ 总结：我该选谁？ 你想快速构建实用型 AI 应用（问答、客服、Agent）：用 Langchain + LangSmith 你只想搞定文档问答系统：可以考虑 LlamaIndex 你有企业级搜索需求：考虑 Haystack 你研究智能体协作：玩玩 Autogen 你是产品经理或低代码开发者：试试 Flowise
-
基于 Taro 技术栈搭建的跨端客户端脚手架 基于 Taro 技术栈搭建的跨端客户端脚手架 一、项目背景 接手的项目各个技术栈不同，有原生微信小程序，有flutter开发的客户端，有uniapp开发的客户端，现在想统一技术栈，为什么选择Taro不是uniapp，主要是因为ReactNative。 二、技术栈选型 Taro 3.x：京东凹凸实验室开源的跨端开发框架 React 18：用于构建用户界面的 JavaScript 库 TypeScript：添加了类型系统的 JavaScript 超集 NutUI：京东风格的轻量级移动端组件库 Redux Toolkit：Redux 官方推荐的工具集 Pnpm：高性能的包管理工具 三、项目结构设计 ├── config # 项目配置文件 │ ├── dev.js # 开发环境配置 │ ├── index.js # 基础配置 │ └── prod.js # 生产环境配置 ├── src # 源码目录 │ ├── api # API 接口 │ ├── assets # 静态资源 │ ├── components # 公共组件 │ ├── constants # 常量定义 │ ├── models # 模型定义 │ ├── hooks # 自定义 Hooks │ ├── pages # 页面文件 │ ├── service # 业务处理 │ ├── store # 状态管理 │ ├── types # TypeScript 类型定义 │ ├── utils # 工具函数 │ └── app.tsx # 应用入口 四、关键技术实现 1. 多端适配策略 // 条件编译示例 import { Platform } from '@tarojs/service' // #ifdef WEAPP console.log('微信小程序环境') // #endif // #ifdef TT console.log('抖音小程序环境') // #endif 2. 状态管理方案 // store/index.ts import { configureStore } from '@reduxjs/toolkit' import userReducer from './slices/user' export const store = configureStore({ reducer: { user: userReducer } }) 3. 网络请求封装 // utils/request.ts import Taro from '@tarojs/taro' const request = async (options) => { try { const response = await Taro.request({ url: BASE_URL + options.url, method: options.method, data: options.data, header: { 'content-type': 'application/json', ...options.header } }) return response.data } catch (error) { console.error('请求错误：', error) throw error } } 五、最佳实践与注意事项 1. 组件库使用规范 NutUI 图标组件引入顺序问题 // ✅ 正确示例 import { ArrowRight } from '@nutui/icons-react-taro' import { Button } from '@nutui/nutui-react-taro' // ❌ 错误示例 import { Button } from '@nutui/nutui-react-taro' import { ArrowRight } from '@nutui/icons-react-taro' 2. 平台差异处理 抖音小程序 AbortController 兼容性问题 微信小程序热重载配置注意事项 3.注意点 如果报如下警告 despite it was not able to fulfill desired ordering with these modules: * css ./node_modules/.pnpm/css-loader@7.1.2_webpack@5.78.0_@swc+core@1.3.96_/node_modules/css-loader/dist/cjs.js ??ruleSet[1].rules[4].oneOf[0] .use[1]!./node_modules/.pnpm/postcss-loader@8.1.1_postcss@8.4.49_typescript@5.7.3_webpack@5.78.0_@swc+core@1.3.96_/node_modules/postcss-loader/dist/cjs.js ??ruleSet[1].rules[4].oneOf[0] .use[2]!./node_modules/.pnpm/@nutui+icons-react-taro@2.0.1/node_modules/@nutui/icons-react-taro/dist/style_icon.css - couldn't fulfill desired order of chunk group(s) pages/user/index - while fulfilling desired order of chunk group(s) pages/index/index, pages/category/index, pages/order/index 原因是 import { ArrowRight } from '@nutui/icons-react-taro' import引入顺序有问题，因为在这个语句的前面有引入其他的组件，其他的组件里也使用了@nutui/icons-react-taro，所以会报这个警告，只需要把import { ArrowRight } from '@nutui/icons-react-taro'放到最前面就可以了。 4.坑点 taro的mock插件没有适配最新版，不能新建mock目录，已经适配了最新版的插件可自行编译https://github.com/javajeans/taro-plugin-mock 六、构建与部署 # 安装依赖 pnpm install # 开发环境 pnpm dev:weapp # 微信小程序 pnpm dev:tt # 抖音小程序 pnpm dev:h5 # H5 # 生产环境 pnpm build:weapp pnpm build:tt pnpm build:h5 七、性能优化建议 合理使用条件编译 组件按需加载 图片资源压缩 避免不必要的重渲染 八、总结 通过 Taro 技术栈，我们成功搭建了一套可维护、可扩展的跨端开发脚手架。该脚手架具有以下特点： 统一的开发体验 完善的工程化配置 规范的代码风格 丰富的组件库支持 灵活的状态管理
-
ComfyUI 使用笔记 ComfyUI 使用笔记 Reactor 换脸 ComfyUI-GIMM-VFI节点运行异常问题解决 节点用的是旧版本的torch的sdk,报这个错，作者还未修改 AttributeError: module 'torch.amp' has no attribute 'custom_fwd' 需要修改节点代码目录ComfyUI-GIMM-VFI\gimmvfi\generalizable_INR\modules\softsplat.py文件的第361行改成如下 @torch.cuda.amp.custom_fwd(cast_inputs=torch.float32) 和452行改成 @torch.cuda.amp.custom_bwd 安装CLIPSeg 报错 ## install failed: With the current security level configuration, only custom nodes from the **"default channel"** can be installed. 解决方式： 更新ComfyUI-Manager插件即可 参考https://github.com/comfyanonymous/ComfyUI_TensorRT/issues/6 缺少EG_CYQ_JB节点 进入custom_nodes节点目录，执行 git clone https://github.com/11dogzi/Comfyui-ergouzi-DGNJD.git 手动拉去插件 参考https://openart.ai/workflows/tdlong189/flux-and-sd15-anime-to-real-photo/OMN6addlGc9qiSgaDsj5 命令行下载 huggingface-cli download black-forest-labs/FLUX.1-Depth-dev-lora --include "*.safetensors" --local-dir flux_comfyui --token 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 使用OmniGen报异常 RuntimeError: Failed to import OmniGen. Please check if the code was downloaded correctly. 解决： A:\ComfyUI_windows_portable\python_embeded\python.exe" -m pip uninstall diffusers A:\ComfyUI_windows_portable\python_embeded\python.exe" -m pip install diffusers==0.30.3 A:\ComfyUI_windows_portable\python_embeded\python.exe" -m pip install peft==0.13.2 python.exe -m pip install timm -i https://pypi.tuna.tsinghua.edu.cn/simple https://github.com/AIFSH/OmniGen-ComfyUI/issues 安装 error: command 'cl.exe' failed: None [end of output] note: This error originates from a subprocess, and is likely not a problem with pip. ERROR: Failed building wheel for insightface 解决方式： 安装vs2022 配置环境 一、在哪里配置 配置的地方呢就是在 控制面板的用户账户里面的用户账户，话不多说，上图！ 1）.打开控制面板 2）.找到用户账户 3）.找到更改我的环境变量 4）.最终路径 二、开始配置 1）、总体步骤 总体步骤是：首先path里面添加路径，然后新建include变量添加相关路径，接着新建bin变量添加相关路径，最后点击确定添加完成！ 2）、配置步骤 1.Path变量的操作 先在 ***的用户变量 里面找到 Path； 然后双击或者点击编辑； 接着找到自己的Visual Studio的安装路径（桌面图标，右键，打开文件所在位置，然后找到主路径，如图） 这是打开文件所在位置后定位到的路径： D:\Visual Studio\Program Files\2022\Community\Common7\IDE 在IDE文件夹里面，devenv.exe就是我们的IDE软件， 接下来下一步，找到主路径，往上走两个文件夹，定位到 D:\Visual Studio\Program Files\2022\Community Community是我安装的Visuai Studio版本为社区版，如果是专业版就应该是Professional文件夹， 前面的 D:\Visual Studio\Program Files\2022只是我安装的路径，这就是为什么使用打开文件所在位置来定位文件路径，这样的话可以避免大家的安装位置不一样而导致这个教程不适用，一般来说无论安装在哪里，都会有一个Community或者Professional又或者Enterprise文件夹； 然后一次点击文件夹VC、Tools、MSVC、14.31.31103、bin、Hostx64、x64，定位到路径： D:\Visual Studio\Program Files\2022\Community\VC\Tools\MSVC\14.31.31103\bin\Hostx64\x64 注意文件夹14.31.31103大家的可能会不一样，但是没关系，都是一串数字，然后将下图蓝色的文件路径复制到粘贴板； 最后回到环境变量双击Path的界面，点击新建，输入复制的文件路径，回车，确认即可，如图： 2.include变量操作 先寻找文件路径，还是刚才的D:\Visual Studio\Program Files\2022\Community路径，接下来 依次点击VC、Tools、MSVC、14.31.31103、include文件夹，定位到 D:\Visual Studio\Program Files\2022\Community\VC\Tools\MSVC\14.31.31103\include 这个路径，注意14.31.31103还是会不一样，但是仍旧是一串数字的那个文件夹， 然后在用户变量里面新建环境变量，把上面的路径输入，在后面加上冒号;（英文输入法，下同） D:\Visual Studio\Program Files\2022\Community\VC\Tools\MSVC\14.31.31103\include 然后定位到 Windows Kits 文件夹，如果你把应用装在D盘，你就会在D盘找到D:\Windows Kits路径，而如果你的应用在C盘那就再路径C:\Program Files (x86)会有一个Windows Kits文件夹，这里以路径D:\Windows Kits为例，找到路径D:\Windows Kits\10\Include\10.0.19041.0，将文件夹10.0.19041.0里面的cppwinr和shared和ucrt和um和winrt五个文件夹的路径依次添加到刚刚新建的INCLUDE环境变量下， D:\Windows Kits\10\Include\10.0.19041.0\cppwinr D:\Windows Kits\10\Include\10.0.19041.0\shared D:\Windows Kits\10\Include\10.0.19041.0\ucrt D:\Windows Kits\10\Include\10.0.19041.0\um D:\Windows Kits\10\Include\10.0.19041.0\winrt 所有的路径如下，总共是6个 （注意路径之间的分号）如下图： 点击确定后双击INCLUDE查看如下图： 点击确定就完成了include的环境变量配置； 3.lib环境变量配置 同样，再建一个LIB环境变量，还是先寻找文件路径，而且还是刚才的D:\Visual Studio\Program Files\2022\Community路径，接下来 依次点击VC、Tools、MSVC、14.31.31103、lib文件夹，定位到D:\Visual Studio\Program Files\2022\Community\VC\Tools\MSVC\14.31.31103\lib\x64路径，注意14.31.31103还是会不一样，但是仍旧是一串数字的那个文件夹，然后在用户变量里面新建环境变量，把上面的路径输入，在后面加上冒号（英文输入法下的冒号 ; ） 然后定位到 Windows Kits 文件夹，如果你把应用装在D盘，你就会在D盘找到D:\Windows Kits路径，而如果你的应用在C盘那就再路径C:\Program Files (x86)会有一个Windows Kits文件夹，这里以路径D:\Windows Kits为例，找到路径D:\Windows Kits\10\Include\10.0.19041.0，将文件夹10.0.19041.0里面的ucrt和ucrt_enclave和um三个文件夹下面的x64文件夹路径依次添加到新建的LIB环境变量里面， D:\Windows Kits\10\Lib\10.0.19041.0\ucrt\x64 D:\Windows Kits\10\Lib\10.0.19041.0\ucrt_enclave\x64 D:\Windows Kits\10\Lib\10.0.19041.0\um\x64 注意路径间的分号，然后点击确定，查看如下图： 到此为止，建立完毕，点击确定完成环境变量的配置！ win+r输入cmd打开命令提示符窗口，输入cl，出现下图则配置成功， 三、测试 在桌面右键创建一个txt文本文件，修改名称为test.c（.c是后缀），就得到一个C格式文件，双击打开，写入代码： #include <stdio.h> #include <stdlib.h> int main() { printf("hello world!"); return 0; } 保存 win+r输入cmd打开命令提示符窗口，输入cd desktop定位到test.c所在的桌面路径， 输入cl /EHsc test.c,回车，会生成.obj文件和.exe可执行文件： 接着输入test就会生成打印 hello world！ 测试完毕！ 参考https://blog.csdn.net/2301_79301617/article/details/134175538 参考https://blog.csdn.net/en_Wency/article/details/124767742 视频嘴型同步 视频帧率有要求 语音频率有要求 原生版本节点依赖安装 python.exe -m pip install f5_tts -i https://pypi.tuna.tsinghua.edu.cn/simple 模型国内源配置 这里我会针对ComfyUI讲一种简单的方法，修改python库huggingface_hub。以下是具体操作步骤： 在 python_embeded\Lib\site-packages\huggingface_hub 目录下，找到__init__.py文件，右键点击编辑打开它，在最后一行加上 os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com' 然后保存文件即可！
-
Pytorch学习笔记 训练模型数据集划分 数据集通常会被划分为训练集（Training Set）、验证集（Validation Set）和测试集（Test Set），这样可以有效地训练、优化和评估模型的性能。 1. 训练集（Training Set） 作用：用于模型的学习，即让模型调整参数（权重和偏置）。 占比：一般占 60%-80% 的总数据。 细节：模型在这个数据集上不断计算损失 → 反向传播 → 更新参数，以最小化误差。 2. 验证集（Validation Set） 作用：在训练过程中监测模型的表现，用于调整超参数（如学习率、层数、神经元数量等），防止过拟合。 占比：一般占 10%-20% 的总数据。 细节： 训练过程中不会对验证集进行梯度更新，仅用于计算指标（如准确率、损失）。 用于超参数调优，选择最优模型配置。 3. 测试集（Test Set） 作用：在模型完全训练好后，用于最终评估模型的泛化能力。 占比：一般占 10%-20% 的总数据。 细节： 不能用于训练，也不能用于超参数调优，完全独立。 反映模型对未见过的数据的表现，确保模型不会仅仅记住训练数据（过拟合）。 为什么要区分验证集和测试集？ 很多人会问：“为什么不直接用测试集来调优超参数？” 原因： 如果我们用测试集来调整超参数，模型就会对测试集产生信息泄露，测试集就不再是真正的未知数据，评估结果会有偏差。 验证集的作用是提供反馈，而测试集的作用是提供最终评分。 数据集划分方法 1. 直接划分 from sklearn.model_selection import train_test_split # 生成示例数据 X = [[i] for i in range(1000)] # 1000 个样本 y = [i % 2 for i in range(1000)] # 二分类标签 # 先划分为训练集 + 剩余集（80% 训练，20% 剩余） X_train, X_rem, y_train, y_rem = train_test_split(X, y, test_size=0.2, random_state=42) # 再划分验证集和测试集（各 10%） X_val, X_test, y_val, y_test = train_test_split(X_rem, y_rem, test_size=0.5, random_state=42) print(f"训练集大小: {len(X_train)}, 验证集大小: {len(X_val)}, 测试集大小: {len(X_test)}") 输出： 训练集大小: 800, 验证集大小: 100, 测试集大小: 100 2. K 折交叉验证（适用于小数据集） 如果数据集较小，可以使用 K 折交叉验证（K-Fold Cross Validation）： from sklearn.model_selection import KFold import numpy as np X = np.array(range(100)) kf = KFold(n_splits=5, shuffle=True, random_state=42) # 5 折交叉验证 for train_index, val_index in kf.split(X): print(f"训练集: {train_index}, 验证集: {val_index}") 总结 数据集 作用 是否参与训练 用于超参数调优 何时使用 训练集 训练模型 ✅ ❌ 训练时 验证集 调整超参数，监测过拟合 ❌ ✅ 训练过程中 测试集 评估最终性能 ❌ ❌ 训练结束后 🚀 最佳实践： ✅ 80%-10%-10% 划分（训练-验证-测试） ✅ K 折交叉验证（当数据较少时） 神经网络模型训练的原理 神经网络模型训练的本质是一个 优化过程，核心目标是 最小化损失函数（Loss Function），使得模型对训练数据的预测尽可能准确。训练过程主要包括 前向传播（Forward Propagation）、损失计算（Loss Calculation）、反向传播（Backward Propagation）、参数更新（Parameter Update） 四个关键步骤。 1. 前向传播（Forward Propagation） 计算从输入到输出的结果 输入数据 ( X ) 经过 加权求和 和 激活函数 处理，得到 预测值 ( Y_{\text{pred}} )。 数学公式： [ Z = W \cdot X + b ] [ Y_{\text{pred}} = \sigma(Z) ] 其中： ( W ) 是 权重（Weights） ( b ) 是 偏置（Bias） ( \sigma(Z) ) 是 激活函数（如 ReLU、Sigmoid） 2. 计算损失函数（Loss Calculation） 衡量模型的预测值与真实值之间的差距 损失函数（Loss Function） 用来量化误差，常见损失函数： 回归任务（预测连续值）：使用 均方误差（MSE） [ L = \frac{1}{N} \sum (Y_{\text{true}} - Y_{\text{pred}})^2 ] 分类任务（预测类别）：使用 交叉熵损失（CrossEntropy） [ L = -\sum Y_{\text{true}} \log(Y_{\text{pred}}) ] 3. 反向传播（Backward Propagation） 计算梯度，调整参数 通过 链式求导法则（Chain Rule） 计算每个参数对损失函数的贡献： [ \frac{\partial L}{\partial W} ] 反向传播的本质是 梯度下降（Gradient Descent）： [ W = W - \alpha \cdot \frac{\partial L}{\partial W} ] 其中： ( \alpha ) 是 学习率（Learning Rate） ( \frac{\partial L}{\partial W} ) 是 梯度（Gradient） 4. 参数更新（Parameter Update） 使用优化算法（如 SGD、Adam）调整权重，使损失减少： 随机梯度下降（SGD）： [ W = W - \alpha \cdot \frac{\partial L}{\partial W} ] Adam（自适应学习率优化） 计算梯度的指数加权平均 适用于 非平稳数据和稀疏梯度 完整示例：用 PyTorch 训练神经网络 import torch import torch.nn as nn import torch.optim as optim # 1. 准备数据 X = torch.tensor([[1.0], [2.0], [3.0], [4.0]]) # 输入 Y = torch.tensor([[2.0], [4.0], [6.0], [8.0]]) # 真实值 # 2. 构建模型 class LinearRegressionModel(nn.Module): def __init__(self): super().__init__() self.linear = nn.Linear(1, 1) # 一层线性回归模型（y = Wx + b） def forward(self, x): return self.linear(x) model = LinearRegressionModel() # 3. 选择损失函数和优化器 loss_fn = nn.MSELoss() # 均方误差 optimizer = optim.SGD(model.parameters(), lr=0.01) # 4. 训练模型 for epoch in range(100): Y_pred = model(X) # 前向传播 loss = loss_fn(Y_pred, Y) # 计算损失 optimizer.zero_grad() # 清除梯度 loss.backward() # 反向传播 optimizer.step() # 参数更新 if (epoch + 1) % 10 == 0: print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}') # 5. 预测新数据 new_X = torch.tensor([[5.0]]) predicted_Y = model(new_X).item() print(f"预测 5 对应的值: {predicted_Y:.2f}") 总结 步骤 说明 前向传播 计算从输入到输出的预测值 计算损失 计算预测值与真实值的误差 反向传播 计算梯度，优化参数 参数更新 使用梯度下降调整权重 在 PyTorch 中，梯度下降（Gradient Descent）是优化模型参数的核心方法之一。PyTorch 提供了 torch.optim 模块，其中包含了多种优化算法，包括最基本的 随机梯度下降（SGD），以及更高级的优化算法（如 Adam、RMSprop 等）。 1. PyTorch 梯度下降的基本流程 梯度下降的核心步骤如下： 前向传播（Forward Propagation） 计算损失函数（Loss）。 反向传播（Backward Propagation） 计算梯度，即对参数求导。 更新参数（Parameter Update） 使用优化器（如 SGD）更新模型参数。 2. PyTorch 实现梯度下降 (1) 使用 torch.optim.SGD import torch # 创建模型参数（需要计算梯度） w = torch.tensor(2.0, requires_grad=True) # 定义损失函数 L = (w-3)² def loss_fn(w): return (w - 3) ** 2 # 定义优化器（学习率 lr=0.1） optimizer = torch.optim.SGD([w], lr=0.1) # 梯度下降迭代 for i in range(10): loss = loss_fn(w) # 计算损失 optimizer.zero_grad() # 清空梯度 loss.backward() # 计算梯度 optimizer.step() # 更新参数 print(f"Step {i+1}: w = {w.item()}, Loss = {loss.item()}") 流程解析 optimizer.zero_grad(): 清空梯度，避免梯度累积。 loss.backward(): 计算损失对 w 的梯度 ∂L/∂w。 optimizer.step(): 使用 SGD 更新参数： [ w = w - \text{lr} \times \frac{\partial L}{\partial w} ] (2) 手动实现梯度下降 如果不使用 torch.optim，可以手动更新参数： w = torch.tensor(2.0, requires_grad=True) lr = 0.1 # 学习率 for i in range(10): loss = loss_fn(w) # 计算损失 loss.backward() # 计算梯度 with torch.no_grad(): # 关闭梯度计算，防止 PyTorch 记录计算图 w -= lr * w.grad # 参数更新 w.grad.zero_() # 清空梯度 print(f"Step {i+1}: w = {w.item()}, Loss = {loss.item()}") 这里手动计算 w -= lr * w.grad，效果等同于 optimizer.step()。 3. PyTorch 支持的优化算法 除了 SGD，PyTorch 还提供了更高级的优化器： Adam (torch.optim.Adam)：适用于大多数任务，收敛快。 RMSprop (torch.optim.RMSprop)：适用于非平稳目标函数（如强化学习）。 Adagrad (torch.optim.Adagrad)：适用于稀疏数据。 示例（使用 Adam）： optimizer = torch.optim.Adam([w], lr=0.1) 4. 选择合适的梯度下降算法 优化器 适用场景 主要特点 SGD 经典梯度下降 适用于凸优化，学习率难以调整 SGD + Momentum 加速收敛 可减少振荡，适用于深度网络 Adam 通用 结合了 RMSprop 和 Momentum，适用性强 RMSprop 适用于非平稳目标 适用于强化学习和递归神经网络 Adagrad 适用于稀疏数据 适合 NLP 任务，梯度会逐渐减小 在深度学习任务中，Adam 是默认的首选优化器。 5. 结论 梯度下降是优化模型的核心方法，PyTorch 提供了自动求导和优化器。 使用 torch.optim 可以方便地管理优化算法，如 SGD 和 Adam。 对于深度学习任务，Adam 通常是更好的选择。
