wav2lip 是一个通过 声音和视频生成 口型的工具 找到demo.bat开启 服务启动：D:\AI\wav2lip\Wav2Lip-master\Wav2Lip-master\start.sh 服务启动：D:\AI\wav2lip\Wav2Lip-master\Wav2Lip-master\api.py

chatglm 相当于chatgpt的工具 找到 python api.py 或cli_demo.py 开启( 明天下午三点半 让张三 李四 王二麻子到第六会议室开会。上面一句话提取 开会时间 参会人员 参会地点) 你是哪位?

--ChatGLM-Efficient-Tuning-main 説明書.txt 里面有实验 教程 https://www.bilibili.com/video/BV12P411r7Mw/?spm_id_from=333.999.0.0&vd_source=529a62f1c90890479c94ff62b977c205 #训练 在dataset_info.json中设置自己的如， jid2v2_cognition，然后建立一个文件jid2v2_cognition.json来设置自己的问题大 set CUDA_VISIBLE_DEVICES=0 python src/train_bash.py --stage sft --do_train --model_name_or_path model/basemodel/chatglm2-6b --dataset jid2v2_cognition --dataset_dir data --finetuning_type lora --output_dir output/congnition --overwrite_cache --per_device_train_batch_size 2 --gradient_accumulation_steps 2 --lr_scheduler_type cosine --logging_steps 10 --save_steps 1000 --learning_rate 1e-3 --num_train_epochs 10.0 --fp16 #test 测试 set CUDA_VISIBLE_DEVICES=0 python src/cli_demo.py --model_name_or_path model/basemodel/chatglm2-6b --checkpoint_dir output/congnition #导出模型 python src/export_model.py --model_name_or_path model/basemodel/chatglm2-6b --checkpoint_dir output/congnition --output_dir output/path_to_save_model

--Langchain LLM的一个大语言模型 可以制作知识库 ，启动找到 python startup.py -a

whisper 模型下载地址：https://huggingface.co/ggerganov/whisper.cpp 根据输入的音频得到文字(模型位置在 C:\Users\Administrator.cache\whisper) 执行test.py就可以实验 服务启动：D:\AI\whisper\whisper-main\whisper-main\start.sh 新版本： D:\AI\whisper\whisper3-main\whisper-main3\start.sh

whisper 微调训练 模型位置：C:\Users\Administrator.cache\huggingface\hub\models--openai--whisper-tiny C:\Users\Administrator.cache\huggingface\hub\models--openai--whisper-large-v3 或者(models--models--whisper-large-v3) 直接使用原模型预测: python infer.py --audio_path=dataset/test.wav --model_path=openai/whisper-large-v3 D:\AI\whisper\Whisper-Finetune-master 训练: 1微调：python finetune.py --base_model=openai/whisper-tiny --output_dir=output/ 2合并：python merge_lora.py --lora_model=output/whisper-tiny/checkpoint-best/ --output_dir=models/ 3评估：python evaluation.py --model_path=models/whisper-tiny-finetune --metric=cer 4实测：python infer.py --audio_path=dataset/test.wav --model_path=models/whisper-tiny-finetune 山东潍坊实测 1微调：python finetune.py --base_model=openai/whisper-large-v3 --output_dir=output/ python merge_lora.py --lora_model=output/whisper-medium/checkpoint-final/ --output_dir=models/ python infer.py --audio_path=dataset/test2.wav --model_path=models/whisper-medium-finetune

whisper windows版本 D:\AI\whisper\windowsform\WhisperDesktop 模型下载地址：https://huggingface.co/ggerganov/whisper.cpp/tree/main 小坑：如果碰到报错 Inspect the output of the command and see if you can locate CUDA libraries. 是因为 bitsandbytes之前不支持windows，可以执行以下动作 pip uninstall bitsandbytes pip uninstall bitsandbytes-windows pip install https://github.com/jllllll/bitsandbytes-windows-webui/releases/download/wheels/bitsandbytes-0.41.1-py3-none-win_amd64.whl 坑2：报错 freeze_support() 这样标识的，说明不是用main函数启动的，在程序力用main函数启动

tts 模型自动下载地址 C:\Users\Administrator.paddlespeech\models， D:\AI\tts\model ,D:\nltk_data，C:\ProgramData\miniconda3\envs\PaddleSpeech\Lib\site-packages\paddlespeech\t2s\models\fastspeech2，C:\Users\Administrator.paddlenlp\models\bert-base-chinese
模型地址 https://github.com/PaddlePaddle/PaddleSpeech/blob/develop/docs/source/released_model.md#text-to-speech-models 教程 https://paddlespeech.readthedocs.io/en/latest/demo_video.html 测试：paddlespeech tts --input "是的，您需要带上房产证，户口本，以及来到我们营业大厅办理。" --output output.wav 服务启动：D:\AI\tts\tts\start.sh 小坑：如果报 np.complex,就改np.complex128 (C:\ProgramData\miniconda3\envs\PaddleSpeech\Lib\site-packages\librosa\core\constantq.py) 在linux unbantu20.4下会有报错，（version `GLIBC_2.32' not found），这时候把 opencc版本降到1.1.0就好了 pip install OpenCC==1.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

bark --bark-main 通过文字转语音(模型位置在 C:\Users\Administrator.cache\suno\bark_v0,C:\Users\Administrator.cache\torch\hub\checkpoints，大的C:\Users\Administrator.cache\huggingface\hub\models--suno--bark,小的C:\Users\Administrator.cache\huggingface\hub\models--suno--bark-small) 模型的测评总结:D:\AI\bark\bark-main\bark-main\bark\assets\prompts\speaker.md 不同的声音 D:\AI\bark\bark-main\bark-main\bark\assets\prompts 测试用例 D:\AI\bark\bark-main\bark-main\test.py 服务启动：D:\AI\bark\bark-main\bark-main\start.sh --Bark-Voice-Cloning-main 克隆人声给bark (https://www.bilibili.com/video/BV17w411X7xu/?spm_id_from=333.337.search-card.all.click&vd_source=529a62f1c90890479c94ff62b977c205) ----Bark-Coqui 应用程序 启动使用python api.py 然后到http://127.0.0.1:7860/ 模型下载到(Downloading model to C:\Users\Administrator\AppData\Local\tts) (https://www.bilibili.com/video/BV17w411X7xu/?spm_id_from=333.337.search-card.all.click&vd_source=529a62f1c90890479c94ff62b977c205) 语音上传有些不好用，需要手工添加到examples目录下，然后在app.py下找到examples添加进去

--Retrieval-based-Voice-Conversion-WebUI-main 克隆人声 页面 启动 根目录 python.exe gui_v1.py 和 python.exe infer-web.py （https://www.bilibili.com/video/BV1pm4y1z7Gm/?vd_source=529a62f1c90890479c94ff62b977c205） 测试步骤： 到对应目录下，执行 python.exe infer-web.py 会弹出网页 默认直接点一键训练 然后到模型推理 选刷新银色列表和索引路径 直接选转换，然后播放试试

 坑:
 1 分割人声用UVR5 ,目录在：D:\AI\bark\Retrieval-based-Voice-Conversion-WebUI-main\Retrieval-based-Voice-Conversion-WebUI-main\tools\UVR_v5.6.0_setup.exe
 2 中间某些whl需要编译，需要windows C++ 目录在：D:\AI\bark\Retrieval-based-Voice-Conversion-WebUI-main\Retrieval-based-Voice-Conversion-WebUI-main\tools\vs_BuildTools.exe

SD stable diffusion AI 作画 点击 ：A启动器.exe 来启动

embedding m3e D:\AI\chatglm\ChatGLM2-6B\LangChain\Langchain-Chatchat-master\Langchain-Chatchat-master\embeddings_init_.py 或者 D:\AI\m3e (里面包含 中文的transformer bert) 服务启动：D:\AI\m3e\start.sh

paddleocr 文字识别 启动测试D:\AI\ocr\PaddleOCR\PaddleOCR-release-2.7\test.py 模型地址 C:\Users\Administrator/.paddleocr/whl\det\ch\ch_PP-OCRv4_det_infer
服务：D:\AI\ocr\PaddleOCR\PaddleOCR-release-2.7\api.py

labelimg 给YOLO训练集打标签(王者荣耀) -----vocdevkit-master 从VOC转 YOLO的工具 -----VOCdevkit 王者荣耀数据集 -----windows_v1.8.1 应用工具 -----yolov5-master 训练工具 整个流程： D:\AI\labelimg\说明.docx 先把图片进行(windows_v1.8.1 )应用工具进行贴标签，越多越好。然后用vocdevkit-master这个工具把VOC转 YOLO的格式，然后放到yolov5-master的VOCdevkit 下进行训练 增加King 的配置 D:\AI\labelimg\yolov5-master\yolov5-master\data\King.yaml和D:\AI\labelimg\yolov5-master\yolov5-master\models\King.yaml 启动： 训练模型-D:\AI\labelimg\yolov5-master\yolov5-master\train.py 测试看效果-D:\AI\labelimg\yolov5-master\yolov5-master\detect.py

Yolo5 https://github.com/HumanSignal/labelImg YOLO模型:https://github.com/ultralytics/yolov5/releases YOLO模型下载，已经写过的: https://gitee.com/la-la-pi/yolov5/blob/King/data/King.yaml 学习资料： https://zhuanlan.zhihu.com/p/664082477 https://blog.csdn.net/shopkeeper_/article/details/124407230 https://www.bilibili.com/video/BV1f44y187Xg/?p=3&vd_source=529a62f1c90890479c94ff62b977c205

paddledetection 目标检测 文档 D:\AI\detection\PaddleDetection-release-2.6\PaddleDetection-release-2.6\docs\tutorials\QUICK_STARTED_cn.md

测试: GPU 版本 set CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/ppyolo/ppyolo_r50vd_dcn_1x_coco.yml -o use_gpu=true weights=https://paddledet.bj.bcebos.com/models/ppyolo_r50vd_dcn_1x_coco.pdparams --infer_img=demo/000000014439.jpg 非GPU

python tools/infer.py -c configs/ppyolo/ppyolo_r50vd_dcn_1x_coco.yml -o use_gpu=false weights=model/ppyolo_r50vd_dcn_1x_coco.pdparams --infer_img=demo/000000014439.jpg 模型地址C:\Users\Administrator.cache\paddle\weights\ppyolo_r50vd_dcn_1x_coco.pdparams

指针识别 文档：https://aistudio.baidu.com/bd-cpu-02/user/592909/7112857/notebooks/7112857.ipynb 或者 D:\AI\detection\Paddlex\readme.ipynb 训练:D:\AI\detection\Paddlex\train_detection.py 模型：D:\AI\detection\Paddlex\output\meter_det\pretrain\DarkNet53_ImageNet1k_pretrained.tar GPU：python -m pip install paddlepaddle-gpu==2.4.2.post117 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html 运行（有错误但是不影响结果）：python reader_infer.py --detector_dir output/meter_det/best_model --segmenter_dir output/meter_seg/best_model --image meter_det/test/20190822_160.jpg --save_dir ./output --use_erode API服务(有错误但是不影响结果)：D:\AI\detection\Paddlex\api.py

安全帽检测： D:\AI\detection\safetyhelmet yolo_train 训练 yolo_test 测试 教程 API 服务(返回数量)：D:\AI\detection\safetyhelmet\api.py

facenet 面部识别 先执行：D:\AI\facenet\facenet-retinaface-pytorch\facenet-retinaface-pytorch-main\facenet-retinaface-pytorch-main\encoding.py 然后执行预测:D:\AI\facenet\facenet-retinaface-pytorch\facenet-retinaface-pytorch-main\facenet-retinaface-pytorch-main\predict.py 输入对应的图片地址：Input image filename:D:\AI\facenet\facenet-retinaface-pytorch\facenet-retinaface-pytorch-main\facenet-retinaface-pytorch-main\img\obama.jpg

启动服务：D:\AI\facenet\facenet-retinaface-pytorch\facenet-retinaface-pytorch-main\facenet-retinaface-pytorch-main\api.py

Transformer D:\AI\chatglm\ChatGLM3-6B\ChatGLM3-main\ChatGLM3-main\transformer 6.使用管道函数 英文(情感分析，电影数据集，阅读理解,完形填空,文本生成,命名文本识别,文本总结，翻译-英语到德语，特征提取-向量) 中文(可以对 评价结果1或0做分类，然后提出特征，然后通过2分类 进行算出 评价好与坏，用好了后，用起来的话，就是可以一句话能算出评价) 7.实战任务1中文分类 对照英文的情感分析 8.实战任务2中文填空 对照英文的完形填空 9实战任务3中文句子关系推断 对照英文的 文本生成

https://github.com/lansinuote/Huggingface_Toturials/blob/main/7.%E4%B8%AD%E6%96%87%E5%88%86%E7%B1%BB.ipynb 模型地址 C:\Users\Administrator.cache\huggingface\hub 模型网址https://huggingface.co/transformers/v2.9.1/_modules/transformers/pipelines.html google资料：https://colab.research.google.com/github/tensorflow/tensor2tensor/blob/master/tensor2tensor/notebooks/hello_t2t.ipynb

ollama 本地使用llama3 ollama run llama3 docker run -d --restart unless-stopped --name ollama-webui -p 11433:8080 -e OLLAMA_API_BASE_URL=http://192.168.31.160:11434/api -e WEBUI_SECRET_KEY=TkjGEiQ@5K^j ghcr.io/open-webui/open-webui:main

docker 直接删除 docker run --rm --gpus=all nvidia/cuda:12.3.0-cudnn8-devel-ubuntu20.04 nvidia-smi 保留 docker run --gpus=all nvidia/cuda:12.1.0-cudnn8-devel-ubuntu20.04 nvidia-smi 保持状态 docker run -it --gpus=all nvidia/cuda:12.1.0-cudnn8-devel-ubuntu20.04 /bin/bash

执行以下命令更新源： sudo apt-get update 执行以下命令安装 Python3 的一些依赖库： sudo apt-get install libqgispython3.10.4 sudo apt-get install libpython3.10-stdlib ———————————————— 版权声明：本文为CSDN博主「Z.Q.Feng」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/weixin_46584887/article/details/120701003

GPU使用 先把 torch cup版本删除 pip install D:\AI\chatglm\ChatGLM2-6B\ChatGLM2-6B-main\venv\wheel\torch-2.1.0+cu121-cp310-cp310-win_amd64.whl

加速 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple

cuda版本 torch ，一般计算必须用 export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH pip uninstall torch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install D:\AI\chatglm\ChatGLM2-6B\ChatGLM2-6B-main\venv\wheel\torch-2.1.0+cu121-cp310-cp310-win_amd64.whl

镜像替换站： https://huggingface.co/lj1995/VoiceConversionWebUI/tree/main/ https://aliendao.cn/models/lj1995/VoiceConversionWebUI

huggingface的镜像替换 export HF_ENDPOINT=https://hf-mirror.com

转发代理 fspcdiy.m184.6266668.com 47.90.37.184 fspcdiy 9HDJFgIp6ON9

python infer.py --audio_path=D:/Prod/客服/山东澭坊/20220916084920-1663289341.1088-13605368155-107-Inbound.wav --model_path=models/whisper-tiny-finetune

进入容器方法 docker exec -it 8769a4706374781256856091d82795f15a57e3e3c97e56dc322c23c6a3fccb5c /bin/bash 语音识别+语义识别 位置 python 3.10.4 /usr/src/pythonSample1

语音识别 python websocketapi.py 语义识别 uvicorn mini:app --reload --host 0.0.0.0 --port 4004

tts Python 3.9.18 /usr/src/pythonSample2 conda create -n tts python=3.9.18 conda activate tts

conda使用方法

#创建虚拟环境 conda create -n helloai python=3.10.4（3.6、3.7等）

To activate this environment, use

使用

$ conda activate helloai

To deactivate an active environment, use

$ conda deactivate

#激活虚拟环境 source activate helloai (虚拟环境名称)

#退出虚拟环境 source deactivate helloai (虚拟环境名称)

#删除虚拟环境 conda remove -n helloai (虚拟环境名称) --all conda remove -n helloai --all

#查看安装了哪些包 conda list

#安装包 conda install package_name(包名) conda install scrapy==1.3 # 安装指定版本的包 conda install -n 环境名 包名 # 在conda指定的某个环境中安装包

#查看当前存在哪些虚拟环境 conda env list #或 conda info -e #或 conda info --envs

#检查更新当前conda conda update conda

#更新anaconda conda update anaconda

#更新所有库 conda update --all

#更新python conda update python

#其他举例 pip install torch pip install torchvision

产品 最小版 cuda:1.2.1 包含了 语音 向量 tts docker run -it -p 8765:8765 -p 4004:4004 -p 4005:4005 --gpus=all cuda:1.2.1 /bin/bash conda activate tts uvicorn api:app --reload --host 0.0.0.0 --port 4005 conda activate helloai uvicorn mini:app --reload --host 0.0.0.0 --port 4004

[program:ai-root-service] command=/bin/bash -c /usr/src/pythonSample1/ai.sh autostart=true autorestart=true startretries=3 stderr_logfile=/var/log/ai_service.err.log stdout_logfile=/var/log/ai_service.out.log

[program:asr-root-service] command=/bin/bash -c conda run -n helloai python /usr/src/pythonSample1/asr.py autostart=true autorestart=true startretries=3 stderr_logfile=/var/log/asr_service.err.log stdout_logfile=/var/log/asr_service.out.log

打包 pip install nuitka windows上命令 nuitka --standalone websocketapi.py linux上命令 nuitka3 --standalone websocketapi.py

以这样形式打包 nuitka3 --standalone --module websocketapi.py 会生成文件：websocketapi.cpython-310-x86_64-linux-gnu.so 另外同一级目录直接使用就好了(asr.py) import websocketapi if name == "main": websocketapi.runmain()

例子 执行：conda run -n helloai python /usr/src/cuda/cuda.py

异步执行 nohup sh /usr/src/nivdia/nivdia.sh>/logs/nivdia.log 2>&1 & nohup sh /usr/src/cuda/cuda.sh>/logs/cuda.log 2>&1 & nohup sh /usr/src/cuda/ffmpeg.sh>/logs/ffmpeg.log 2>&1 & 代码暂存在这里 temp-wbsct.txt

计算电脑码的关键(同意算法) D:\AI\whisper\Whisper-Finetune-master\Whisper-Finetune-master\hashhardware.py 服务器上记得删除 hashhardware.py

编译过程 切换 conda activate helloai conda activate tts 命名规划

asr->cuda->ffmpeg (ffmpegdeploy.py) 打包执行命令： nuitka3 --module ffmpeg.py 目录地址:D:\AI\whisper\Whisper-Finetune-master\Whisper-Finetune-master\ffmpeg.py 这个需要修改settings下的目录名到序列号 比如：/usr/src/cuda/settings/65c212e0f7cd0099d69b5e52372b6030 embdding->cuda->cuda (cudadeploy.py) 打包执行命令： nuitka3 --module cuda.py 目录地址：D:\AI\m3e\cuda.py 这个需要修改序列号目录名 比如：/usr/src/cuda/65c212e0f7cd0099d69b5e52372b6030 tts->nivdia (nivdiadeploy.py) 打包执行命令： nuitka3 --module nivdia.py 目录地址：D:\AI\tts\tts ，这个稍微麻烦点，得在线编译后 删除源代码 比如改成：generate_hardware_fingerprint()==65c212e0f7cd0099d69b5e52372b6030 nivdia.sh的内容 conda run -n tts python /usr/src/nivdia/nivdiadeploy.py

执行方法统一叫deploy()

利用本地localhost方式，把接口共享给到另外一个容器

-启动文件编写-/home/run.sh cd /usr/src/cuda/ nohup sh /usr/src/nivdia/nivdia.sh>/logs/nivdia.log 2>&1 & cd /usr/src/cuda/ nohup sh /usr/src/cuda/ffmpeg.sh>/logs/ffmpeg.log 2>&1 & nohup sh /usr/src/cuda/cuda.sh>/logs/cuda.log 2>&1 & ps -ef|grep python

docker commit e6569dd7b9d33ef04ad32c49dccb11ae4ef88b04cb21a0e5e92d5e4e8f2f2cdf helloai/cuda121:1.0.0 可森特的目录在D:/Client/kesente 里面有Dockerfile 打包 docker build -f Dockerfile -t kesente/cuda121:latest . 启动 docker run -it -p 8765:8765 -p 4004:4004 -p 4005:4005 -v D:/logs:/logs --gpus=all kesente/cuda121:latest /bin/bash 进入打开服务 sh run.sh 导出 先CD D:\Client\kesente\Docker\ （kesentecuda121 基础版本 kesentecuda121_dev 开发版本）

导出容器为 tar 文件

docker export c4df8f2cc82ab04af924b3974783c32e03fa23cb574cd354c34d0d02b1e6d401 > kesentecuda121_dev.tar

docker export c4df8f2cc82ab04af924b3974783c32e03fa23cb574cd354c34d0d02b1e6d401 > kesentecuda121_release.tar 作为发版用的

导入 tar 文件为镜像

docker import kesentecuda121_release.tar nvidia/cuda121:latest

docker run -it -p 8765:8765 -p 4004:4004 -p 4005:4005 -v /logs:/logs -v /resources:/resources -v /usr/lib/nvidia:/usr/lib/nvidia --privileged --gpus=all nvidia/cuda121:latest /bin/bash

docker run --rm --gpus=all nvidia/cuda121:latest nvidia-smi 服务器密码用户 jujinke 123Qwe!@# root 19867#Doudou

docker run --rm --gpus=all pytho310:cuda121 nvidia-smi

nvidia/cuda121 latest 进入docker docker exec -it c4df8f2cc82ab04af924b3974783c32e03fa23cb574cd354c34d0d02b1e6d401 /bin/bash

第一个成品 D:\Client\kesente\Docker\kesentecuda121.tar

客户安装过程 docker import kesentecuda121_release.tar nvidia/cuda121:latest

docker run --rm --gpus=all nvidia/cuda:12.1.0-cudnn8-devel-ubuntu20.04 nvidia-smi

docker run --rm --gpus=all nvidia/cuda121:latest nvidia-smi

##############################################

使用第一个基础镜像

FROM nvidia/cuda121:latest as base1

添加你需要的文件、目录等到新镜像中

使用第二个基础镜像

FROM nvidia/cuda:12.1.0-cudnn8-devel-ubuntu20.04 as base2

添加你需要的文件、目录等到新镜像中

从第一个基础镜像复制内容到最终镜像

COPY --from=base1 /usr/src /usr/src COPY --from=base2 /home /home COPY --from=base1 /home /home ##############################################

docker build -t nvidia/cuda:12.3.0 . ##############################################

docker run -it -p 8765:8765 -p 4004:4004 -p 4005:4005 -v /logs:/logs -v /resources:/resources -v /usr/lib/nvidia:/usr/lib/nvidia --privileged --gpus=all python310:cuda121 /bin/bash 到home下分别执行以下两个命令 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh conda create -n tts python=3.9.18 conda create -n helloai python=3.10.4（3.6、3.7等） conda activate helloai conda activate tts

sudo apt install ffmpeg

最后导出一个版本 docker export d5c2e5065ab2 > jujinkecuda121_rtx3060.tar docker export 241909e3cae3 > jujinkecuda123_rtx3060.tar 服务器端启动脚本 nohup java -jar kesente-1.0-SNAPSHOT.jar /resources> /logs/application_console.log &

1、进入 /etc/systemd/system/ 2、建立 helloai.service

3文件内容 [Unit] Description=HelloAI

[Service] ExecStart=java -jar kesente-1.0-SNAPSHOT.jar /resources & WorkingDirectory=/home/jujinke Restart=always

[Install] WantedBy=multi-user.target 4启动 sudo systemctl enable helloai sudo systemctl start helloai systemctl daemon-reload 5查看日志 journalctl -u helloai -n 500

java -jar kesente-1.0-SNAPSHOT.jar /resources> /logs/application_console.log docker start d5c2e5065ab2 docker exec -it d5c2e5065ab2 /bin/bash sh run.sh docker exec -it d5c2e5065ab2 /home/yes/bin/python3.11 --version Python 3.11.5

//总的启动起来后可以分别执行启动 docker exec -it d5c2e5065ab2 /home/yes/bin/python3.11 /usr/src/cuda/cudadeploy.py docker exec -it d5c2e5065ab2 /bin/sh -c "cd /usr/src/cuda/&& /home/yes/bin/python3.11 /usr/src/cuda/ffmpegdeploy.py" docker exec -it d5c2e5065ab2 /home/yes/bin/conda run -n tts python /usr/src/nivdia/nivdiadeploy.py

docker commit d5c2e5065ab2 nvidia/cuda123:1.0.0 启动时候使用的方法

启动程序使用的源代码 D:\Prod\rustforrun\cuda121\src /home/yes/bin/python3.11改成了 /home/yes/bin/cuda //asr docker run --restart always -it -p 8765:8765 -p 8764:8764 -v /logs:/logs -v /resources:/resources -v /usr/lib/nvidia:/usr/lib/nvidia --privileged --gpus=all nvidia/cuda123:1.0.1 /bin/bash -c "cd /usr/src/cuda/&& ./ffmpeg" pip install pydub -i https://pypi.tuna.tsinghua.edu.cn/simple pip install fuzzywuzzy -i https://pypi.tuna.tsinghua.edu.cn/simple //embedding docker run --restart always -it -p 4004:4004 -p 4003:4003 -v /logs:/logs -v /resources:/resources -v /usr/lib/nvidia:/usr/lib/nvidia --privileged --gpus=all nvidia/cuda123:1.0.1 /bin/bash -c "cd /usr/src/cuda/&& ./cuda" //tts docker run -it --restart always -p 4005:4005 -p 4006:4006 -v /logs:/logs -v /resources:/resources -v /usr/lib/nvidia:/usr/lib/nvidia --privileged --gpus=all nvidia/cuda123:1.0.1 /bin/bash -c "/home/yes/bin/conda run -n tts python /usr/src/nivdia/nivdia"

因为重启后 docker起来 容器没起来，用下面这个保护试试 docker update --restart always 241909e3cae3 docker update --restart always ba7f273f4dda docker update --restart always 9080863c0cac

d84ca004070c nvidia/cuda123:1.0.1 "/opt/nvidia/nvidia_…" 34 minutes ago Up 7 minutes 4004-4005/tcp, 0.0.0.0:8764-8765->8764-8765/tcp, :::8764-8765->8764-8765/tcp zealous_jones 4a5dff37b564 nvidia/cuda123:1.0.1 "/opt/nvidia/nvidia_…" 4 days ago Up 7 minutes 4004/tcp, 8765/tcp, 0.0.0.0:4005-4006->4005-4006/tcp, :::4005-4006->4005-4006/tcp awesome_lederberg be6788f03345 nvidia/cuda123:1.0.1 "/opt/nvidia/nvidia_…" 4 days ago Up 7 minutes 4005/tcp, 0.0.0.0:4003-4004->4003-4004/tcp, :::4003-4004->4003-4004/tcp, 8765/tcp quizzical_borg

docker restart $(docker ps -a -q)

提交本地镜像到 文件 docker commit d84ca004070c nvidia/cuda123:1.0.2

---

向量数据库 文章来源：https://blog.csdn.net/younger_china/article/details/131951920

文件在：D:\milvus\docker-compose.yml 启动命令：docker-compose up -d 管理工具 1 docker run -it zilliz/milvus_cli:latest 2 docker run -d --name=attu -p 8000:3000 -e MILVUS_URL=localhost:19530 zilliz/attu:v2.3.1

http://localhost:8000/#/connect

---

周波

docker run -p 1935:1935 -p 1985:1985 -p 8080:8080 registry.cn-hangzhou.aliyuncs.com/ossrs/srs:3 访问 http://localhost:8080/players/srs_player.html 推流 声音加视频 ffmpeg -re -i D:\AI\srs\wavmp4\tuili2.mp4 -vcodec copy -acodec copy -f flv -y rtmp://localhost:1935/live/livestream 推流 视频 ffmpeg -re -i D:\AI\srs\wavmp4\tuitui.mp4 -vcodec copy -acodec copy -f flv -y rtmp://localhost:1935/live/livestream 推流 声音 ffmpeg -re -i D:\AI\srs\wavmp4\12.wav -vcodec copy -acodec copy -f flv -y rtmp://localhost:1935/live/livestream

ffmpeg -i tuitui.mp4 -i 12.wav -c:v copy -c:a aac -strict experimental -b:a 192k output_video.mp4

ffmpeg -i tuitui.mp4 -i tuili2_baofeng.mp3 -c:v copy -c:a aac -strict experimental -b:a 192k output_video.mp4

ffmpeg -i 519.mp4 -i 219.WAV -c:v copy -c:a aac -strict experimental output_video.mp4