Mac上配置GitHub的SSH

1、验证是否有ssh keys

ls -al ~/.ssh

注：如果有.pub结尾的文件直接打开

cat ~/.ssh/id_rsa.pub

直接复制到github上的SSH keys ，可直接跳到最后一步进行验证

2、新建ssh keys

1.生成ssh-keygen

ssh-keygen -t rsa -b 4096 -C "my_email@example.com"

其中，”my_email@example.com“是你的 github 关联的邮箱；

2.确定key保存的目录（直接回车，选择默认）

3.输入密码（可回车不需要密码，写密码要写两遍）

这个时候在默认路径下就生成了两个文件，公钥和私钥。

4.将SSH Key添加到ssh-agent

eval $(ssh-agent -s)

返回agent的Pid：

ssh-add ~/.ssh/id_rsa

然后输入密码，没有密码的直接回车，提示添加成功！

5.打开id_rsa.pub文件，复制文件内容到github

# 查看目录
ls -al ~/.ssh
# 打开id_rsa.pub文件
cat ~/.ssh/id_rsa.pub

3、验证github是否链接

终端输入

ssh -T git@github.com

会出现

Hi xxx! You've successfully authenticated......

⚠️ “xxx”是你的GitHub用户名

# git # ssh # github
Logo
加入AMD AI开发者计划！

免费领 150 小时云算力，进群参与显卡、AI PC 幸运抽奖

更多推荐

第20篇-推理部署实战-用Go构建vLLM推理客户端

/ ChatMessage 表示一条对话消息// ChatRequest 对应 POST /v1/chat/completions 的请求体// vLLM 扩展字段// ChatChoice 表示一个候选输出// Usage 表示 Token 计量（第 23 篇会深入讨论）// ChatResponse 对应响应体Created int64 `json:"created"` // Unix 时间戳

avatar AMD开发者中国社区

模型量化精度异常时的检查与止损

为了将 70B 大语言模型的部署成本打下来，我们将线上 vLLM 推理集群的模型权重与激活值从 FP16 全量量化到了 INT8（采用 W8A8 方案）。量化效果立竿见影：单卡 A100-80G 的显存占用直接从 140GB（需 2 卡并行）缩减到了 70GB，单卡即可拉起，推理吞吐量（Tokens/s）提升了将近一倍。然而上线不到两天，客服渠道就接到了多起投诉。在处理复杂代码推导和长文本逻辑分析

avatar AMD开发者中国社区

Agent强化学习训练框架Microsoft Agent-Lightning之训练环境部署

本文档详细记录了在Ubuntu 22.04系统上部署Agent-Lightning环境的完整流程。关键点包括：使用conda创建Python 3.12环境；安装特定版本的torch、vllm等核心组件；通过预编译wheel安装flash-attn以避免本地编译；解决了三个常见环境问题（libstdc++版本冲突、fastapi兼容性问题、transformers版本限制）。文档还提供了项目目录结构

avatar AMD开发者中国社区