本文介绍了如何在 Windows 系统的 CMD 中使用 Docker 安装 AnythingLLM，并搭建自己的知识库问答大模型

由于ollama默认调用模型，模型实例会运行在一张卡上，如果有几张显卡，模型只会永远跑在第一张卡上，除非显存超出，然后才会将模型跑在第二张卡，这造成了资源很大的浪费。网上通过修改ollama.service的配置。修改之后可以负载均衡，显存平均分配在集群中的每张卡上，但是我不太了解这种方式是否会提升模型吞吐量？和默认的调用单卡实例有啥区别呢？

在本教程中，我们将指导您如何使用 Docker 安装 Open-WebUI，并将其与 Ollama 的 DeepSeek 模型集成。这种方法可以简化部署过程，并确保环境的一致性。

默认的ollama调用的各种大模型，如deepseek 70b模型，每个模型实例只绑定一张 GPU，如果是多卡，其它卡会一直闲置，造成一定浪费。本文档介绍如何通过 systemd 配置文件为 Ollama 服务添加 GPU 和调度相关的环境变量，从而实现多 GPU 的高效利用与负载均衡。

本教程将详细介绍深度学习中的参数（Params）、浮点运算次数（FLOPs，即Floating Point Operations）以及矩阵乘法加法（MCA，即Matrix Multiply-Adds）的概念。这些概念在评估和优化神经网络的性能和效率方面尤为重要。

图像生成是指使用计算机算法生成图像的过程。这些图像可以是真实的照片、绘画、3D渲染或者是完全想象的图像。图像生成技术涵盖了一系列算法，包括基于规则的方法、基于统计学的方法、深度学习等。从技术角度看，图像生成是一种计算机图形学的应用，它可以模拟现实世界中的光照、材质、颜色等因素，生成具有逼真感的图像。同时，图像生成也可以通过设计合适的算法，生成各种风格的艺术图像，例如油画、水彩画、铅笔素描等。

图像分类是计算机视觉领域的一项基本任务，旨在根据输入图像将其预测到一个或多个类别中。本文档将详细介绍一些常用的图像分类算法，包括传统方法和深度学习方法。

该论文研究的问题是散焦去模糊，是图像恢复中经常需要做的一个任务，经常需要找对比图片。如果可以运行该论文，那么论文中可以增加一个对比图片。现在论文中大家都不用TensorFlow，不巧的是该论文原始代码是TF写的。我们并不是改为torch形式，而依然通过安装tf1.15的gpu版本。原始的代码我没法进行测试，改了半天放弃了，结合chatgpt写了一个单图片推理的代码，可以成功运行，但是依然需要大概8

图像分类是计算机视觉领域的一项基本任务，旨在根据输入图像将其预测到一个或多个类别中。本文档将详细介绍一些常用的图像分类算法，包括传统方法和深度学习方法。

在本教程中，我们将指导您如何使用 Docker 安装 Open-WebUI，并将其与 Ollama 的 DeepSeek 模型集成。这种方法可以简化部署过程，并确保环境的一致性。