freewebsys的专栏

使用Python开发一个web股票项目。主要使用开发语言是python。使用的lib库是pandas numpy sqlalchemy akshare stockstats bokeh等。本文的原文连接是:有了sqlite 支持，后续可以单独本地部署。后续支持一键安装包。

InStock股票系统，抓取每日股票、ETF关键数据，计算股票技术指标、筹码分布，识别K线各种形态，综合选股，内置多种选股策略，支持选股验证回测，支持自动交易，支持批量时间，运行高效，支持PC、平板、手机移动设备显示，同时提供Docker镜像方便安装，是量化投资的好帮手。基于talib、pandas 计算指标，计算高效准确。调整个别指标公式，确保结果和同花顺、通信达结果一致。非常值得学习，把股票的后链路打通了，这个一直是我的弱项。但是做股票数据深入分析不太擅长。github 有 7.7K 星星。

使用Python开发一个web股票项目。主要使用开发语言是python。使用的lib库是pandas numpy sqlalchemy akshare stockstats bokeh等。本文的原文连接是:项目从2017年开始编写，一直还都在维护中，断断续续不，最近发现github访问经常有问题。虽然在gitee上面有了6K的星星，也不算太高。项目就是类似做了一个简单的web工具。

使用Python开发一个web股票项目。主要使用开发语言是python。使用的lib库是pandas numpy sqlalchemy akshare stockstats bokeh等。本文的原文连接是:项目从2017年开始编写，一直还都在维护中，断断续续不，最近发现github访问经常有问题。虽然在gitee上面有了6K的星星，也不算太高。项目就是类似做了一个简单的web工具。

使用 Yi-VL-34B模型也是不错的，参数更多。理解能力更强了。可以用来做一些图片处理的审核工作了。可以做出更多的智能工具来了。大模型真的特别方便了。

使用xinference部署yi-vl-chat和qwen-vl-chat模型都可以运行成功，而且各有特色。qwen可以识别具体汽车品牌，但是有些新车是错误的。yi识别比较保守。

此外，我们将评估 ChatGLM3 和 Qwen 在特定数据集上，函数调用的准确性， 并分析其出错的潜在原因。函数调用是 OpenAI GPT-4 和 GPT-3.5 Turbo 模型的高级特性，它使得模型能够根据用户指令决定是否调用相应的函数，以结构化的格式返回信息，而不是仅提供普通的文本回答。这使得基于大型语言模型的智能代理能够执行更为复杂的任务，大幅提升了模型的实用性和应用领域的广度。因为模型的运行需要大量的资源消耗，同时也存在热点问题，高峰问题。慢慢的，1-2B的小模型也发展起来。

新的模型生成的图片确实非常不错。但是随机比较大，需要多运行几次才能找到比较好的图片。相同的咒语生成的图片也是每次都不一样。新模型确实比之前的好太多了，坐等出中文模型。

效果上还是不错的，可以画出苹果的细节。但是还是粗糙点，确实因为模型比较小。速度还是不错的。

确实可以运行音频大模型。可以将音频文件转换成文本。可以做啥呢？可以直接录用转文字，或者做字幕。transcriptions 是音频转文本translations 可以直接将音频翻译成英文。使用large 模型就可以翻译：本列表列出香港航空的航点 > 翻译成：还集成了翻译模块。

Xinference 是一个专为大型语言模型（LLM）、语音识别模型和多模态模型设计的开源模型推理平台，支持私有化部署。它提供多种灵活的 API 和接口，包括 RPC、与 OpenAI API 兼容的 RESTful API、CLI 和 WebUI，并集成了 LangChain、LlamaIndex 和 Dify 等第三方开发者工具，便于模型的集成和开发。

对 Dify 项目进行升级，同时可以通过配置 【 OpenAI-API-compatible】可以支持聊天模型和 embedding 接口。然后就可以搭建自己的知识库系统了。速度上yi 6b 稍微慢点，但是回答的问题比较详细。

使用webhook还是非常方便的。可以快速的实现设备状态的更新。同时接搜到设备的在线消息。

webhook 可以把全部的消息类型都处理了。

使用 emqx 做 mqtt 服务还是非常的方便的。鉴权是直接查询数据库。所以后台系统是 python 还是 golang 问题不大。压力都在 emqx 的服务器和 mysql 的数据库上。

fly-iot飞凡物联专栏： 镜像的dockerfile文件：3，发布到 docker hub发布到docker hub ：docker build --tag flyiotadm/fly-iot-backend-python:v2024.01 .docker login 登陆之后就可以发布了：发布4， 然后就可以使用新镜像启动了整个的docker-compose代码：

本文的原文连接是:https://blog.csdn.net/freewebsys/article/details/108971807fly-iot飞凡物联专栏：https://blog.csdn.net/freewebsys/category_12219758.html产品简介TDengine 是一款专为物联网、工业互联网等场景设计并优化的大数据平台，它能安全高效地将大量设备、数据采集器每天产生的高达 TB 甚至 PB 级的数据进行汇聚、存储、分析和分发，对业务运行状态进行实时监测、预警，提供实时

未经博主允许不得转载。重启开源项目Actorcloud项目，并使用docker-compose启动成功。原始项目：整个项目不是我写的，我只是整理资料，然后折腾环境，把项目跑起来了。使用docker-compose 把相关的前端，后端，数据库都跑起来了，但是目前还没有MQTT服务。继续折腾，把修改的项目代码，和部署文件已经放到gitee上面开源了。我是这个项目的搬运工，大家可以一起学习研究。项目都是采用 apache协议开源的。之前的项目也是apache 协议开源的。

使用autodl服务器，两个3090显卡上运行， Yi-34B-Chat-int4模型，并使用vllm优化加速，显存占用42G，速度23 words/s。随着大模型的参数增加，企业用户再使用的是特别需要大参数的模型了。因为大模型在更加准确。硬件都不是问题。通过多卡的方式可以成功部署。2张 3090，或者 4090 就可以部署 Yi-34B-Chat-int4模型了。但是目前看中文稍微有点小问题，会返回英文，相信很快会迭代下一个版本了。

"messages": [{"role": "user", "content": "北京景点，使用中文回答"}],}'

通过大语言模型快速搭建本地知识库系统。将本地数据知识结合业务场景应用。非常不错的事情。最重要的是转换格式，做 embedding ，然后存储到向量数据库中。

载处理好的 AdvertiseGen 数据集，将解压后的 AdvertiseGen 目录放到本目录下。对于输入输出格式的微调，可使用 inference.py 进行基本的推理验证。AdvertiseGen以商品网页的标签与文案的信息对应关系为基础构造。来下载和将数据集处理成上述格式。完全可以满足内部使用了。

【官方教程】ChatGLM3-6B 部署和微调（Function Call、Code Interpreter、Agent）执行函数代码，修改main_tool.py。{‘city_name’: ‘北京’}

chatglm3，原生支持工具调用（Function Call）、代码执行（Code Interpreter）和 Agent 任务，可以本地运行。这样就可以开发更丰富的应用了。

有一点感觉上这个问题必须要具体点，否则百川给出的结果会不一样。这个和chatglm 还是有差距的：同样的问题，chatglm2 结果比较稳定。错误也比较明显，居然返回大雁塔了？？！！baichuan 好的一点是新模型发布了。baichuan2 估计会解决这个问题。同时baichuan 可以支持使用 llam.cpp 上面运行。同时还有 13B的模型可以使用，所以要好好的研究下。

未经博主允许不得转载。需要做的事情还是挺多的呢。数据库的初始化。同时配置 docker-compse 文件将数据库初始化了。################## mysql 数据库 5.7 版本 ################## mysql-iot:ports:只要配置 这个目录下的脚本就可也自动进行数据库初始化：然后就可以连接了，代码在配置中修改成mysql 链接。然后可以注册/登陆成功，但是没有权限。继续研究代码中。

未经博主允许不得转载。

运行之前的gpt-2-simple的项目，使用gpu镜像，结果就OOM了。看来4G内存还是太小了。

ai果然是高技术含量的东西，代码啥的不多，就是没有太看懂。然后消耗CPU和GPU资源，也是非常消耗硬件的。这个很小的模型训练200次，都这么费时间，更何况是大数据量多参数的模型呢！！同时这个基础设施也要搭建起来呢，有个项目要研究下了，就是得去研究服务器集群了，因为Nvidia的限制，服务器上跑的都是又贵又性能低的显卡。但是可以本地跑集群做训练呢！！！

使用Python开发一个web股票项目。主要使用开发语言是python。使用的lib库是pandas，tushare，TensorFlow，tornado等。

使用Python开发一个web股票项目。主要使用开发语言是python。使用的lib库是pandas，tushare，TensorFlow，tornado等。本文的原文连接是:目前股票系统，迁移使用 vue 做界面，正在开发中。只是把一个股票数据进行展示的，但是需要研究下动态表单的方法。之前是通过 html 页面循环属性的方式的。这个需要再开发一个接口，返回要展示的属性。也不难。慢慢开发吧。

CVAT 全称 Computer Vision Annotation Tool，是用于计算机视觉的免费、在线、交互式视频和图像注释工具。也可以使用docker-compose 进行本地部署。部署在内网环境中，支持多人协同工作，而且还可以分配权限，进行各种学习使用。非常方便，用到了redis，postgres 存储数据，可以支持图片标准，还可以进行3D数据的标注，非常方便，项目也是MIT 开源协议的，前端使用ant-design + react 进行开发的，后端是 python3 django 开发的管理端

在Linux环境中，使用docker环境搭建notebook进行python学习，使用官方镜像快速创建docker环境，快速创建环境学习相关技术，不要把时间浪费在环境搭建上。网络上有很多教程都是一点点安装的，会走不少弯路。直接使用docker镜像，效率最高了。

目录前言1，关于Python全栈股票系统V2.02，在CSDN上居然有人给代码打包收费下载！！2，更新docker镜像3，总结前言使用Python开发一个web股票项目。【github项目地址】：https://github.com/pythonstock/stock【知乎专栏地址】：https://zhuanlan.zhihu.com/pythonstock【docker hub地址下载】：https://hub.docker.com/r/pythonstock/pythonstock

目录前言1，关于历史数据接口问题2，使用help 查看函数3，总结前言使用Python开发一个web股票项目。【github项目地址】：https://github.com/pythonstock/stock【知乎专栏地址】：https://zhuanlan.zhihu.com/pythonstock【docker hub地址下载】：https://hub.docker.com/r/pythonstock/pythonstock【相关stock资料分类】：http://blog.csd

别人家的炒股软件程序 写代码全自动炒股，你觉得靠谱吗？ 这个 jackcui-ai 使用的SDK是 https://github.com/JoinQuant/jqdatasdk需要注册账号。https://bigquant.com/community/t/topic/162347可惜不是我。总结说真的股票系统折腾半天了，但是总差一个核心计算的算法。一直在股票数据系统界面上

目录前言1，关于AKShare 的调用问题2，升级 akshare 库3，总结前言使用Python开发一个web股票项目。【github项目地址】：https://github.com/pythonstock/stock【知乎专栏地址】：https://zhuanlan.zhihu.com/pythonstock【docker hub地址下载】：https://hub.docker.com/r/pythonstock/pythonstock【相关stock资料分类】：http://bl

目录前言1，关于AKShare 概览2，安装lib库3，股票数据接口3，总结前言使用Python开发一个web股票项目。【github项目地址】：https://github.com/pythonstock/stock【知乎专栏地址】：https://zhuanlan.zhihu.com/pythonstock【docker hub地址下载】：https://hub.docker.com/r/pythonstock/pythonstock【相关stock资料分类】：http://blo

目录前言1，关于selenium-server2，本地模式3，使用文档selenium-server3，总结前言本文的原文连接是:https://blog.csdn.net/freewebsys/article/details/108971807未经博主允许不得转载。博主地址是：http://blog.csdn.net/freewebsys1，关于selenium-server本来本地执行selenium 也可以，但是使用 selenium-server 会更快速，同时也更稳定。http

目录前言1，关于Mint UI组件库2，再使用x5 webview 进行展示3，总结前言使用Python开发一个web股票项目。【github项目地址】：https://github.com/pythonstock/stock【知乎专栏地址】：https://zhuanlan.zhihu.com/pythonstock【docker hub地址下载】：https://hub.docker.com/r/pythonstock/pythonstock【相关stock资料分类】：http:/