1. 新建工程

如果你的团队较为熟悉 Maven，项目需要稳定且有严格的结构标准 ，Maven 可能是一个不错的选择。

如果你追求构建速度更快、构建脚本更简洁和灵活性 ，那么 Gradle 可能会更适合你。

1. 新建工程

带ollama的镜像：

展开代码
docker run -d -p 8888:8080 \
  -v /root/ollama:/root/.ollama \
  -v /root/openwebui-test:/app/backend/data \
  --restart always -e HF_HUB_OFFLINE=1 \
  ghcr.io/open-webui/open-webui:ollama

不要Ollama：

展开代码
docker run -d -p 8888:8080 -v /root/openwebui-test:/app/backend/data --restart always ghcr.io/open-webui/open-webui:main


docker run -d -p 8888:8080 -v /root/openwebui-test:/app/backend/data --restart always dockerproxy.com/kevinchina/deeplearning:openwebui

ollama

Azure OpenAI 转 openai proxy接口：

https://www.dong-blog.fun/post/1896

先部署好，然后这样设置后就可以使用了：

https://uright.ca/blogs/2024-07-29-unlocking-the-power-of-azure-openai-on-open-webui/

使用 litellm 简化 Azure GPT-4 调用

litellm 是一个统一接口库，它可以将 Azure 和 OpenAI 的接口规范统一，方便开发者使用。下面是如何通过 litellm 进行简单的 Azure GPT-4 调用。

https://kb.cloudpss.net/documents/software/emtlab/power-flow/fundamentals/

推理图片：

python
展开代码
import numpy as np
from PIL import Image
import requests
from transformers import AutoProcessor, AutoModel
import torch

# 初始化模型和处理器
processor = AutoProcessor.from_pretrained("/ssd/xiedong/siglip-so400m-patch14-384")
model = AutoModel.from_pretrained("/ssd/xiedong/siglip-so400m-patch14-384")

# 将模型移动到 GPU 上
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

# 提取图片特征的函数
def get_image_features(image: Image.Image):
    """
    输入一张图片，输出其特征向量。
    :param image: 输入图片 (PIL.Image)
    :return: 图片特征向量 (list)
    """
    # 处理图像输入，使其可以输入模型
    inputs = processor(images=image, return_tensors="pt").to(device)  # 将输入张量移动到设备上

    # 不计算梯度 (inference 模式)
    with torch.no_grad():
        # 提取图片特征
        image_features = model.get_image_features(**inputs)

    # 对特征进行 L2 归一化
    image_features = image_features / image_features.norm(p=2, dim=-1, keepdim=True)

    # 转换为 CPU 上的 list
    return image_features.cpu().tolist()

# 示例用法
if __name__ == "__main__":
    url = "http://images.cocodataset.org/val2017/000000039769.jpg"
    image = Image.open(requests.get(url, stream=True).raw)
    features = get_image_features(image)
    print(np.asarray(features).shape)
    print("Image Features:", features)

设计/开发/制作/试验内容： 该系统以MSP430单片机为核心，设计一个简易音乐播放器（通过手柄板上的蜂鸣器发声，播放2-4首音乐），同时LED模块闪烁，给人视、听觉美的感受。利用模块的设计方法，各个模块实现不同功能，并通过MSP430单片机联系起来，最终实现音乐播放器。

2.设计/开发/制作/试验目标： 基于MSP430单片机，设计一个音乐播放器，寓教于乐，既提高同学们的嵌入式软硬件开发技术，又可以在课间时间利用该电路进行小制作，实现理论与实践相结合。

3.要求： （1）按下播放按键A6开始播放音乐，再次按下停止播放；（刚性） （2）按下按键A5播放下一首，按下按键A4播放上一首；（刚性） （3）播放音乐时OLED显示相应的曲目名；（刚性） （4）当按下“下一首”或者“上一首”按键，但是已经播放至最后一首时，显示屏显示“无更多曲目！”，同时蜂鸣器报警三秒钟；（刚性） （5）歌曲名横向滚动显示；（拓展） （6）具有音乐播放模式切换键，播放模式有单曲循环、顺序播放、随机播放三种模式。（拓展）

在基于 Ubuntu 的 Docker 容器中，如果你无法显示中文，那么主要的问题是系统中缺少中文字体和相关的语言支持包。你可以按照以下步骤解决问题：

1. 安装中文支持

执行下面的命令来安装中文语言包和字体：

bash
展开代码
apt-get update && apt-get install -y locales && apt-get install -y fonts-arphic-ukai fonts-arphic-uming

这一列是FT就是可以兼容：