# 选择一个基础镜像，比如 Node.js 20
FROM node:20-alpine

# 在容器中创建并设置工作目录
WORKDIR /usr/src/app

# 先复制依赖管理文件（这是为了利用 Docker 的缓存，避免每次代码变动都重新安装依赖）
COPY package*.json ./

# 安装项目依赖
RUN npm install
# 如果是生产环境，推荐使用 npm ci 以获得更快、更可靠的安装
# RUN npm ci --only=production

# 复制所有应用源代码到工作目录
COPY . .

# 应用运行的端口
EXPOSE 8080

# 指定容器启动时运行的命令
CMD ["node", "server.js"]

# 构建镜像
docker build -t my-node-app .

# 查看镜像
docker image ls

# 后台运行docker镜像
docker run -d -p 80:8080 -d my-node-app

# 交互式运行docker镜像
docker run -it -p 80:8080 -d my-node-app

# 查看容器
docker container ls

# 查看docker进程
docker ps

# 访问nodejs应用
curl http://localhost:80

# 删除容器
docker container rm container_id

# 删除镜像
docker image rm image_id

用户输入
   ↓
[感知 Perception] ← 记忆
   ↓
[规划 Planning]  → 分解任务
   ↓
[决策 Decision]  → 选择行动
   ↓
[执行 Action]    → 调用工具
   ↓
[观察 Observation] → 获取结果
   ↓
(循环直到完成)
   ↓
返回最终答案

┌─────────────────────────────────────┐
│           外部工具 / 数据源          │  文件系统、数据库、GitHub、Slack…
├─────────────────────────────────────┤
│   MCP 服务器 / Skills（能力封装层）   │  标准化协议连接 & 模块化能力包
├─────────────────────────────────────┤
│          Agent（执行循环层）         │  感知 → 推理 → 工具调用 → 观察
├─────────────────────────────────────┤
│          LLM（推理核心层）           │  Claude、GPT-4o、DeepSeek、Gemini…
└─────────────────────────────────────┘

# 创建虚拟环境
python -m venv d2l_learn

# 激活虚拟环境
.\d2l_learn\Scripts\activate

# 退出虚拟环境
deactivate

# 安装pytorch
pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1  --index-url https://download.pytorch.org/whl/cu121

# 安装d2l依赖包
pip install pandas requests IPython matplotlib scipy notebook

# 下载d2l，获取d2l模块，放入Lib\site-packages文件夹，因为 pip install d2l 直接安装报错
git clone https://github.com/d2l-ai/d2l-en.git
git clone https://github.com/d2l-ai/d2l-zh-pytorch-colab.git

# 打开Jupyter笔记本
cd .\d2l-zh-pytorch-colab\
jupyter notebook

import torch
from torch import nn
from d2l import torch as d2l

# 构建神经网络结构
net = nn.Sequential(
    nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Flatten(),
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.Sigmoid(),
    nn.Linear(84, 10))

# 查看每一层输出结果
X = torch.rand(size=(1, 1, 28, 28), dtype=torch.float32)
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape: \t',X.shape)

# 准备数据
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)

# 模型评估
def evaluate_accuracy_gpu(net, data_iter, device=None): #@save
    """使用GPU计算模型在数据集上的精度"""
    if isinstance(net, nn.Module):
        net.eval()  # 设置为评估模式
        if not device:
            device = next(iter(net.parameters())).device
    # 正确预测的数量，总预测的数量
    metric = d2l.Accumulator(2)
    with torch.no_grad():
        for X, y in data_iter:
            if isinstance(X, list):
                # BERT微调所需的（之后将介绍）
                X = [x.to(device) for x in X]
            else:
                X = X.to(device)
            y = y.to(device)
            metric.add(d2l.accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

# 模型训练
#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
    """用GPU训练模型(在第六章定义)"""
    def init_weights(m):
        if type(m) == nn.Linear or type(m) == nn.Conv2d:
            nn.init.xavier_uniform_(m.weight)
    net.apply(init_weights)
    print('training on', device)
    net.to(device)
    optimizer = torch.optim.SGD(net.parameters(), lr=lr)
    loss = nn.CrossEntropyLoss()
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
                            legend=['train loss', 'train acc', 'test acc'])
    timer, num_batches = d2l.Timer(), len(train_iter)
    for epoch in range(num_epochs):
        # 训练损失之和，训练准确率之和，样本数
        metric = d2l.Accumulator(3)
        net.train()
        for i, (X, y) in enumerate(train_iter):
            timer.start()
            optimizer.zero_grad()
            X, y = X.to(device), y.to(device)
            y_hat = net(X)
            l = loss(y_hat, y)
            l.backward()
            optimizer.step()
            with torch.no_grad():
                metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])
            timer.stop()
            train_l = metric[0] / metric[2]
            train_acc = metric[1] / metric[2]
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (train_l, train_acc, None))
        test_acc = evaluate_accuracy_gpu(net, test_iter)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {train_l:.3f}, train acc {train_acc:.3f}, '
          f'test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec '
          f'on {str(device)}')

# 训练和评估LeNet-5模型

lr, num_epochs = 0.9, 10
train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

# 下载公钥
wget -O cpolar-public.key http://openwrt.cpolar.com/releases/public.key
opkg-key add cpolar-public.key

# 更新包管理器
opkg update

# 安装cpolar插件

opkg install cpolar

# 查看 pip 下载包缓存位置
pip cache dir

# 清理所有缓存
pip cache purge

# 查看 pip 安装包位置
pip show package_name

# venv
python -m venv .my-env
source .my-env/bin/activate

# pip安装 pytorch gpu 版本
pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1  --index-url https://download.pytorch.org/whl/cu121
pip install transformers

# pip安装默认 pytorch cpu 版本
pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 --index-url https://download.pytorch.org/whl/cpu
pip install transformers

# 方括号 [] 的作用是指定额外的可选依赖包。
pip install "transformers[torch]"

import torch
print(torch.__version__)  # 应该显示 2.4.1+cu121
print(torch.cuda.is_available())  # 应该为 True（GPU版本）
print(torch.version.cuda)  # 应该显示 12.1

from transformers import pipeline

pipeline = pipeline(task="text-generation", model="Qwen/Qwen2.5-1.5B")
pipeline("the secret to baking a really good cake is ")

Script\activate

set HF_ENDPOINT=https://hf-mirror.com
echo %HF_ENDPOINT%

# 下载大模型默认保存位置：C:\Users\jack\.cache\huggingface\hub\
hf download Qwen/Qwen2.5-0.5B

# 自定义大模型保存位置
hf download Qwen/Qwen2.5-0.5B --local-dir ./LLM/Qwen/Qwen2.5-0.5B

# 自定义数据集保存位置
hf download --repo-type dataset --local-dir DataSet/glue glue