0
0

AI大模型探索之路-训练篇9：大语言模型Transformer库-Pipeline组件实践

系列篇章💥

AI大模型探索之路-训练篇1：大语言模型微调基础认知
AI大模型探索之路-训练篇2：大语言模型预训练基础认知
AI大模型探索之路-训练篇3：大语言模型全景解读
AI大模型探索之路-训练篇4：大语言模型训练数据集概览
AI大模型探索之路-训练篇5：大语言模型预训练数据准备-词元化
AI大模型探索之路-训练篇6：大语言模型预训练数据准备-预处理
AI大模型探索之路-训练篇7：大语言模型Transformer库之HuggingFace介绍
AI大模型探索之路-训练篇8：大语言模型Transformer库-预训练流程编码体验

目录

一、Pipeline的简介

在人工智能和机器学习领域，Pipeline是一种设计模式，它将多个处理步骤串联起来，形成一个有序的、自动化的工作流程。这一概念在自然语言处理（NLP）尤其重要，因为NLP任务通常涉及多个阶段，如文本清洗、特征提取、模型训练或预测等。Pipeline的设计旨在减少重复代码、提高代码的可维护性，并优化整个处理流程的效率。
官网API地址：https://huggingface.co/docs/transformers/main_classes/pipelines

二、Pipeline支持的任务类型

Pipeline能够支持多种机器学习任务，包括但不限于：
1）文本分类：将文本分配到预定义的类别。
2）情感分析：判断文本表达的情绪倾向。
3）机器翻译：将一种语言的文本转换为另一种语言。
4）问答系统：针对问题提供准确答案。
5）文本摘要：生成文本的简短摘要。
6）语言模型生成：基于语言模型生成新的文本内容。
在Python中，可以通过以下方式查询transformers库支持的所有任务类型：

  1. from transformers.pipelines import SUPPORTED_TASKS
  3. print(SUPPORTED_TASKS.items())
  5. dict_items([('audio-classification',{'impl':<class'transformers.pipelines.audio_classification.AudioClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForAudioClassification'>,),'default':{'model':{'pt':('superb/wav2vec2-base-superb-ks','372e048')}},'type':'audio'}),('automatic-speech-recognition',{'impl':<class'transformers.pipelines.automatic_speech_recognition.AutomaticSpeechRecognitionPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForCTC'>,<class'transformers.models.auto.modeling_auto.AutoModelForSpeechSeq2Seq'>),'default':{'model':{'pt':('facebook/wav2vec2-base-960h','55bb623')}},'type':'multimodal'}),('text-to-audio',{'impl':<class'transformers.pipelines.text_to_audio.TextToAudioPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForTextToWaveform'>,<class'transformers.models.auto.modeling_auto.AutoModelForTextToSpectrogram'>),'default':{'model':{'pt':('suno/bark-small','645cfba')}},'type':'text'}),('feature-extraction',{'impl':<class'transformers.pipelines.feature_extraction.FeatureExtractionPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModel'>,),'default':{'model':{'pt':('distilbert-base-cased','935ac13'),'tf':('distilbert-base-cased','935ac13')}},'type':'multimodal'}),('text-classification',{'impl':<class'transformers.pipelines.text_classification.TextClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForSequenceClassification'>,),'default':{'model':{'pt':('distilbert-base-uncased-finetuned-sst-2-english','af0f99b'),'tf':('distilbert-base-uncased-finetuned-sst-2-english','af0f99b')}},'type':'text'}),('token-classification',{'impl':<class'transformers.pipelines.token_classification.TokenClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForTokenClassification'>,),'default':{'model':{'pt':('dbmdz/bert-large-cased-finetuned-conll03-english','f2482bf'),'tf':('dbmdz/bert-large-cased-finetuned-conll03-english','f2482bf')}},'type':'text'}),('question-answering',{'impl':<class'transformers.pipelines.question_answering.QuestionAnsweringPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForQuestionAnswering'>,),'default':{'model':{'pt':('distilbert-base-cased-distilled-squad','626af31'),'tf':('distilbert-base-cased-distilled-squad','626af31')}},'type':'text'}),('table-question-answering',{'impl':<class'transformers.pipelines.table_question_answering.TableQuestionAnsweringPipeline'>,'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForTableQuestionAnswering'>,),'tf':(),'default':{'model':{'pt':('google/tapas-base-finetuned-wtq','69ceee2'),'tf':('google/tapas-base-finetuned-wtq','69ceee2')}},'type':'text'}),('visual-question-answering',{'impl':<class'transformers.pipelines.visual_question_answering.VisualQuestionAnsweringPipeline'>,'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForVisualQuestionAnswering'>,),'tf':(),'default':{'model':{'pt':('dandelin/vilt-b32-finetuned-vqa','4355f59')}},'type':'multimodal'}),('document-question-answering',{'impl':<class'transformers.pipelines.document_question_answering.DocumentQuestionAnsweringPipeline'>,'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForDocumentQuestionAnswering'>,),'tf':(),'default':{'model':{'pt':('impira/layoutlm-document-qa','52e01b3')}},'type':'multimodal'}),('fill-mask',{'impl':<class'transformers.pipelines.fill_mask.FillMaskPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForMaskedLM'>,),'default':{'model':{'pt':('distilroberta-base','ec58a5b'),'tf':('distilroberta-base','ec58a5b')}},'type':'text'}),('summarization',{'impl':<class'transformers.pipelines.text2text_generation.SummarizationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForSeq2SeqLM'>,),'default':{'model':{'pt':('sshleifer/distilbart-cnn-12-6','a4f8f3e'),'tf':('t5-small','d769bba')}},'type':'text'}),('translation',{'impl':<class'transformers.pipelines.text2text_generation.TranslationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForSeq2SeqLM'>,),'default':{('en','fr'):{'model':{'pt':('t5-base','686f1db'),'tf':('t5-base','686f1db')}},('en','de'):{'model':{'pt':('t5-base','686f1db'),'tf':('t5-base','686f1db')}},('en','ro'):{'model':{'pt':('t5-base','686f1db'),'tf':('t5-base','686f1db')}}},'type':'text'}),('text2text-generation',{'impl':<class'transformers.pipelines.text2text_generation.Text2TextGenerationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForSeq2SeqLM'>,),'default':{'model':{'pt':('t5-base','686f1db'),'tf':('t5-base','686f1db')}},'type':'text'}),('text-generation',{'impl':<class'transformers.pipelines.text_generation.TextGenerationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForCausalLM'>,),'default':{'model':{'pt':('gpt2','6c0e608'),'tf':('gpt2','6c0e608')}},'type':'text'}),('zero-shot-classification',{'impl':<class'transformers.pipelines.zero_shot_classification.ZeroShotClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForSequenceClassification'>,),'default':{'model':{'pt':('facebook/bart-large-mnli','c626438'),'tf':('roberta-large-mnli','130fb28')},'config':{'pt':('facebook/bart-large-mnli','c626438'),'tf':('roberta-large-mnli','130fb28')}},'type':'text'}),('zero-shot-image-classification',{'impl':<class'transformers.pipelines.zero_shot_image_classification.ZeroShotImageClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForZeroShotImageClassification'>,),'default':{'model':{'pt':('openai/clip-vit-base-patch32','f4881ba'),'tf':('openai/clip-vit-base-patch32','f4881ba')}},'type':'multimodal'}),('zero-shot-audio-classification',{'impl':<class'transformers.pipelines.zero_shot_audio_classification.ZeroShotAudioClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModel'>,),'default':{'model':{'pt':('laion/clap-htsat-fused','973b6e5')}},'type':'multimodal'}),('conversational',{'impl':<class'transformers.pipelines.conversational.ConversationalPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForSeq2SeqLM'>,<class'transformers.models.auto.modeling_auto.AutoModelForCausalLM'>),'default':{'model':{'pt':('microsoft/DialoGPT-medium','8bada3b'),'tf':('microsoft/DialoGPT-medium','8bada3b')}},'type':'text'}),('image-classification',{'impl':<class'transformers.pipelines.image_classification.ImageClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForImageClassification'>,),'default':{'model':{'pt':('google/vit-base-patch16-224','5dca96d'),'tf':('google/vit-base-patch16-224','5dca96d')}},'type':'image'}),('image-segmentation',{'impl':<class'transformers.pipelines.image_segmentation.ImageSegmentationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForImageSegmentation'>,<class'transformers.models.auto.modeling_auto.AutoModelForSemanticSegmentation'>),'default':{'model':{'pt':('facebook/detr-resnet-50-panoptic','fc15262')}},'type':'multimodal'}),('image-to-text',{'impl':<class'transformers.pipelines.image_to_text.ImageToTextPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForVision2Seq'>,),'default':{'model':{'pt':('ydshieh/vit-gpt2-coco-en','65636df'),'tf':('ydshieh/vit-gpt2-coco-en','65636df')}},'type':'multimodal'}),('object-detection',{'impl':<class'transformers.pipelines.object_detection.ObjectDetectionPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForObjectDetection'>,),'default':{'model':{'pt':('facebook/detr-resnet-50','2729413')}},'type':'multimodal'}),('zero-shot-object-detection',{'impl':<class'transformers.pipelines.zero_shot_object_detection.ZeroShotObjectDetectionPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForZeroShotObjectDetection'>,),'default':{'model':{'pt':('google/owlvit-base-patch32','17740e1')}},'type':'multimodal'}),('depth-estimation',{'impl':<class'transformers.pipelines.depth_estimation.DepthEstimationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForDepthEstimation'>,),'default':{'model':{'pt':('Intel/dpt-large','e93beec')}},'type':'image'}),('video-classification',{'impl':<class'transformers.pipelines.video_classification.VideoClassificationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForVideoClassification'>,),'default':{'model':{'pt':('MCG-NJU/videomae-base-finetuned-kinetics','4800870')}},'type':'video'}),('mask-generation',{'impl':<class'transformers.pipelines.mask_generation.MaskGenerationPipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForMaskGeneration'>,),'default':{'model':{'pt':('facebook/sam-vit-huge','997b15')}},'type':'multimodal'}),('image-to-image',{'impl':<class'transformers.pipelines.image_to_image.ImageToImagePipeline'>,'tf':(),'pt':(<class'transformers.models.auto.modeling_auto.AutoModelForImageToImage'>,),'default':{'model':{'pt':('caidas/swin2SR-classical-sr-x2-64','4aaedcb')}},'type':'image'})])

三、Pipeline的使用

使用Pipeline通常涉及以下几个步骤：
1）定义步骤：明确每个处理步骤和它们之间的顺序。
2）配置组件：为每个步骤选择合适的模型或算法，并配置必要的参数。
3）组装Pipeline：将各个步骤按照既定的顺序组装成一个完整的Pipeline。
4）训练模型：如果Pipeline中包含模型训练的步骤，需要提供训练数据并执行训练。
5）执行Pipeline：输入待处理的数据，Pipeline将自动按顺序执行每个步骤。
6）评估和调整：根据Pipeline的输出结果进行评估，并根据需要调整步骤或参数。

1、Pipeline的创建与使用方式

使用Hugging Face的transformers库中的pipeline功能来创建一个文本分类模型的接口，并对其进行使用

  1. ##导入pipelinefrom transformers import pipeline
  2. ## 指定任务类型，再指定模型，创建基于指定模型的Pipeline# https://huggingface.co/models# roberta-base-finetuned-dianping-chinese：是专门为中文评论情感分析预训练和微调过的模型。
  3. pipe = pipeline("text-classification", model="uer/roberta-base-finetuned-dianping-chinese")
  4. pipe("我觉得不太行！")

输出

  1. [{'label':'negative (stars 1, 2 and 3)','score':0.9735506772994995}]

代码中模型将输入的句子分类为负面情感，并且给出了相应的置信度（score）。在这个例子中，模型非常有信心（置信度约为0.974）认为这条评论是负面的，对应的是1星到3星的评价。

2、预先加载模型，再创建Pipeline

  1. from transformers import AutoTokenizer, AutoModelForSequenceClassification
  3. # 这种方式，必须同时指定model和tokenizer
  4. model = AutoModelForSequenceClassification.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")
  5. tokenizer = AutoTokenizer.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")
  6. pipe = pipeline("text-classification", model=model, tokenizer=tokenizer)# 测试
  7. pipe("今天天气很晴朗，处处好风光！")

输出

  1. [{'label':'positive (stars 4 and 5)','score':0.9193938374519348}]

代码中模型对输入句子的分类结果。模型预测该句子是正面情感的，并且给出了一个高分（约0.919），这表明模型对于这个预测非常有信心。标签’positive (stars 4 and 5)'意味着根据模型的判断，这条评论相当于4星或5星的评价。

3、CPU和GPU推理对比

我们可以对比看一下CPU和GPU推理的效率。
1）使用CPU推理
也可以在CPU上进行推理训练，默认就是使用CPU

  1. pipe.model.device
  2. #输出，默认使用CPU  device(type='cpu')import torch
  3. import time
  4. times =[]for i inrange(100):
  5.     torch.cuda.synchronize()
  6.     start = time.time()
  7.     pipe("今天天气很晴朗，处处好风光！")
  8.     torch.cuda.synchronize()
  9.     end = time.time()
  10.     times.append(end - start)print(sum(times)/100)

输出耗时
0.015748867988586424

2）使用GPU进行推理
我们可以对比发现，在GPU下进行推理效率会比CPU 高很多

  1. pipe = pipeline("text-classification", model="uer/roberta-base-finetuned-dianping-chinese", device=0)
  2. pipe.model.device

输出
device(type=‘cuda’, index=0)

  1. import torch
  2. import time
  3. times =[]for i inrange(100):
  4.     torch.cuda.synchronize()
  5.     start = time.time()
  6.     pipe("我觉得不太行！")
  7.     torch.cuda.synchronize()
  8.     end = time.time()
  9.     times.append(end - start)print(sum(times)/100)

输出耗时
0.0058620524406433104

4、确定Pipeline参数的使用

使用了Hugging Face的transformers库中的pipeline功能来创建一个问答系统（Question Answering, QA）的接口，并对其进行使用。

  1. #创建了一个专门用于问答任务的Pipeline对象qa_pipe。问答任务是指系统根据给定的问题和上下文，找出并返回答案的任务。#"question-answering"：指定了要执行的任务类型为问答。#model="uer/roberta-base-chinese-extractive-qa"：指定了使用的模型，这个模型是专门为中文的抽取式问答（extractive QA）任务预训练过的模型。
  2. qa_pipe = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")
  3. qa_pipe

输出，查看pipe的类型
<transformers.pipelines.question_answering.QuestionAnsweringPipeline at 0x1f1eb647880>

效果测试

  1. # question="云南的省会是哪里？"：提供了要回答的问题。# context="云南的省会是昆明"：提供了回答问题所需的上下文信息。# max_answer_len=2：指定了答案的最大长度。在这个例子中，设置为2意味着模型将尝试返回长度为2的最短可能答案。
  2. qa_pipe(question="云南的省会是哪里？", context="云南的省会是昆明", max_answer_len=2)

输出：
{‘score’: 0.876051127910614, ‘start’: 6, ‘end’: 8, ‘answer’: ‘昆明’}

结果参数说明：
‘score’：模型对找到的答案的置信度分数。在这个例子中，分数比较高，表明模型对这个答案是很有信心。
‘start’：答案在给定上下文中的起始索引。
‘end’：答案在给定上下文中的结束索引。
‘answer’：模型找到的答案，这里是根据索引从上下文中提取的文本片段。

四、Pipeline背后的工作

Pipeline背后自动化了从数据预处理到模型预测的整个流程，减少了很多手动操作。比如：
1）分词处理、生成模型输入
2）将模型输入给到模型，进行模型推理
3）归一化：获取原始分数、再归一化处理
4）后处理：将模型输出转换为可读的格式。

使用一个预训练的文本分类模型来对给定的文本进行分类，并输出预测的标签

1、导入依赖，创建模型

  1. #这行代码尝试从transformers库中导入所有公共对象。通常，这种导入方式不推荐使用，因为它可能会导入大量不相关的对象，造成命名空间的混乱。from transformers import*import torch # PyTorch是一个开源的机器学习库，广泛用于深度学习。# 加载与预训练模型相对应的分词器
  2. tokenizer = AutoTokenizer.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")# 加载预训练的文本分类模型。
  3. model = AutoModelForSequenceClassification.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")

2、分词处理、生成模型输入

  1. #定义了要进行分类的输入文本
  2. input_text ="今天天气好晴朗，处处好风光！"#使用分词器将输入文本转换为模型所需的格式，并指定返回的张量类型为PyTorch张量（"pt"代表PyTorch）#这里的inputs变量将包含分词器处理后的结果，它是一个字典，包含分词器生成的编码张量、注意力掩码（attention mask）等信息
  3. inputs = tokenizer(input_text, return_tensors="pt")# 打印输出inputs变量，
  4. Inputs

输出结果

  1. {'input_ids': tensor([[101,791,1921,1921,3698,1962,3252,3306,8024,1905,1905,1962,7599,1045,8013,102]]),'token_type_ids': tensor([[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]]),'attention_mask': tensor([[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]])}

3、模型推理

#将 **inputs（即经过分词器处理的输入文本）作为参数传递给模型进行推理。

  1. res = model(**inputs)#打印结果
  2. Res

SequenceClassifierOutput(loss=None, logits=tensor([[-1.0786, 0.9897]], grad_fn=), hidden_states=None, attentions=None)

4、获取原始分数、再归一化处理

  1. ##获取了模型的输出logits。Logits是模型在每个可能的类别上的得分或概率，还没有经过概率归一化处理。
  2. logits = res.logits
  3. ## 使用PyTorch中的torch.softmax函数对logits进行softmax操作。softmax函数将每个logit值转换为在[0, 1]范围内的概率值，使得所有类别的概率之和为1## dim=-1表示在最后一个维度上进行softmax操作。在情感分类任务中，通常最后一个维度是类别维度
  4. logits = torch.softmax(logits, dim=-1)
  5. Logits

5、查看概率最高的类别索引

  1. #使用argmax找到logits中概率最高的类别索引，并通过.item()将其转换为一个普通的Python整数。
  2. pred = torch.argmax(logits).item()#打印结果
  3. Pred

输出: 1

6、查看标签映射

  1. #访问模型配置中的id2label映射，这是一个从索引到标签的映射
  2. model.config.id2label    
  3. #输出如下{0:'negative (stars 1, 2 and 3)',1:'positive (stars 4 and 5)'}

索引0对应标签’negative (stars 1, 2 and 3)‘，表示负面情感或低星级评价。
索引1对应标签’positive (stars 4 and 5)’，表示正面情感或高星级评价。

7、根据我们得到的索引类别，从标签映射中取出结果

  1. #使用预测得到的类别索引pred从id2label映射中获取对应的标签。
  2. result = model.config.id2label.get(pred)#打印标签结果
  3. result

输出如下：
‘positive (stars 4 and 5)’
这意味着模型预测输入文本表达的是正面情感，并且根据标签的含义，这相当于4星或5星的高分评价

8、Pipeline使用完整代码样例如下

  1. from transformers import AutoTokenizer, AutoModelForSequenceClassification
  3. # 加载预训练的Tokenizer和Model
  4. tokenizer = AutoTokenizer.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")
  5. model = AutoModelForSequenceClassification.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")# 对输入文本进行编码
  6. encoded_input = tokenizer("今天天气好晴朗，处处好风光！", return_tensors="pt")# 模型推理
  7. res = model(**encoded_input)# 获取并处理logits
  8. logits = res.logits
  9. probabilities = torch.nn.functional.softmax(logits, dim=-1)# 获取最可能的类别
  10. pred = torch.argmax(probabilities).item()

五、使用Pipeline优化

Pipeline可以极大地简化模型预测的代码。以下是使用Pipeline重写先前示例的优化版本：

  1. from transformers import pipeline
  3. # 创建Pipeline，指定任务类型、模型和分词器
  4. pipe = pipeline("text-classification", model=model, tokenizer=tokenizer, device=0)# 执行预测
  5. optimized_result = pipe("今天天气好晴朗，处处好风光！")print(optimized_result)

接下来我们采用Pipeline对我们前面篇章《AI大模型探索之路-训练篇8：大语言模型Transformer库-预训练流程编码体验》中的样例进行优化；主要优化改造“步骤## 8：模型预测”中的相关代码

  1. from transformers import pipeline
  2. #model.config.id2label = id2label
  3. pipe = pipeline("text-classification", model=model, tokenizer=tokenizer, device=0)#调用执行
  4. pipe(sen)#输出[{'label':'LABEL_1','score':0.9772003293037415}]

结果会发现，在pipe的使用下，我们只需要一两行代码就搞定了，非常的丝滑。

总结

Pipeline是Hugging Face transformers库中一个功能强大的工具，它允许研究人员和开发者以一种简洁、高效的方式处理复杂的NLP任务。通过自动化常用的NLP流程，Pipeline不仅提高了性能，还使得代码更加易于编写和维护。正确地选择和使用Pipeline对于任何希望利用Transformer模型的NLP项目来说都是至关重要的。

在这里插入图片描述

🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路

如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！

标签： AIGC 人工智能 语言模型
本文转载自: https://blog.csdn.net/xiaobing259/article/details/138373677
版权归原作者 寻道AI小兵 所有， 如有侵权，请联系我们删除。
登录后发布评论

“AI大模型探索之路-训练篇9：大语言模型Transformer库-Pipeline组件实践”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

网络安全法-网络运行安全

使用selenium/drissionpage时如何阻止chrome自动跳转http到https

docker desktop 里部署的Open WebUI 管理员密码忘记了的处理方法

在ubuntu20.04中搭建onsite比赛运行环境

利用开源的低代码表单设计器FcDesigner高效管理和渲染复杂表单结构

Kafka学习笔记

【前端】浏览器输入url到页面呈现发生了什么？