Youtu-Parsing从零开始无root权限用户在/home目录下轻量部署方案你是不是经常遇到这样的场景拿到一份PDF报告里面有表格、公式、图表想提取里面的数据结果发现复制出来的文字全是乱码表格结构全没了或者你是一个学生想把老师手写的笔记整理成电子版结果一个字一个字敲到怀疑人生今天我要分享一个能彻底解决这些痛点的神器——Youtu-Parsing。更重要的是我会手把手教你即使你没有服务器的root权限也能在自己的/home目录下轻松部署这个强大的文档解析模型。1. 为什么你需要Youtu-Parsing在开始动手之前我们先搞清楚Youtu-Parsing到底能帮你做什么。简单来说它就像一个超级智能的“文档扫描仪翻译官”。想象一下你有一张图片上面有文字、表格、数学公式甚至还有手写体和公司印章。传统的OCR工具可能只能识别出部分文字而且格式全乱。Youtu-Parsing的不同之处在于它能做到全要素解析不只是文字它能同时识别出文本、表格、公式、图表、印章、手写体一个都不落下。像素级定位它能精确地用一个框把图片里的每个元素比如一个表格、一个公式的位置标出来。结构化输出它不会给你一堆乱七八糟的文字而是生成干净、可以直接用的文本、JSON或者Markdown格式。这对于后续做数据分析或者接入RAG检索增强生成系统特别友好。速度飞快得益于“Token并行”和“查询并行”技术它的解析速度比传统方法快5到11倍。说白了无论是处理扫描的合同、学术论文、财务报表还是整理手写笔记Youtu-Parsing都能帮你从繁琐的人工处理中解放出来。2. 部署前准备检查你的“作战环境”既然我们没有root权限就不能随意安装系统级的软件或占用系统端口。我们的核心思路是一切操作都在你自己的/home目录下进行使用Python虚拟环境来管理依赖并选择一个用户可用的端口。在开始之前请打开你的终端依次执行以下命令来检查你的环境# 1. 确认当前用户和家目录 whoami echo $HOME # 2. 检查Python3是否可用通常都有 python3 --version # 3. 检查pip3是否可用 pip3 --version # 4. 检查一个用户端口是否空闲例如7860如果被占用了你可以换一个比如7862, 7865等 # 我们先尝试用netstat看看如果没有这个命令可以用ss netstat -tulpn | grep :7860 2/dev/null || ss -tulpn | grep :7860如果python3和pip3命令都能正常显示版本号那么基础环境就没问题。如果端口7860已经被占用请记下后面你需要换一个端口号。3. 一步步搭建你的专属文档解析服务接下来我们进入核心的部署环节。请跟着我的步骤一步一步来。3.1 创建项目目录和虚拟环境首先我们在自己的家目录下创建一个专门的工作空间。# 进入你的家目录 cd ~ # 创建一个项目文件夹 mkdir -p youtu-parsing-deploy cd youtu-parsing-deploy # 创建一个Python虚拟环境将所有的包隔离安装在这里 python3 -m venv venv # 激活虚拟环境 source venv/bin/activate激活后你的命令行提示符前面通常会显示(venv)这表示你已经在这个独立的Python环境中了。3.2 安装必要的依赖包Youtu-Parsing的Web界面基于Gradio库。我们需要安装它以及一些其他可能需要的包。# 确保pip是最新版本 pip install --upgrade pip # 安装核心依赖gradio。指定一个稍旧但稳定的版本以避免兼容性问题。 pip install gradio3.50.2 # 安装Pillow用于图片处理安装requests用于网络请求 pip install Pillow requests # 安装transformers和accelerate这是运行HF模型常用的库 pip install transformers accelerate3.3 下载并准备模型文件由于我们无法使用sudo也无法将模型下载到系统目录。我们有三种方式获取模型从Hugging Face直接下载推荐但需要网络通畅我们可以用Python脚本在代码中指定缓存路径到我们的home目录。手动下载后上传如果你所处的环境网络访问HF较慢可以先在能联网的机器上下载好模型文件然后通过SFTP等工具上传到你的~/youtu-parsing-deploy目录下。这里我们演示第一种方法。我们创建一个简单的Python脚本来测试模型下载和加载。创建一个文件叫test_load.pyimport os from transformers import AutoModelForCausalLM, AutoTokenizer # 重要将缓存目录设置到我们的项目目录下避免权限问题 os.environ[HF_HOME] os.path.join(os.path.expanduser(~), youtu-parsing-deploy, hf_cache) os.environ[HUGGINGFACE_HUB_CACHE] os.environ[HF_HOME] model_name tencent/Youtu-Parsing print(f模型将下载/加载到: {os.environ[HF_HOME]}) print(开始加载tokenizer...) try: tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) print(Tokenizer加载成功) except Exception as e: print(f加载tokenizer失败: {e}) print(开始加载模型这可能会花费几分钟并下载约2.3GB数据...) try: # 根据你的显卡内存情况你可能需要调整。无root用户通常没有GPU我们用CPU。 model AutoModelForCausalLM.from_pretrained( model_name, trust_remote_codeTrue, device_mapcpu, # 使用CPU low_cpu_mem_usageTrue # 优化CPU内存使用 ) print(模型加载成功) except Exception as e: print(f加载模型失败: {e})运行这个脚本它会开始下载模型python test_load.py这个过程可能会比较久因为模型大约有2.3GB。请耐心等待直到看到“模型加载成功”的提示。如果网络失败你可能需要尝试第二种手动上传的方式。3.4 编写简化的WebUI服务脚本我们不需要完全复刻官方的复杂WebUI。为了快速用起来我们可以基于Gradio创建一个简化版。创建一个名为app.py的文件import gradio as gr import os import torch from PIL import Image import json import time # 设置模型缓存路径和上面一致 os.environ[HF_HOME] os.path.join(os.path.expanduser(~), youtu-parsing-deploy, hf_cache) os.environ[HUGGINGFACE_HUB_CACHE] os.environ[HF_HOME] # 注意这里我们暂时模拟解析过程因为完整模型加载和推理代码较长。 # 在实际完整部署中你需要从这里导入真正的解析函数 # from youtu_parsing_pipeline import parse_document def mock_parse_document(image): 模拟解析函数返回一个结构化的结果 # 在实际应用中这里应该调用真实的 Youtu-Parsing 模型 # result parse_document(image) # 为了演示我们返回一个模拟的Markdown结果 mock_md f# 文档解析结果模拟 **解析时间** {time.strftime(%Y-%m-%d %H:%M:%S)} ## 1. 识别到的文本 这是从图片中识别出的一段示例文本。Youtu-Parsing能够精准地定位和识别印刷体及手写体文字。 ## 2. 识别到的表格 | 项目 | 数量 | 单价元 | 总价元 | |------|------|------------|------------| | 商品A | 2 | 150.00 | 300.00 | | 商品B | 1 | 89.50 | 89.50 | | **合计** | **3** | **-** | **389.50** | *表格已自动转换为Markdown格式。* ## 3. 识别到的公式 识别到数学公式$E mc^2$ 对应的LaTeX代码为E mc^2 --- *注此为模拟结果。实际部署需加载完整Youtu-Parsing模型。* return mock_md def parse_single_image(image): 处理单张图片 if image is None: return 请上传一张图片。 try: # 调用解析函数此处为模拟函数 result mock_parse_document(image) return result except Exception as e: return f解析过程中出现错误{str(e)} def save_result_to_markdown(result_text, filename_prefixparsed_doc): 将结果保存为Markdown文件 output_dir outputs os.makedirs(output_dir, exist_okTrue) timestamp int(time.time()) filename f{output_dir}/{filename_prefix}_{timestamp}.md with open(filename, w, encodingutf-8) as f: f.write(result_text) return filename # 创建Gradio界面 with gr.Blocks(titleYoutu-Parsing 轻量版, themegr.themes.Soft()) as demo: gr.Markdown(## Youtu-Parsing 文档解析工具轻量部署版) gr.Markdown(上传包含文字、表格、公式的文档图片体验智能解析。) with gr.Tab(单图片解析): with gr.Row(): with gr.Column(scale1): img_input gr.Image(typepil, label上传文档图片) parse_btn gr.Button(开始解析, variantprimary) with gr.Column(scale2): output_text gr.Markdown(label解析结果) save_info gr.Textbox(label保存信息, interactiveFalse) # 按钮点击事件 def process_and_save(image): result parse_single_image(image) saved_path save_result_to_markdown(result) return result, f结果已保存至{saved_path} parse_btn.click( fnprocess_and_save, inputs[img_input], outputs[output_text, save_info] ) with gr.Tab(批量处理模拟): gr.Markdown(完整批量处理功能需加载完整模型。) file_input gr.Files(label选择多个图片文件, file_types[image]) batch_output gr.Markdown(label批量解析结果预览) batch_btn gr.Button(批量解析, variantsecondary) def batch_process(files): if not files: return 请先选择文件。 summary f已接收到 {len(files)} 个文件。\n\n for i, file in enumerate(files): summary f**文件{i1}** {file.name} - 模拟解析完成。\n summary \n---\n*实际部署中此处将展示每个文件的详细解析结果。* return summary batch_btn.click(fnbatch_process, inputs[file_input], outputsbatch_output) gr.Markdown(---) gr.Markdown(**说明** 此界面为简化演示版本。成功加载完整模型后即可获得全要素解析能力。) # 启动应用 # 注意server_name0.0.0.0让服务在本地所有网络接口可访问 # server_port 指定端口如果7860被占用请更换如7862 if __name__ __main__: demo.launch( server_name0.0.0.0, server_port7860, # 如果端口被占用请修改这里例如 7862 shareFalse # 无root用户通常无法创建公开share链接设为False )3.5 启动你的文档解析服务现在一切就绪。确保你在虚拟环境中命令行有(venv)然后运行python app.py如果一切正常你会看到类似这样的输出Running on local URL: http://0.0.0.0:7860这表示你的服务已经启动成功了打开你的浏览器访问http://你的服务器IP地址:7860。如果你就在这台机器上操作直接访问http://localhost:7860即可。你会看到一个简洁的Web界面。可以上传一张包含文字的图片试试看点击“开始解析”右侧会显示出模拟的解析结果并且结果会自动保存到~/youtu-parsing-deploy/outputs/目录下。4. 让服务在后台稳定运行我们不能总是开着终端运行python app.py。我们需要一个方法让它能在后台运行并且即使我们断开连接也不会停止。由于没有root权限我们无法使用systemd或supervisor。但我们可以用nohup或tmux。这里介绍一个简单的方法使用nohup# 首先如果之前前台运行的app.py还在按 CtrlC 停止它。 # 使用nohup在后台启动并将日志输出到app.log文件 cd ~/youtu-parsing-deploy source venv/bin/activate nohup python app.py app.log 21 # 查看进程是否启动 ps aux | grep app.py | grep -v grep # 查看启动日志 tail -f app.log现在服务就在后台运行了。你可以关闭终端服务也不会停止。如何管理这个后台服务停止服务先找到进程IDPID然后终止它。# 查找进程ID ps aux | grep app.py | grep -v grep # 假设PID是12345 kill 12345重启服务先停止再重新执行上面的nohup命令。查看实时日志tail -f ~/youtu-parsing-deploy/app.log5. 总结与后续步骤恭喜你你现在已经拥有了一个部署在自己/home目录下的、无需root权限的Youtu-Parsing轻量版服务。我们来回顾一下你完成的事情环境隔离通过Python虚拟环境在没有系统权限的情况下安装了所有依赖。数据本地化将模型缓存和项目文件全部放在你的个人目录下安全可控。服务发布编写了一个简单的Gradio应用并通过用户端口如7860将其发布成Web服务。持久运行使用nohup让服务在后台持续运行。接下来你可以做什么接入真实模型本文的app.py使用的是模拟函数。要发挥Youtu-Parsing的真正威力你需要将mock_parse_document函数替换为调用真实模型的代码。你需要参考官方项目将模型推理代码集成进来。功能增强为你的WebUI添加更多功能比如解析结果导出为JSON、批量处理进度条、历史记录查看等。端口管理如果7860端口冲突记得在app.py的demo.launch()函数里修改server_port参数并重启服务。这个部署方案的核心思想就是“用户空间内自给自足”。它证明了即使权限受限你依然有能力部署和运行强大的AI模型应用。希望这个教程能为你打开一扇门让你在AI应用落地的道路上走得更远。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Youtu-Parsing从零开始：无root权限用户在/home目录下轻量部署方案
发布时间：2026/7/10 18:25:48
Youtu-Parsing从零开始无root权限用户在/home目录下轻量部署方案你是不是经常遇到这样的场景拿到一份PDF报告里面有表格、公式、图表想提取里面的数据结果发现复制出来的文字全是乱码表格结构全没了或者你是一个学生想把老师手写的笔记整理成电子版结果一个字一个字敲到怀疑人生今天我要分享一个能彻底解决这些痛点的神器——Youtu-Parsing。更重要的是我会手把手教你即使你没有服务器的root权限也能在自己的/home目录下轻松部署这个强大的文档解析模型。1. 为什么你需要Youtu-Parsing在开始动手之前我们先搞清楚Youtu-Parsing到底能帮你做什么。简单来说它就像一个超级智能的“文档扫描仪翻译官”。想象一下你有一张图片上面有文字、表格、数学公式甚至还有手写体和公司印章。传统的OCR工具可能只能识别出部分文字而且格式全乱。Youtu-Parsing的不同之处在于它能做到全要素解析不只是文字它能同时识别出文本、表格、公式、图表、印章、手写体一个都不落下。像素级定位它能精确地用一个框把图片里的每个元素比如一个表格、一个公式的位置标出来。结构化输出它不会给你一堆乱七八糟的文字而是生成干净、可以直接用的文本、JSON或者Markdown格式。这对于后续做数据分析或者接入RAG检索增强生成系统特别友好。速度飞快得益于“Token并行”和“查询并行”技术它的解析速度比传统方法快5到11倍。说白了无论是处理扫描的合同、学术论文、财务报表还是整理手写笔记Youtu-Parsing都能帮你从繁琐的人工处理中解放出来。2. 部署前准备检查你的“作战环境”既然我们没有root权限就不能随意安装系统级的软件或占用系统端口。我们的核心思路是一切操作都在你自己的/home目录下进行使用Python虚拟环境来管理依赖并选择一个用户可用的端口。在开始之前请打开你的终端依次执行以下命令来检查你的环境# 1. 确认当前用户和家目录 whoami echo $HOME # 2. 检查Python3是否可用通常都有 python3 --version # 3. 检查pip3是否可用 pip3 --version # 4. 检查一个用户端口是否空闲例如7860如果被占用了你可以换一个比如7862, 7865等 # 我们先尝试用netstat看看如果没有这个命令可以用ss netstat -tulpn | grep :7860 2/dev/null || ss -tulpn | grep :7860如果python3和pip3命令都能正常显示版本号那么基础环境就没问题。如果端口7860已经被占用请记下后面你需要换一个端口号。3. 一步步搭建你的专属文档解析服务接下来我们进入核心的部署环节。请跟着我的步骤一步一步来。3.1 创建项目目录和虚拟环境首先我们在自己的家目录下创建一个专门的工作空间。# 进入你的家目录 cd ~ # 创建一个项目文件夹 mkdir -p youtu-parsing-deploy cd youtu-parsing-deploy # 创建一个Python虚拟环境将所有的包隔离安装在这里 python3 -m venv venv # 激活虚拟环境 source venv/bin/activate激活后你的命令行提示符前面通常会显示(venv)这表示你已经在这个独立的Python环境中了。3.2 安装必要的依赖包Youtu-Parsing的Web界面基于Gradio库。我们需要安装它以及一些其他可能需要的包。# 确保pip是最新版本 pip install --upgrade pip # 安装核心依赖gradio。指定一个稍旧但稳定的版本以避免兼容性问题。 pip install gradio3.50.2 # 安装Pillow用于图片处理安装requests用于网络请求 pip install Pillow requests # 安装transformers和accelerate这是运行HF模型常用的库 pip install transformers accelerate3.3 下载并准备模型文件由于我们无法使用sudo也无法将模型下载到系统目录。我们有三种方式获取模型从Hugging Face直接下载推荐但需要网络通畅我们可以用Python脚本在代码中指定缓存路径到我们的home目录。手动下载后上传如果你所处的环境网络访问HF较慢可以先在能联网的机器上下载好模型文件然后通过SFTP等工具上传到你的~/youtu-parsing-deploy目录下。这里我们演示第一种方法。我们创建一个简单的Python脚本来测试模型下载和加载。创建一个文件叫test_load.pyimport os from transformers import AutoModelForCausalLM, AutoTokenizer # 重要将缓存目录设置到我们的项目目录下避免权限问题 os.environ[HF_HOME] os.path.join(os.path.expanduser(~), youtu-parsing-deploy, hf_cache) os.environ[HUGGINGFACE_HUB_CACHE] os.environ[HF_HOME] model_name tencent/Youtu-Parsing print(f模型将下载/加载到: {os.environ[HF_HOME]}) print(开始加载tokenizer...) try: tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) print(Tokenizer加载成功) except Exception as e: print(f加载tokenizer失败: {e}) print(开始加载模型这可能会花费几分钟并下载约2.3GB数据...) try: # 根据你的显卡内存情况你可能需要调整。无root用户通常没有GPU我们用CPU。 model AutoModelForCausalLM.from_pretrained( model_name, trust_remote_codeTrue, device_mapcpu, # 使用CPU low_cpu_mem_usageTrue # 优化CPU内存使用 ) print(模型加载成功) except Exception as e: print(f加载模型失败: {e})运行这个脚本它会开始下载模型python test_load.py这个过程可能会比较久因为模型大约有2.3GB。请耐心等待直到看到“模型加载成功”的提示。如果网络失败你可能需要尝试第二种手动上传的方式。3.4 编写简化的WebUI服务脚本我们不需要完全复刻官方的复杂WebUI。为了快速用起来我们可以基于Gradio创建一个简化版。创建一个名为app.py的文件import gradio as gr import os import torch from PIL import Image import json import time # 设置模型缓存路径和上面一致 os.environ[HF_HOME] os.path.join(os.path.expanduser(~), youtu-parsing-deploy, hf_cache) os.environ[HUGGINGFACE_HUB_CACHE] os.environ[HF_HOME] # 注意这里我们暂时模拟解析过程因为完整模型加载和推理代码较长。 # 在实际完整部署中你需要从这里导入真正的解析函数 # from youtu_parsing_pipeline import parse_document def mock_parse_document(image): 模拟解析函数返回一个结构化的结果 # 在实际应用中这里应该调用真实的 Youtu-Parsing 模型 # result parse_document(image) # 为了演示我们返回一个模拟的Markdown结果 mock_md f# 文档解析结果模拟 **解析时间** {time.strftime(%Y-%m-%d %H:%M:%S)} ## 1. 识别到的文本 这是从图片中识别出的一段示例文本。Youtu-Parsing能够精准地定位和识别印刷体及手写体文字。 ## 2. 识别到的表格 | 项目 | 数量 | 单价元 | 总价元 | |------|------|------------|------------| | 商品A | 2 | 150.00 | 300.00 | | 商品B | 1 | 89.50 | 89.50 | | **合计** | **3** | **-** | **389.50** | *表格已自动转换为Markdown格式。* ## 3. 识别到的公式 识别到数学公式$E mc^2$ 对应的LaTeX代码为E mc^2 --- *注此为模拟结果。实际部署需加载完整Youtu-Parsing模型。* return mock_md def parse_single_image(image): 处理单张图片 if image is None: return 请上传一张图片。 try: # 调用解析函数此处为模拟函数 result mock_parse_document(image) return result except Exception as e: return f解析过程中出现错误{str(e)} def save_result_to_markdown(result_text, filename_prefixparsed_doc): 将结果保存为Markdown文件 output_dir outputs os.makedirs(output_dir, exist_okTrue) timestamp int(time.time()) filename f{output_dir}/{filename_prefix}_{timestamp}.md with open(filename, w, encodingutf-8) as f: f.write(result_text) return filename # 创建Gradio界面 with gr.Blocks(titleYoutu-Parsing 轻量版, themegr.themes.Soft()) as demo: gr.Markdown(## Youtu-Parsing 文档解析工具轻量部署版) gr.Markdown(上传包含文字、表格、公式的文档图片体验智能解析。) with gr.Tab(单图片解析): with gr.Row(): with gr.Column(scale1): img_input gr.Image(typepil, label上传文档图片) parse_btn gr.Button(开始解析, variantprimary) with gr.Column(scale2): output_text gr.Markdown(label解析结果) save_info gr.Textbox(label保存信息, interactiveFalse) # 按钮点击事件 def process_and_save(image): result parse_single_image(image) saved_path save_result_to_markdown(result) return result, f结果已保存至{saved_path} parse_btn.click( fnprocess_and_save, inputs[img_input], outputs[output_text, save_info] ) with gr.Tab(批量处理模拟): gr.Markdown(完整批量处理功能需加载完整模型。) file_input gr.Files(label选择多个图片文件, file_types[image]) batch_output gr.Markdown(label批量解析结果预览) batch_btn gr.Button(批量解析, variantsecondary) def batch_process(files): if not files: return 请先选择文件。 summary f已接收到 {len(files)} 个文件。\n\n for i, file in enumerate(files): summary f**文件{i1}** {file.name} - 模拟解析完成。\n summary \n---\n*实际部署中此处将展示每个文件的详细解析结果。* return summary batch_btn.click(fnbatch_process, inputs[file_input], outputsbatch_output) gr.Markdown(---) gr.Markdown(**说明** 此界面为简化演示版本。成功加载完整模型后即可获得全要素解析能力。) # 启动应用 # 注意server_name0.0.0.0让服务在本地所有网络接口可访问 # server_port 指定端口如果7860被占用请更换如7862 if __name__ __main__: demo.launch( server_name0.0.0.0, server_port7860, # 如果端口被占用请修改这里例如 7862 shareFalse # 无root用户通常无法创建公开share链接设为False )3.5 启动你的文档解析服务现在一切就绪。确保你在虚拟环境中命令行有(venv)然后运行python app.py如果一切正常你会看到类似这样的输出Running on local URL: http://0.0.0.0:7860这表示你的服务已经启动成功了打开你的浏览器访问http://你的服务器IP地址:7860。如果你就在这台机器上操作直接访问http://localhost:7860即可。你会看到一个简洁的Web界面。可以上传一张包含文字的图片试试看点击“开始解析”右侧会显示出模拟的解析结果并且结果会自动保存到~/youtu-parsing-deploy/outputs/目录下。4. 让服务在后台稳定运行我们不能总是开着终端运行python app.py。我们需要一个方法让它能在后台运行并且即使我们断开连接也不会停止。由于没有root权限我们无法使用systemd或supervisor。但我们可以用nohup或tmux。这里介绍一个简单的方法使用nohup# 首先如果之前前台运行的app.py还在按 CtrlC 停止它。 # 使用nohup在后台启动并将日志输出到app.log文件 cd ~/youtu-parsing-deploy source venv/bin/activate nohup python app.py app.log 21 # 查看进程是否启动 ps aux | grep app.py | grep -v grep # 查看启动日志 tail -f app.log现在服务就在后台运行了。你可以关闭终端服务也不会停止。如何管理这个后台服务停止服务先找到进程IDPID然后终止它。# 查找进程ID ps aux | grep app.py | grep -v grep # 假设PID是12345 kill 12345重启服务先停止再重新执行上面的nohup命令。查看实时日志tail -f ~/youtu-parsing-deploy/app.log5. 总结与后续步骤恭喜你你现在已经拥有了一个部署在自己/home目录下的、无需root权限的Youtu-Parsing轻量版服务。我们来回顾一下你完成的事情环境隔离通过Python虚拟环境在没有系统权限的情况下安装了所有依赖。数据本地化将模型缓存和项目文件全部放在你的个人目录下安全可控。服务发布编写了一个简单的Gradio应用并通过用户端口如7860将其发布成Web服务。持久运行使用nohup让服务在后台持续运行。接下来你可以做什么接入真实模型本文的app.py使用的是模拟函数。要发挥Youtu-Parsing的真正威力你需要将mock_parse_document函数替换为调用真实模型的代码。你需要参考官方项目将模型推理代码集成进来。功能增强为你的WebUI添加更多功能比如解析结果导出为JSON、批量处理进度条、历史记录查看等。端口管理如果7860端口冲突记得在app.py的demo.launch()函数里修改server_port参数并重启服务。这个部署方案的核心思想就是“用户空间内自给自足”。它证明了即使权限受限你依然有能力部署和运行强大的AI模型应用。希望这个教程能为你打开一扇门让你在AI应用落地的道路上走得更远。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
