新闻详情

新闻详情

首页 / 资讯中心 / 详情

python 环境检测

发布时间:2026/11/16 3:28:21来源:尧图网络
python 环境检测
目录linux 看哪些环境vllm安装linux 检测哪些环境 torch 和cuda可用测试transformerslinux 看哪些环境vllm安装conda env list | grep -v ^# | grep -v ^$ | while read line; do env$(echo $line | awk {print $1}); if [[ $env /* ]]; then version$(conda list -p $env 2/dev/null | grep vllm | awk {print $2}); if [ -n $version ]; then echo 路径 $env: vLLM $version ✅; fi else version$(conda list -n $env 2/dev/null | grep vllm | awk {print $2}); if [ -n $version ]; then echo $env: vLLM $version ✅; fi fi; done conda env list | grep -v ^# | grep -v ^$ | while read line; do env$(echo $line | awk {print $1}); if [[ $env /* ]]; then echo -n 路径 $env: ; conda list -p $env 2/dev/null | grep -q vllm echo ✅ 已安装 || echo ❌ 未安装; else echo -n $env: ; conda list -n $env 2/dev/null | grep -q vllm echo ✅ 已安装 || echo ❌ 未安装; fi; donelinux 检测哪些环境 torch 和cuda可用返回环境路径conda env list | grep -v ^# | grep -v ^$ | while read -r _ path; do [ -z $path ] continue py$path/bin/python if [ ! -x $py ]; then echo $path: ❌ 无 python continue fi result$($py -c import importlib.util if importlib.util.find_spec(torch) is None: print(❌ 未安装 torch) else: import torch tv torch.__version__ cv torch.version.cuda or CPU-only if torch.cuda.is_available(): print(f✅ torch {tv} | CUDA {cv} | GPU: {torch.cuda.get_device_name(0)}) else: print(f⚠️ torch {tv} | CUDA {cv} | CUDA 不可用) 2/dev/null) [ -z $result ] result❌ 检测失败 echo $path: $result done测试transformersimport transformers.masking_utilsfrom transformers.modeling_rope_utils import rope_config_validationconda env list | grep -v ^# | grep -v ^$ | while read -r _ path; do [ -z $path ] continue py$path/bin/python [ ! -x $py ] { echo $path: ❌ 无 python; continue; } result$($py -c import importlib.util if importlib.util.find_spec(transformers) is None: print(❌ 未安装 transformers) else: import transformers tv transformers.__version__ r1 r2 try: from transformers.modeling_rope_utils import rope_config_validation r1 rope_utils ✅ except Exception as e: r1 frope_utils ❌ ({type(e).__name__}) try: from transformers.masking_utils import create_causal_mask r2 masking_utils ✅ except Exception as e: r2 fmasking_utils ❌ ({type(e).__name__}) print(ftransformers {tv} | {r1} | {r2}) 2/dev/null) [ -z $result ] result❌ 检测失败 echo $path: $result done
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉