【笔记】Windows 安装 TensorRT 10.13.3.9（适配 CUDA 13.0，附跨版本 CUDA 调用维护方案）

实操笔记 | Windows 安装 TensorRT 10.13.3.9（适配 CUDA 13.0，含跨版本 CUDA 调用维护示例）—— 系统 CUDA 13.0 与虚拟环境 CUDA 12.8 版本差异时，TensorRT 调用维护实例详见附录

本文针对 TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip，结合实际操作截图，从“解压-配置-验证”全流程拆解步骤，解决官方文档模糊问题，新手也能按图完成安装。

一、前期准备：确认依赖与文件

CUDA & cuDNN 安装

好消息，最新CUDA和cuDNN安装，俩都可以用exe安装包直装了 CUDA12.6.3和cuDNN9.6.0 Windows系统 省事

是否需要预先安装 CUDA Toolkit？——按使用场景分级推荐及进阶说明

CUDA 与 cuDNN 免登录下载政策详解（基于官方权威信息）

NVIDIA CUDA 13.0 发布：新特性与快捷更新安装全解析

CUDA 13.0 适配的 cuDNN 9.11 发布：网页内容速览

CUDA 深度神经网络 （cuDNN） |NVIDIA 开发人员

安装 CUDA 13 后 ONNX Runtime 报错“Failed to create CUDAExecutionProvider” 的完整修复方案——附 CMD & PowerShell 一

1. 必装依赖（版本必须匹配）

依赖项版本要求作用说明
NVIDIA 显卡驱动支持 CUDA 13.0确保 GPU 能正常调用 CUDA 核心
CUDA Toolkit13.0（含 Update 1）TensorRT 运行的底层计算框架
cuDNN8.9.7（适配 CUDA 13.0）加速深度学习任务的 GPU 优化库
Python（可选）3.8~3.13（推荐 3.10+）用于调用 TensorRT Python 接口

验证 CUDA 是否安装成功：打开 命令提示符（CMD），输入 nvcc -V，若显示 CUDA 13.0 版本信息，说明依赖正常（如图1）。

图1：CUDA 版本验证

2. 下载 TensorRT 压缩包

TensorRT 官方网站

TensorRT SDK |NVIDIA 开发人员

安装 TensorRT — NVIDIA TensorRT 文档

windows安装tensorrt- 知乎

从 NVIDIA 官网下载 TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip（需登录 NVIDIA 账户，如图2），保存到电脑下载目录（如 E:\Downloads\Compressed）。

图2：TensorRT 下载页面（登录后才能选择对应版本）

图3：TensorRT 登录页面

图4：TensorRT 登录验证界面（邮件链接验证）

图5：TensorRT 可用版本页面（选中版本后跳转后续界面）

图6：TensorRT 下载前勾选许可协议界面（需勾选页面中的小框）

图7：TensorRT 下载 系统适配版本列表界面（找到 Zip Packages for Windows）
下载对应 CUDA 的版本

图8：TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip 压缩包下载中

下载的是 CUDA13.0 版的

二、第一步：解压并移动到目标目录

1. 解压压缩包

右键点击下载的 TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip，选择“全部解压缩”，解压路径默认与压缩包同目录（如 E:\Downloads\Compressed）。
解压后会出现 嵌套目录：E:\Downloads\Compressed\TensorRT-10.13.3.9.Windows.win10.cuda-13.0\TensorRT-10.13.3.9（如图3），核心文件（lib/include/python）都在最内层的 TensorRT-10.13.3.9 中。
图9：解压后的嵌套目录结构

图9：TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip 压缩包解压后的嵌套目录结构

2. 手动移动到目标目录

主要考虑到配置环境变量以及后期调用，为避免后续配置路径过长，将最内层的 TensorRT-10.13.3.9 文件夹移动到 根目录或简单路径（如 C:\TensorRT-10.13.3.9，如图10）。

注意：目标路径不要含中文/空格（如“ C 盘 或 D 盘”），否则后续可能出现“文件找不到”错误。
图10：移动后的目标目录（路径简洁）

图11：TensorRT-10.13.3.9 文件夹解压后的大小（约 1.7 GB）

查看占用空间大小以规划目标空间

三、第二步：配置系统环境变量

环境变量的作用是让 Windows 系统找到 TensorRT 的库文件（.dll），必须配置正确，否则后续调用会报错。

1. 打开环境变量设置

  • 右键点击“此电脑”→ 选择“属性”→ 点击“高级系统设置”（如图12）→ 在弹出窗口中点击“环境变量”。
  • 所需的变量除了按本笔记记述的条目外，可按实际项目需求，按需添加目录进环境变量中。

    图12：进入“高级系统设置”
     

2. 添加 TensorRT 路径到 PATH

C:\TensorRT-10.13.3.9\lib

C:\TensorRT-10.13.3.9\bin
#  其他的路径后续可按开发需要灵活添加

  • 在“系统变量”中找到 Path，双击打开编辑窗口（如图13）→ 点击“新建”→ 粘贴 TensorRT 的 lib 目录路径（如 C:\TensorRT-10.13.3.9\lib）等→ 点击“确定”保存（所有窗口都要点“确定”，否则配置不生效）。
    图13：编辑 PATH 环境变量

    图14：新建变量值

    图15：添加 TensorRT-10.13.3.9 相关路径

3. （可选）创建 TENSORRT_PATH 变量

为后续开发方便（如 Visual Studio 配置），可新增一个系统变量：

  • 在“系统变量”中点击“新建”→ 变量名填 TENSORRT_PATH，变量值填 TensorRT 根目录（如 C:\TensorRT-10.13.3.9，如图16）→ 点击“确定”。
    图16：创建 TENSORRT_PATH 变量

四、第三步：安装 Python 接口（可选，常用场景）

若需用 Python 调用 TensorRT（如 PyTorch/TensorFlow 模型推理），需安装对应版本的 wheel 包。

1. 确认 Python 版本

打开 CMD，输入 python --version，查看当前 Python 版本（如 Python 3.12.11，如图17），后续需选择对应 cp310 后缀的 wheel 文件。

图17：查看 Python 版本

2. 进入 TensorRT 的 python 目录

在需要配置 TensorRT 的虚拟环境中，激活环境终端（以 CMD 为例）后 ，通过 cd 命令切换到 TensorRT 的 python 文件夹（如 C:\TensorRT-10.13.3.9\python），输入命令：

cd /d C:\TensorRT-10.13.3.9\python

或者复制 .whl 文件到项目文件夹内，从本地进行安装。

注：“/d”参数 用于跨盘切换路径（如从 C 盘切换到 E 盘），若路径在同盘可省略。

也可以把 C:\TensorRT-10.13.3.9\python 文件夹备份在其他位置以节省 C 盘空间

图18：确认安装文件（3个版本可选，具体选择建议请继续往下看）

3. 安装 wheel 包

根据 Python 版本选择对应的 wheel 文件（如 Python 3.10 对应 tensorrt-10.13.3.9-cp310-none-win_amd64.whl），输入安装命令：

python -m pip install tensorrt-10.13.3.9-cp312-none-win_amd64.whl

若需安装精简版（lean） 或调度版（dispatch），替换命令为：

# 精简版（仅核心推理功能，体积小）
python -m pip install tensorrt_lean-10.13.3.9-cp312-none-win_amd64.whl# 调度版（支持动态调度，适合多环境）
python -m pip install tensorrt_dispatch-10.13.3.9-cp312-none-win_amd64.whl

安装成功后会显示“Successfully installed…”（如图19）。

图19：Python 接口安装成功

五、第四步：验证安装（关键步骤，确保可用）

1. 验证 Python 接口

打开 CMD，输入 python 进入 Python 交互环境，执行以下代码：

import tensorrt as trt
# 1. 检查版本（应输出 10.13.3.9）
print("TensorRT 版本：", trt.__version__)
# 2. 验证 CUDA 可用性（无报错则正常）
logger = trt.Logger(trt.Logger.WARNING)
builder = trt.Builder(logger)
print("Builder 创建成功，CUDA 环境正常！")

若输出如图20所示，说明 Python 接口安装成功。
图20：Python 接口验证成功

2. 验证 C++ 库（含 trtexec 工具）

trtexec 是 TensorRT 自带的命令行工具，可快速验证 C++ 库是否生效，同时支持模型引擎构建、性能测试等功能。结合你的实际执行结果，需重点澄清 “FAILED 提示的本质”—— 它并非安装失败，而是工具在无模型时的默认反馈，以下补充最基础的 --version 验证命令，并梳理完整验证流程：

（1）最基础验证：用 --version 确认版本读取正常

这是最简单的验证命令，直接检查 trtexec 是否能识别 TensorRT 版本：

  1. 执行命令：在激活虚拟环境的 CMD 中，输入 trtexec.exe 的完整路径（示例的安装目录为 C:\TensorRT-10.13.3.9）：

    验证命令之一

    C:\TensorRT-10.13.3.9\bin\trtexec.exe --version

  2. 预期输出与解读：

    • 成功标志：开头必然显示 &&&& RUNNING TensorRT.trtexec [TensorRT v101303] [b9]，其中 v101303 对应你安装的 TensorRT 10.13.3.9 版本，说明 trtexec 已成功加载 TensorRT 核心库，能正常读取版本信息；
    • 无需关注的 “FAILED”：末尾会出现 [E] Model missing or format not recognized 和 &&&& FAILED，这是工具的固有逻辑 —— 即使仅输入 --version，它仍会默认检查 “是否有模型需要处理”，因无模型可处理而标记 “流程失败”，但核心的 “版本验证” 已完成，与安装是否成功无关。

    示例输出（重点标注成功信息）：

    图21：运行命令后的输出界面

    图22：运行命令后的输出结束界面（应输出：[TensorRT v101303]）

    &&&& RUNNING TensorRT.trtexec [TensorRT v101303] [b9] # C:\TensorRT-10.13.3.9\bin\trtexec.exe --version
[09/13/2025-15:04:45] [I] TF32 is enabled by default...  # 库加载正常的附加提示
...（中间为工具帮助文档，无需关注）...
[09/13/2025-15:04:45] [E] Model missing or format not recognized  # 无模型的流程提示，非错误
&&&& FAILED TensorRT.trtexec [TensorRT v101303] [b9]
（2）补充验证：用 --device 确认 GPU 联动正常

GPU 联动验证：--device=0 --skipInference --verbose 确认硬件关联

若想进一步确认 TensorRT 与 GPU、CUDA 13.0 的联动，可在 --version 基础上增加 --device=0（指定第 1 块 GPU），命令如下：

验证命令之二

C:\TensorRT-10.13.3.9\bin\trtexec.exe --version --device=0

或者以下命令：

这条命令用于验证 TensorRT 与 GPU、CUDA 的联动是否正常，适合在 --version 基础上进一步确认：

验证命令之三

C:\TensorRT-10.13.3.9\bin\trtexec.exe --device=0 --skipInference --verbose

  • 参数作用：

    • --device=0：指定使用第 1 块 GPU（若只有 1 块，默认即为 0）；
    • --skipInference：跳过推理流程（减少无模型时的冗余检查）；
    • --verbose：输出详细日志，包括 GPU 信息。

  • 成功标志：仍会先输出 TensorRT v101303 版本信息，且无 “CUDA device not found”“GPU initialization failed” 等错误，说明 TensorRT 已能正常识别 GPU，底层依赖（CUDA、驱动）配置无误。

    图23：运行 命令之二 后的输出结束界面（应输出：[TensorRT v101303]）

        图24：运行 命令之三 后的输出结束界面（应输出：[TensorRT v101303]）

（3）功能验证：用 “模型处理” 彻底确认工具可用（进阶）

若有简单的 ONNX 模型（如 MNIST 手写数字识别模型 mnist.onnx），可通过 trtexec 构建推理引擎，这是验证工具完整功能的最直接方式：

  1. 准备模型：将 mnist.onnx 保存到 C:\models 目录（无模型可从 ONNX Model Zoo 下载）；
  2. 执行命令： 

    C:\TensorRT-10.13.3.9\bin\trtexec.exe --onnx=C:\models\mnist.onnx --saveEngine=C:\models\mnist.engine

  3. 预期结果：
    • 命令执行过程中无 “库缺失”“CUDA 错误” 等提示；
    • 最终在 C:\models 目录生成 mnist.engine（TensorRT 推理引擎文件）；
    • 输出末尾显示 &&&& PASSED，示例如下： 

      [09/13/2025-16:35:00] [I] Engine saved to C:\models\mnist.engine
&&&& PASSED TensorRT.trtexec [TensorRT v101303] [b9]

  • 解读：能成功处理模型并生成引擎，说明 trtexec 工具功能完整，TensorRT C++ 库安装完全正常。
总结：trtexec 验证的核心判断标准

无需纠结末尾是否有 FAILED，只要满足以下任一条件，即说明 TensorRT C++ 库安装成功：

  1. 执行 C:\TensorRT-10.13.3.9\bin\trtexec.exe --version 能输出 TensorRT v101303 版本信息；
  2. 执行 --version --device=0 无 GPU 相关错误；
  3. 能通过 trtexec 处理 ONNX 模型并生成 *.engine 文件，且末尾显示 &&&& PASSED。

当执行前 三 条带 --version 的命令无其他报错输出，或只执行其中 1 条，都基本足以证明 C++ 库加载正常，后续可放心基于 TensorRT 开发～

3. 运行 C++ 示例程序（进阶验证）

验证windows安装tensorrt - 知乎

#  示例程序所在目录

C:\TensorRT-10.13.3.9\samples\sampleOnnxMNIST

通过 TensorRT 自带的 sampleOnnxMNIST 示例，验证 C++ 开发环境：

  1. 进入示例目录：C:\TensorRT-10.13.3.9\samples\sampleOnnxMNIST，找到 sampleOnnxMNIST.sln（Visual Studio 解决方案文件），用 Visual Studio 2022 打开（如图25）。
    图25：打开示例程序解决方案（Visual Studio）

    图26：点击“打开本地文件夹”选项 

    图27：进入选择窗口，选择目录 C:\TensorRT-10.13.3.9

    图28：Visual Studio 检测到 CMakeLists.txt 询问是否启用 CMake 支持弹窗（可选启用 CMake 集成）

  2. 导航到可编译文件：在 Visual Studio 右侧文件夹视图选择“sample_onnx_mnist.sln”（如图29），右键点击 → 选择“重新生成”。

    图29：Visual Studio 中 TensorRT-10.13.3.9 目录结构（含示例项目）

    图30：选择“sample_onnx_mnist.sln”，右键点击 → 选择“重新生成”。

    图31：在 Visual Studio 左下角窗口查看生成进度。

    图32：生成进度：重新生成：1成功，0失败，0更新，0跳过。

  3. 运行示例：编译成功后，进入输出目录（如 C:\TensorRT-10.13.3.9\samples\sampleOnnxMNIST\x64\Release），双击 sampleOnnxMNIST.exe，若输出“&&& PASSED”（如图33），说明 C++ 环境完全正常。

    图33：进入目录运行示例程序

    图34：示例程序运行成功

六、常见问题解决（实操避坑）

问题现象原因分析解决方法
运行 trtexec 提示“找不到文件”环境变量 PATH 未配置，或配置后未重启 CMD1. 重新检查 PATH 中是否有 C:\TensorRT-10.13.3.9\lib；
2. 关闭所有 CMD，重新打开 IDE 重试
Python 导入 tensorrt 提示“DLL 缺失”Python 版本与 wheel 包不匹配确认 wheel 包后缀（如 cp310 对应 Python 3.10），重新下载安装匹配版本
示例程序编译报错“无法打开 include 文件”Visual Studio 未配置 TensorRT 路径参考本文“附录：Visual Studio 手动配置”，添加 include 和 lib 路径

附录：FaceFusion 配置 TensorRT 加速

本附录聚焦 FaceFusion 跨 CUDA 版本启用 TensorRT 加速的核心配置（含路径配置、环境变量设置），确保 TensorRT 库能被正确识别并稳定生效，适配项目推理加速需求。

（一）核心配置：TensorRT 路径与环境变量（确保加速生效）

FaceFusion 需明确 TensorRT 核心库的路径才能加载其执行器（系统 CUDA13.0，虚拟环境 CUDA 12.8），跨版本配置避免出现「找不到 TensorRT DLL 文件」等错误。

以下提供两种配置方式，可根据使用习惯任选其一。

1. 方式 1：通过 FaceFusion 项目配置文件（facefusion.ini）设置

适用于希望配置跟随项目目录，换环境后无需重新调整路径的场景（推荐团队协作或多环境切换时使用）。

步骤 1：确认 TensorRT 库文件路径

若通过虚拟环境的 .whl 包安装 TensorRT（如 pip install tensorrt-10.0.0-cp312-none-win_amd64.whl），核心库文件默认存储在虚拟环境的 site-packages 目录下，常见路径有两种（取决于 TensorRT 版本命名）：

  • 路径 1（主流版本）：
    F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib
  • 路径 2（部分版本命名差异）：
    F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt_cu12_libs\lib

验证路径有效性：打开上述路径，确认存在 nvinfer.dll、nvinfer_plugin.dll、nvonnxparser.dll 这三个 TensorRT 核心库文件（缺一不可）。

步骤 2：修改 / 新建 facefusion.ini
  1. 在 FaceFusion 项目根目录（F:\PythonProjects\facefusion）找到 facefusion.ini 文件；若不存在，直接新建一个文本文件并命名为 facefusion.ini。
  2. 在文件末尾添加以下配置，将 TENSORRT_PATH 替换为你实际的 TensorRT 库路径：

    ini

    [path]
# TensorRT 核心库路径（支持相对路径，基于项目根目录；也可写绝对路径，更稳妥）
TENSORRT_PATH = .venv\Lib\site-packages\tensorrt_cu12_libs\lib
     
    • 示例（绝对路径写法）：
      TENSORRT_PATH = F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib
    • 示例（相对路径写法）：
      TENSORRT_PATH = .venv\Lib\site-packages\tensorrt\lib
配置作用

该配置会直接告诉 FaceFusion 「去哪里加载 TensorRT 库」，无需依赖系统全局环境变量，避免因路径未暴露导致的加载失败。

图35：配置 facefusion.ini 文件

2. 方式 2：通过虚拟环境激活脚本设置（全局生效，推荐单人使用）

适用于个人开发场景，激活虚拟环境后自动配置 TensorRT 路径，无需每次修改项目配置文件。

原理

虚拟环境的 activate 脚本（activate.bat 或 activate.ps1）会在激活环境时自动执行。在脚本中添加 TensorRT 路径到系统 PATH，可确保每次激活环境后，系统都能找到 TensorRT 核心库。

（1）CMD 终端：编辑 activate.bat
  1. 导航到虚拟环境的 Scripts 目录（存放激活脚本的位置）： 

    cd F:\PythonProjects\facefusion\.venv\Scripts
  2. 用记事本打开 activate.bat，在文件末尾添加以下内容（替换为你的 TensorRT 库路径）： 

    :: -------------------------- TensorRT 环境配置 --------------------------
:: 将 TensorRT 核心库路径添加到系统 PATH，确保 FaceFusion 能加载库文件
set "PATH=F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib;%PATH%"
:: （可选）激活时打印提示，确认配置生效
echo [INFO] TensorRT 库路径已添加至系统 PATH：F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib
（2）PowerShell 终端：编辑 activate.ps1

若习惯用 PowerShell 操作，需修改对应的激活脚本：

  1. 同样导航到虚拟环境 Scripts 目录，用记事本打开 activate.ps1。
  2. 在文件末尾添加以下内容： 

    # -------------------------- TensorRT 环境配置 --------------------------
# 定义 TensorRT 核心库路径
$tensorrtLibPath = "F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib"
# 将路径添加到系统 PATH
$env:PATH = "$tensorrtLibPath;$env:PATH"
# （可选）绿色提示配置生效，便于确认
Write-Host "[INFO] TensorRT 库路径已添加至系统 PATH：$tensorrtLibPath" -ForegroundColor Green
验证配置是否生效

激活虚拟环境后，通过以下命令验证路径是否已添加：

  • CMD 终端：执行 echo %PATH%，查看输出内容中是否包含你的 TensorRT 库路径；
  • PowerShell 终端：执行 $env:PATH -split ';' | Find-String "tensorrt"，若输出 TensorRT 路径，说明配置成功。

（二）临时环境变量设置（应急测试场景）

若仅需临时测试 TensorRT 加速（如切换不同版本的 TensorRT 验证兼容性），无需修改配置文件，可在激活虚拟环境后，直接在终端中设置临时路径（关闭终端后失效，不影响现有配置）。

1. CMD 终端临时设置

# 将 TensorRT 库路径临时添加到 PATH
set "PATH=F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib;%PATH%"
# （可选）验证临时配置
echo [临时配置] TensorRT 路径已添加：F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib

2. PowerShell 终端临时设置

# 临时添加 TensorRT 路径
$env:PATH = "F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib;$env:PATH"
# （可选）验证临时配置
Write-Host "[临时配置] TensorRT 路径已添加：F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib" -ForegroundColor Cyan

（三）常见问题与排查方案

问题现象可能原因排查 / 解决步骤
启动 FaceFusion 提示「找不到 nvinfer.dll」TensorRT 路径配置错误，或路径中无核心库1. 确认 TENSORRT_PATH 指向的目录存在 nvinfer.dll 等核心库；
2. 若用方式 2，检查激活脚本中路径是否拼写正确。
TensorRT 执行器未加载（日志无 TensorrtExecutionProvider）路径未生效，或 TensorRT 版本与 CUDA 不匹配1. 重新激活虚拟环境（确保脚本配置生效）；
2. 确认 TensorRT 版本与 CUDA 匹配（如 CUDA 12.8 对应 TensorRT 10.0+）。
配置后仍提示「TensorRT 初始化失败」库文件损坏或权限不足1. 重新安装 TensorRT .whl 包（避免下载中断导致的文件损坏）；
2. 以「管理员身份」启动终端，再激活虚拟环境。

（四）配置方式对比与推荐

配置方式优点缺点推荐场景
facefusion.ini 项目配置跟随项目，多环境切换无需改路径换项目需重新配置团队协作、多项目开发
虚拟环境激活脚本配置激活即生效，全局可用，无需改项目文件换虚拟环境需重新配置个人开发、单项目长期使用
终端临时设置灵活，不影响现有配置关闭终端失效，需重复设置版本测试、临时验证

优先推荐：个人开发用「虚拟环境激活脚本配置」，一次配置永久生效；团队协作或多项目场景用「facefusion.ini 配置」，确保所有人路径统一。

通过以上配置，可确保 FaceFusion 正确加载 TensorRT 核心库，顺利启用推理加速，提升任务融合、帧增强等任务的处理速度。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/pingmian/96484.shtml
繁体地址，请注明出处：http://hk.pswp.cn/pingmian/96484.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

如何关闭电脑安全和防护

如何关闭电脑安全和防护

了解你希望关闭电脑的安全和防护功能。⚠️请务必注意，关闭这些防护会使电脑暴露在安全风险中，仅建议在必要时（如安装受信任但被误拦的软件、进行网络调试）临时操作，完成后请立即重新开启。 下面是一个快速操作指南表格…
阅读更多...
C# Entity Framework Core 的 CRUD 操作与关联查询实战示例

C# Entity Framework Core 的 CRUD 操作与关联查询实战示例

以下是基于 Entity Framework Core 的 CRUD 操作与关联查询实战示例，以 用户（User） 和 订单（Order） 实体为例（一对多关系），包含完整代码和操作说明。一、基础准备1. 实体类定义&…
阅读更多...
UniApp状态管理深度重构指南

UniApp状态管理深度重构指南

作为专业智能创作助手，我将帮助你逐步理解并实现UniApp状态管理的深度重构。UniApp基于Vue.js框架，其状态管理通常使用Vuex，但随着应用规模扩大，状态管理可能变得臃肿、难以维护。深度重构旨在优化性能、提升可维护性，…
阅读更多...
时序数据库：定义与基本特点

时序数据库：定义与基本特点

在当今的物联网（IoT）、 DevOps监控、金融科技和工业4.0时代，我们每时每刻都在产生海量的与时间紧密相关的数据。服务器CPU指标、智能电表读数、车辆GPS轨迹、股票交易记录……这些数据都有一个共同的核心特征：时间是它们不可分割的…
阅读更多...
linux系统安装wps

linux系统安装wps

在Linux系统上通过deb包安装WPS Office是个不错的选择。下面是一个主要步骤的概览，我会详细介绍每一步以及可能遇到的问题和解决方法。步骤概览关键操作说明/注意事项1. 下载DEB包访问WPS官网下载需选择与系统架构匹配的版本（通常是AMD64）2. …
阅读更多...
git常见冲突场景及解决办法

git常见冲突场景及解决办法

场景1.假设一开始 本地拉取了远程最新的代码 就是说本地和远程此时一样 然后本地写了一个新需求git commit了 但是没有提交到远程仓库 然后另外一个地方提交了某个功能的新代码 到远程 此时本地和远程的代码不一样了 而且本地有已经 commit的 这时候 这个本地想同步远程的最新代…
阅读更多...
Flink面试题及详细答案100道（41-60）- 状态管理与容错

Flink面试题及详细答案100道（41-60）- 状态管理与容错

《前后端面试题》专栏集合了前后端各个知识模块的面试题，包括html，javascript，css，vue，react，java，Openlayers，leaflet，cesium，mapboxGL，threejs&…
阅读更多...
【二开】CRMEB开源版按钮权限控制

【二开】CRMEB开源版按钮权限控制

【二开】CRMEB开源版按钮权限控制使用方法v-unique_auth"order-refund"<el-dropdown-itemv-unique_auth"order-refund">立即退款</el-dropdown-item >或者 满足其中一个即可v-unique_auth"[order-delete,order-dels]"通过管理端权限…
阅读更多...
AOSP源码下载及编译错误解决

AOSP源码下载及编译错误解决

源码下载 软件下载sudo apt-get updatesudo apt-get install gitsudo apt-get install curlsudo apt-get install adbsudo apt-get install reposudo apt-get install vimsudo apt-get install -y git devscripts equivs config-package-dev debhelper-compat golang curl配置g…
阅读更多...
实验-高级acl（简单）

实验-高级acl（简单）

实验-高级acl&#xff08;简单&#xff09;预习一、实验设备二、拓扑图三、配置3.1、网络互通3.2、配置ACL3.3、取消配置步骤1&#xff1a;先移除接口上的ACL应用步骤2&#xff1a;修改或删除ACL中的错误规则方法A&#xff1a;直接删除错误规则&#xff08;保留其他正确规则&am…
阅读更多...
IoC / DI 实操

IoC / DI 实操

1. 建三层类包结构&#xff1a;com.lib ├─ config ├─ controller ├─ service ├─ repository ├─ model └─ annotation // 自定义限定符① 实体 Bookpackage com.lib.model; public class Book {private Integer id;private String title;// 全参构造 gette…
阅读更多...
AdsPower RPA 从excel中依次读取多个TikTok账号对多个TikTok账号目标发送信息

AdsPower RPA 从excel中依次读取多个TikTok账号对多个TikTok账号目标发送信息

多个账号对多个目标发送子场景 B&#xff1a;多个账号向“不同的”目标循环发送&#xff08;最复杂的群发逻辑&#xff09;流程&#xff1a;Excel表中有一个“目标用户”列表。RPA流程会进行嵌套循环&#xff1a;外层循环&#xff1a;遍历Excel中的每一行数据&#xff08;即每一…
阅读更多...
扩散模型进化史

扩散模型进化史

一幅精美的图片&#xff0c;一段精彩的视频&#xff0c;可能始于一片纯粹的噪声。 2024年的计算机视觉顶会CVPR上&#xff0c;扩散模型成为绝对主角。从图像生成到视频理解&#xff0c;从超分辨率到3D建模&#xff0c;扩散模型正以惊人的速度重塑着AIGC&#xff08;AI生成内容&…
阅读更多...
一次 Linux 高负载 (Load) 异常问题排查实录

一次 Linux 高负载 (Load) 异常问题排查实录

一次 Linux 高负载&#xff08;Load&#xff09;异常排查实录一、背景及排查过程材料二、排查分析2.1Load 的真正含义2.2&#xff1a;确认异常进程2.3&#xff1a;线程卡在哪&#xff08;wchan&#xff09;2.4&#xff1a;perf 采样&#xff08;用户态/内核态热点&#xff09;2…
阅读更多...
浅析Linux进程信号处理机制：基本原理及应用

浅析Linux进程信号处理机制：基本原理及应用

文章目录概述信号类型可靠信号与不可靠信号Fatal信号与Non Fatal信号不可捕获/忽略信号信号工作机制信号处理方式信号嵌套处理信号使用信号发送kill命令注册信号处理函数信号安全与函数可重入性可重入函数线程安全与可重入性相关参考概述 Linux信号机制是进程间通信的一种方式…
阅读更多...
【学习K230-例程19】GT6700-TCP-Client

【学习K230-例程19】GT6700-TCP-Client

B站视频 TCP TCP/IP&#xff08;Transmission Control Protocol/Internet Protocol&#xff0c;传输控制协议/网际协议&#xff09;是指能够在多个不同网络间实现信息传输的协议簇。TCP/IP 协议不仅仅指的是 TCP和 IP 两个协议&#xff0c;而是指一个由 FTP、SMTP、TCP、UDP、I…
阅读更多...
o2oa待办流程和已办流程表

o2oa待办流程和已办流程表

在o2oa系统中每个用户有两种唯一标识&#xff1a;第一种是姓名个人钉钉ID&#xff08;或者o2oa创建该用户时设置的id&#xff09;ORG_PERSON.xdistinguishedName刘准3013692136672430P第二种是姓名所在部门的钉钉id个人钉钉idORG_IDENTITY.xdistinguishedName刘准966488616_301…
阅读更多...
QT零基础入门教程

QT零基础入门教程

基础篇第一章 QT 基础认知1.1 什么是 QT&#xff08;What&#xff09;​定义&#xff1a;跨平台 C 应用开发框架&#xff0c;不仅用于 UI 设计&#xff0c;还包含核心功能&#xff08;如事件、网络、数据库&#xff09;。​核心特性&#xff1a;​跨平台&#xff1a;一套代码支…
阅读更多...
远程依赖管理新范式：cpolar赋能Nexus全球协作

远程依赖管理新范式：cpolar赋能Nexus全球协作

文章目录 前言一. Docker安装Nexus二. 本地访问Nexus三. Linux安装Cpolar四. 配置Nexus界面公网地址五. 远程访问 Nexus界面六. 固定Nexus公网地址七. 固定地址访问Nexus 前言 Nexus作为一款企业级仓库管理工具&#xff0c;其核心功能在于集中管理各类软件依赖&#xff0c;提供…
阅读更多...
Prompt技术深度解析：从基础原理到前沿应用的全面指南

Prompt技术深度解析：从基础原理到前沿应用的全面指南

引言 在人工智能技术飞速发展的今天&#xff0c;Prompt技术&#xff08;提示词工程&#xff09;已成为连接人类智慧与机器智能的重要桥梁。随着GPT-4、Claude、Gemini等大型语言模型的广泛应用&#xff0c;如何有效地与这些AI系统进行交互&#xff0c;已成为决定AI应用成功与否…
阅读更多...
最新文章

Copyright @ 2022~2023