WSL 搭建深度学习环境，流程基本上是一样的，完整细节可参考我之前的博客：

在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装_cuda 12.8 pytorch版本-CSDN博客

之所以记录下来，是因为CUDA和cuDNN版本升级后，部分安装细节有调整（便捷度提升），所以单独开篇记录。

一、引言

因需安装依赖本地CUDA编译的软件包，需完整部署CUDA Toolkit、cuDNN及PyTorch环境。从CUDA12.9版本起，NVIDIA支持通过Anaconda安装cuDNN，故调整流程为先装Anaconda（前置）→再装CUDA13.0→接着装cuDNN9.12→最后装PyTorch，确保版本适配且操作高效，关键步骤附官方及实操参考链接，保障可复现性。

二、前提条件（Windows端+WSL端）

（一）Windows系统准备

  1. 安装NVIDIA官方显卡驱动（需支持CUDA13.0，版本≥535.xx）：打开Windows cmd，执行nvidia-smi，确认输出中“CUDA Version”≥13.0；
  2. 启用WSL2并安装Ubuntu系统（推荐22.04/24.04 LTS）：终端执行wsl --list --verbose，确认WSL版本为2；
  3. （可选）安装Microsoft Visual Studio：用于跨平台编译需求，参考CUDA官方前置要求。

（二）WSL2-Ubuntu准备

  1. 配置网络：开启系统代理（避免下载缓慢，参考WSL2怎么设置网络自动代理）；
  2. 权限与更新：确保拥有sudo权限，执行系统更新命令： 
    sudo apt update && sudo apt upgrade -y

三、第一步：安装Anaconda（前置核心步骤）

WSL - Linux 安装 Anaconda3-2025.06-0 详细教程 [WSL 分发版均适用]_wsl安装anaconda-CSDN博客

3.1 下载Anaconda安装包

  1. 从Anaconda官网查询最新Linux版本（截至2025年8月，推荐Anaconda3-2025.07-Linux-x86_64.sh）；
  2. 终端执行下载命令（保存至/tmp目录，避免占用用户目录）： 
    wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2025.07-Linux-x86_64.sh

3.2 运行安装脚本

  1. 执行安装命令： 
    bash /tmp/Anaconda3-2025.07-Linux-x86_64.sh
  2. 交互操作：
    • 按ENTER翻页阅读许可协议，直至出现“Do you accept the license terms? [yes|no]”，输入yes；
    • 确认安装路径（默认/home/[用户名]/anaconda3，推荐默认），按ENTER；
    • 询问“是否初始化Anaconda到shell”，必须输入yes（自动配置环境变量，为后续conda安装cuDNN铺路）。

3.3 验证Anaconda安装

  1. 生效环境变量：关闭当前终端并重新打开，或执行source ~/.bashrc（Zsh用户为source ~/.zshrc）；
  2. 验证命令： 
    conda --version  # 输出如“conda 25.7.0”，说明conda命令可用
conda env list   # 显示base环境及路径，确认环境正常

参考链接：在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Anaconda3

四、第二步：安装CUDA13.0 Toolkit

4.1 验证WSL与GPU通信

终端执行nvidia-smi，确认输出中“CUDA Version”≥13.0（若未显示，需更新Windows端显卡驱动）。

nvidia-smi

无需登录（关闭登录窗口即可）

CUDA 与 cuDNN 免登录下载政策详解（基于官方权威信息）_cudnn下载-CSDN博客

CUDA Toolkit 13.0 Downloads | NVIDIA Developer

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-13-0

4.2 下载并安装CUDA密钥环

  1. 执行下载命令（从NVIDIA WSL-Ubuntu专属仓库获取）： 
    (base) love@AI:~$ wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
    • 下载日志： 
      --2025-08-24 11:31:34--  https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
Connecting to 127.0.0.1:7897... connected.
Proxy request sent, awaiting response... 200 OK
Length: 4328 (4.2K) [application/x-deb]
Saving to: ‘cuda-keyring_1.1-1_all.deb’
cuda-keyring_1.1-1_all.deb    100%[=================================================>]   4.23K  --.-KB/s    in 0s
2025-08-24 11:31:36 (912 MB/s) - ‘cuda-keyring_1.1-1_all.deb’ saved [4328/4328]
  2. 安装密钥环（确保后续CUDA包来源可信）： 
    (base) love@AI:~$ sudo dpkg -i cuda-keyring_1.1-1_all.deb
    • 安装日志（关键片段）： 
      [sudo] password for love:
Selecting previously unselected package cuda-keyring.
(Reading database ... 40769 files and directories currently installed.)
Preparing to unpack cuda-keyring_1.1-1_all.deb ...
Unpacking cuda-keyring (1.1-1) ...
Setting up cuda-keyring (1.1-1) ...

4.3 更新软件源并安装CUDA13.0

  1. 更新软件包列表： 
    (base) love@AI:~$ sudo apt-get update
    • 更新日志（关键片段）： 
      Hit:1 http://security.ubuntu.com/ubuntu noble-security InRelease
Hit:2 http://archive.ubuntu.com/ubuntu noble InRelease
Get:3 http://archive.ubuntu.com/ubuntu noble-updates InRelease [126 kB]
Get:4 https://developer.download.nvidia.cn/compute/cuda/repos/wsl-ubuntu/x86_64  InRelease [1581 B]
Fetched 3275 kB in 4s (741 kB/s)
Reading package lists... Done
  2. 安装CUDA13.0 Toolkit（指定版本避免自动升级）： 
    (base) love@AI:~$ sudo apt-get -y install cuda-toolkit-13-0
    • 安装过程：系统自动下载3389 MB依赖包（含cuda-cccl-13-0、cuda-nvcc-13-0等核心组件），最终提示“Setting up cuda-toolkit-13-0 (13.0.0-1) …”，表示安装完成。

4.4 配置CUDA环境变量

  1. 编辑shell配置文件（以Bash为例）： 
    nano ~/.bashrc
  2. 在文件末尾添加以下内容（指定CUDA13.0安装路径）： 
    export PATH=/usr/local/cuda-13.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-13.0
  3. 保存并生效：按Ctrl+X→输入Y→按ENTER，执行source ~/.bashrc。

4.5 验证CUDA13.0安装

nvcc -V  # 输出如“Cuda compilation tools, release 13.0, V13.0.48”
ls /usr/local/cuda-13.0  # 显示bin、lib64、include等目录，确认安装完整性

参考链接：在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 CUDA 的记录；

官方指引：CUDA下载（WSL-Ubuntu deb_network方式）

五、第三步：安装cuDNN9.12（Anaconda方式）

CUDA 深度神经网络库 (cuDNN) | NVIDIA 开发者

同样是免登录下载和安装。

官方文档更新未及时，注意修改“cuda-version=”的版本号。

一般 cuDNN 能自动降级适配CUDA，但较老的 cuDNN 版本可能无法向后兼容较新版本的 CUDA 。

cuDNN 安装命令：

conda install nvidia::cudnn cuda-version=13

或者：

conda install nvidia::cudnn=9.12 cuda-version=13

5.1 激活Anaconda环境

  1. 确保处于base环境（终端前缀显示(base)），若未激活执行： 
    conda activate base
  2. （可选）创建独立虚拟环境（推荐，避免污染base环境）： 
    conda create -n cuda13_env python=3.13  # 适配Python 3.13版本
conda activate cuda13_env

5.2 通过conda安装cuDNN9.12

  1. 执行安装命令（指定与CUDA13.0兼容的cuDNN9.12版本）： 
    (base) love@AI:~$ conda install nvidia::cudnn=9.12 cuda-version=13
  2. 安装日志（关键片段）： 
    Channels:- defaults- nvidia
Platform: linux-64
Collecting package metadata (repodata.json): done
Solving environment: done
## Package Plan ##environment location: /home/love/anaconda3added / updated specs:- cuda-version=13- nvidia::cudnn=9.12
The following NEW packages will be INSTALLED:cuda-version       pkgs/main/noarch::cuda-version-13.0-hbda6634_3cudnn              nvidia/linux-64::cudnn-9.12.0.46-h2b6041c_0libcudnn           nvidia/linux-64::libcudnn-9.12.0.46-h24322f0_0libcudnn-dev       nvidia/linux-64::libcudnn-dev-9.12.0.46-h2b6041c_0
Proceed ([y]/n)? y
Downloading and Extracting Packages:
Preparing transaction: done
Verifying transaction: done
Executing transaction: done

5.3 验证cuDNN9.12安装

  1. 查看conda已安装包： 
    conda list | grep cudnn  # 输出“cudnn                     9.12.0.46          h2b6041c_0    nvidia”
  2. 检查库文件路径（conda环境内）： 
    ls $CONDA_PREFIX/lib/libcudnn*  # 显示libcudnn.so、libcudnn_static.a等文件

参考链接：Windows 11 系统下，通过 WSL 里的 Ubuntu 24.04 安装 CUDNN 记录；

CUDA与cuDNN适配说明：是否需要预先安装CUDA Toolkit?

六、第四步：安装PyTorch（适配CUDA13.0）

Get Started

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129

6.1 执行安装命令

从PyTorch官方仓库（https://download.pytorch.org/whl/cu129 ）安装适配CUDA13.0的版本（CUDA向下兼容，cu129包支持CUDA13.0）：

(base) love@AI:~$ pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129

6.2 安装日志（关键片段）

Looking in indexes: https://download.pytorch.org/whl/cu129
Collecting torchDownloading https://download.pytorch.org/whl/cu129/torch-2.8.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl.metadata (30 kB)
Collecting torchvisionDownloading https://download.pytorch.org/whl/cu129/torchvision-0.23.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl.metadata (6.1 kB)
# 自动下载依赖（nvidia-cuda-nvrtc-cu12、nvidia-cudnn-cu12等）
Downloading https://download.pytorch.org/whl/cu129/torch-2.8.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl (1240.3 MB)━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.2/1.2 GB 1.9 MB/s eta 0:00:00
Successfully installed nvidia-cublas-cu12-12.9.1.4 ... torch-2.8.0+cu129 torchvision-0.23.0+cu129 triton-3.4.0

七、第五步：完整验证深度学习环境

验证PyTorch深度学习环境Torch和CUDA还有cuDNN是否正确配置的命令-CSDN博客

验证代码示例（python环境）：

import torch  # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device)  # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z)  # 输出张量 z 的内容

7.1 Python交互模式验证（核心步骤）

  1. 终端进入Python环境： 
    (base) love@AI:~$ python
Python 3.13.5 | packaged by Anaconda, Inc. | (main, Jun 12 2025, 16:09:02) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>
  2. 执行验证代码： 
    import torch
# 1. 验证版本信息
print("PyTorch 版本：", torch.__version__)  # 输出“2.8.0+cu129”
print("支持的 CUDA 版本：", torch.version.cuda)  # 输出“12.9”（向下兼容CUDA13.0）
print("cuDNN 版本：", torch.backends.cudnn.version())  # 输出“91204”（对应cuDNN9.12）# 2. 验证GPU可用性
print("CUDA 可用：", torch.cuda.is_available())  # 输出“True”
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 输出“True”
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("当前设备：", device)  # 输出“cuda:0”
print("GPU 设备名：", torch.cuda.get_device_name(0))  # 输出GPU型号（如“NVIDIA GeForce RTX 4090”）# 3. 验证GPU张量运算（核心功能验证）
x = torch.rand(5, 3).to(device)  # 创建随机张量并转移到GPU
y = torch.rand(5, 3).to(device)
z = x + y  # GPU上执行张量相加
print("GPU 张量运算结果：\n", z)
  3. 预期输出（示例）： 
    PyTorch 版本： 2.8.0+cu129
支持的 CUDA 版本： 12.9
cuDNN 版本： 91204
CUDA 可用： True
cuDNN 已启用： True
当前设备： cuda:0
GPU 设备名： NVIDIA GeForce RTX 4090
GPU 张量运算结果：tensor([[1.0225, 1.4994, 1.9415],[0.8256, 1.4385, 1.3833],[0.8874, 0.4490, 1.1313],[1.4452, 0.3707, 1.2173],[0.8632, 1.1795, 1.0678]], device='cuda:0')

7.2 额外验证（可选，确保编译功能）

  1. 验证CUDA编译器： 
    nvcc --version  # 确认CUDA编译器正常，支持本地编译
  2. 验证conda环境与系统CUDA协同： 
    echo $CUDA_HOME  # 输出“/usr/local/cuda-13.0”，确认环境变量生效
echo $LD_LIBRARY_PATH | grep $CONDA_PREFIX/lib  # 确认conda的cuDNN路径被识别

八、注意事项与常见问题

  1. 版本兼容性：
    • 确保cuDNN版本（9.12）与CUDA13.0匹配，可通过NVIDIA cuDNN兼容性表查询；
    • Python版本推荐3.9~3.13，避免过高版本导致依赖包不兼容。
  2. 网络问题：
    • 若conda/pip下载缓慢，配置国内镜像（如清华conda镜像：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/nvidia/）；
    • 若CUDA源无法访问，替换为中科大CUDA源：sudo sed -i 's/developer.download.nvidia.com/mirrors.ustc.edu.cn\/nvidia-cuda/' /etc/apt/sources.list.d/cuda.list。
  3. 编译报错处理：
    • 若报错“nvcc not found”，重新执行source ~/.bashrc；
    • 若报错“libcudnn.so not found”，激活conda环境（conda activate cuda13_env）并执行export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH。

九、结语

本文完成WSL2-Ubuntu中Anaconda→CUDA13.0→cuDNN9.12→PyTorch的完整部署，通过实操日志和多维度验证，确保环境支持本地CUDA编译与GPU加速深度学习任务。后续可基于此环境安装依赖CUDA的自定义软件包（如深度学习框架插件、自定义算子），直接用于模型训练与推理开发。

参考链接汇总

  1. Anaconda安装：https://aicity.blog.csdn.net/article/details/144737143?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  2. CUDA13.0安装：https://aicity.blog.csdn.net/article/details/144735570?spm=1011.2415.3001.10575&sharefrom=mp_manage_link；
  3. 官方指引：https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&Distribution=WSL-Ubuntu&target_version=2.0&target_type=deb_network
  4. cuDNN9.12安装：https://aicity.blog.csdn.net/article/details/144734627?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  5. 网络代理配置：https://blog.csdn.net/u014451778/article/details/146073726?sharetype=blog&shareId=146073726&sharerefer=APP&sharesource=u014451778&sharefrom=link
  6. CUDA Toolkit场景说明：https://aicity.blog.csdn.net/article/details/148660071?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  7. PyTorch下载源：https://download.pytorch.org/whl/cu129

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/news/920332.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/920332.shtml
英文地址，请注明出处：http://en.pswp.cn/news/920332.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

OpenFOAM中梯度场的复用(caching)和生命期管理

OpenFOAM中梯度场的复用(caching)和生命期管理

文章目录OpenFOAM中梯度场的复用(caching)和生命期管理一、缓存机制的目标二、如何实现缓存（以 fvc::grad 为例）1. 使用 IOobject::AUTO_WRITE 和注册名2. 示例：fvc::grad 的缓存实现（简化逻辑）三、生命期管理是如何实…
阅读更多...
【Hot100】贪心算法

【Hot100】贪心算法

系列文章目录 【Hot100】二分查找 文章目录系列文章目录方法论Hot100 之贪心算法121. 买卖股票的最佳时机55. 跳跃游戏45. 跳跃游戏 II763. 划分字母区间方法论 Hot100 之贪心算法 121. 买卖股票的最佳时机 121. 买卖股票的最佳时机：给定一个数组 prices &#…
阅读更多...
电子电气架构 --- 软件项目复杂性的驾驭思路

电子电气架构 --- 软件项目复杂性的驾驭思路

我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 做到欲望极简，了解自己的真实欲望，不受外在潮流的影响，不盲从，不跟风。把自己的精力全部用在自己。一是去掉多余，凡事找规律，基础是诚信；二是…
阅读更多...
SSE实时通信与前端联调实战

SSE实时通信与前端联调实战

1.SSE 原理机制 sse 类似websocket,但是sse是单向的，不可逆的，只能服务端向客户端发送数据流 2.解决跨域问题 Access to XMLHttpRequest at http://127.0.0.1:8090/sse/doChat from origin http://127.0.0.1:3000 has been blocked by CORS policy: Re…
阅读更多...
从传统到创新：用报表插件重塑数据分析平台

从传统到创新：用报表插件重塑数据分析平台

一、传统 BI 平台面临的挑战 在当今数字化时代，数据已成为企业决策的重要依据。传统的商业智能（BI）平台在数据处理和分析方面发挥了重要作用，但随着数据量的爆炸式增长和用户需求的日益多样化，其局限性也逐渐显现。 …
阅读更多...
MySQL--MySQL中的DECIMAL 与 Java中的BigDecimal

MySQL--MySQL中的DECIMAL 与 Java中的BigDecimal

1. 为什么需要 DECIMAL在数据库中，常见的数值类型有：INT、BIGINT → 整数，存储容量有限。FLOAT、DOUBLE → 浮点数，存储效率高，但存在精度丢失问题。DECIMAL(M, D) → 定点数，存储精确值。例子：…
阅读更多...
低空无人机系统关键技术与应用前景：SmartMediaKit视频链路的基石价值

低空无人机系统关键技术与应用前景：SmartMediaKit视频链路的基石价值

引言：低空经济的新兴格局 低空经济作为“新质生产力”的代表，正在从政策驱动、技术突破和市场需求的共振中走向产业化。2023年，中国低空经济的市场规模已超过 5000 亿元人民币，同比增长超过 30%。无人机（UAV&#xff…
阅读更多...
在Windows系统上升级Node.js和npm

在Windows系统上升级Node.js和npm

在Windows系统上升级Node.js和npm，我推荐以下几种方法： 方法1：使用官网安装包（最简单） 访问 nodejs.org 下载Windows安装包（.msi文件） 运行安装包，选择"修复"或直接安装新…
阅读更多...
【Jetson】基于llama.cpp部署gpt-oss-20b（推理与GUI交互）

【Jetson】基于llama.cpp部署gpt-oss-20b（推理与GUI交互）

前言 本文在jetson设备上使用llama.cpp完成gpt-oss 20b的部署，包括后端推理和GUI的可视化交互。 使用的设备为orin nx 16g（super），这个显存大小推理20b的模型完全没有问题。 使用硬件如下，支持开启super模式。&#…
阅读更多...
Matplotlib 可视化大师系列（一）：plt.plot() - 绘制折线图的利刃

Matplotlib 可视化大师系列（一）：plt.plot() - 绘制折线图的利刃

目录Matplotlib 可视化大师系列博客总览Matplotlib 可视化大师系列（一）：plt.plot() - 绘制折线图的利刃一、 plt.plot() 是什么？二、 函数原型与核心参数核心参数详解三、 从入门到精通：代码示例示例 1：最基…
阅读更多...
第二阶段Winfrom-8：特性和反射，加密和解密，单例模式

第二阶段Winfrom-8：特性和反射，加密和解密，单例模式

1_预处理指令 （1）源代码指定了程序的定义，预处理指令（preprocessor directive）指示编译器如何处理源代码。例如，在某些情况下，我们希望编译器能够忽略一部分代码，而在其他情况下&am…
阅读更多...
【开题答辩全过程】以 微信小程序的医院挂号预约系统为例，包含答辩的问题和答案

【开题答辩全过程】以 微信小程序的医院挂号预约系统为例，包含答辩的问题和答案

个人简介一名14年经验的资深毕设内行人，语言擅长Java、php、微信小程序、Python、Golang、安卓Android等开发项目包括大数据、深度学习、网站、小程序、安卓、算法。平常会做一些项目定制化开发、代码讲解、答辩教学、文档编写、也懂一些降重方面的技巧。感谢大家的…
阅读更多...
鸿蒙ArkUI 基础篇-06-组件基础语法-Column/Row/Text

鸿蒙ArkUI 基础篇-06-组件基础语法-Column/Row/Text

目录 掌握组件写法，使用组件布局界面 ArkUI与组件 先布局再内容 DevEco Studio代码实战 预览效果 总结 练习 掌握组件写法，使用组件布局界面 ArkUI与组件 ArkUI（方舟开发框架）：构建 鸿蒙 应用 界面 的框架 组件…
阅读更多...
8.27 网格memo

8.27 网格memo

lc329计算矩阵中最长递增路径长度尝试从矩阵每个位置出发，int dfs() 往上下左右四个方向找严格递增的路径retmax(ret,dfs(x,y)1);return memo[i][j]ret;返回所有路径里的最长长度 class Solution {public:int dx[4]{0,0,1,-1};int dy[4]{1,-1,0,0};int m,n;vector&l…
阅读更多...
flume监控文件写入 Kafka 实战：解耦应用与消息队列的最佳实践

flume监控文件写入 Kafka 实战：解耦应用与消息队列的最佳实践

flume监控文件写入 Kafka 实战：解耦应用与消息队列的最佳实践 在日志采集场景中，直接让应用程序通过 log4j2 写入 Kafka 会导致应用与 Kafka 强耦合（如 Kafka 故障可能影响应用运行）。更优的方案是：应用程序将日志写入…
阅读更多...
从浏览器无法访问到Docker容器的 FastAPI 服务地址【宿主机浏览器和容器不在同一个网络层面：端口映射】

从浏览器无法访问到Docker容器的 FastAPI 服务地址【宿主机浏览器和容器不在同一个网络层面：端口映射】

文章目录1. 问题根源：Docker 网络模型2. 解决方案：端口映射（Port Mapping）方法 1：重新运行容器并添加端口映射（推荐）方法 2：获取宿主机的 IP 进行访问（特定情况&#xff…
阅读更多...
线性代数中矩阵等价与离散数学中关系的闭包之间的关联

线性代数中矩阵等价与离散数学中关系的闭包之间的关联

最近在重温线性代数时，学到矩阵的等价的定义及其性质，发现其性质与离散数学中关系的闭包所要满足的性质非常相似，不由的让人不怀疑这二者之间存在某种关联，从而引发以下的思考：从deepseek的回答中我明白了矩阵的等价其…
阅读更多...
从MyJUnit反思Java项目的工程实践(版本控制篇)

从MyJUnit反思Java项目的工程实践(版本控制篇)

从 MyJUnit 反思Java项目的工程实践(版本控制篇) 参考资料 deepseekgithub copilotCSDN-Git代码管理工作流程：GitFlow详解Conventional Commits手册封面来自 qwen-image 遵循 git flow 分支管理模型 Git Flow 是一种围绕项目发布的核心分支模型, 它规定了不同的开发…
阅读更多...
小工具推荐

小工具推荐

小工具 ​ 平时不太喜欢去搜罗一些好用的工具，但是看到自己感兴趣的还是会记下来，有的是github上的开源项目，有的是一些直接在线的工具。主要是除了工作时间也不知道去干点什么，或者是和朋友玩玩游戏，或者是city walk…
阅读更多...
【js】加密库sha.js 严重漏洞速查

【js】加密库sha.js 严重漏洞速查

前言sha.js 是 JavaScript 生态里最常用的轻量级加密库。它由 Browserify 社区维护，体积不足 20 KB，却实现了 SHA-1、SHA-224、SHA-256、SHA-384、SHA-512 全系列算法，是 crypto-browserify、webpack、web3.js 等数百个流行包的“根依赖”。而…
阅读更多...
最新文章

Copyright @ 2022~2023