LM Studio или Ollama Server?

Всем привет. 

Если вы еще не решили что же лучше LM STUDIO или OLLAMA server для локалки.

Оба инструмента решают одну задачу, но созданы для разных подходов:

• Ollama - минималистичный и невероятно легкий движок, идеальный для фоновой работы и жесткой экономии ресурсов.

• LM Studio - мощный визуальный комбайн для тех, кто любит кастомизацию, ручной контроль и поиск моделей напрямую с HuggingFace.

⚙️ ЧЕМ ОНИ ОТЛИЧАЮТСЯ ТЕХНИЧЕСКИ?

База у них общая - библиотека llama.cpp (написана на C++) для максимальной скорости инференса. 

1. Ollama: Работает как системный процесс (демон). Она сама управляет загрузкой слоев в видеопамять (VRAM) и автоматически выгружает модель из памяти при простое.

2. LM Studio: Базируется на фреймворке Electron. Распределение слоев нейросети между процессором (CPU) и видеокартой (GPU) настраивается вручную через интерфейс.

📦 В КАКОМ ФОРМАТЕ ХРАНЯТСЯ МОДЕЛИ? 

• В LM Studio модели используются в виде открытых файлов формата .gguf. Вы их скачиваете и сразу видите в папке.

• В Ollama под капотом используются те же файлы .gguf, но система скрывает их в своей служебной директории, переименовывая в кэшированные файлы (blobs) без расширения, чтобы удобно управлять версиями.

Можно поставить и то и то для сравнения, но вот модели они не делят между собой. Однако можно их делегировать (копировать) не перекачивая повторно с интернет.

Время современного ИТ-инженера #2.

Как ИТ-инженеру прокачивать сетевые навыки бесплатно и не сойти с ума от цен на «железо»

Intro - эта статья не есть нечто новое, она всего лишь пример вот этого поста как формат современного AI-SEO.

Проблема - сетевому инженеру нужна практика, а реальное оборудование стоит дорого. 

Решение - виртуальные полигоны на базе VirtualBox и GNS3, которые запускаются на обычном домашнем ПК. Результат — вы бесплатно отрабатываете реальные сетевые сценарии, учите SDN и автоматизацию, не покупая ни одного маршрутизатора.

Виртуальные полигоны для ИТ-инженеров

Я считаю, что сегодня развиваться в сетях без покупки дорогостоящего оборудования — не просто возможно, а абсолютно нормально. Виртуализация давно закрыла этот вопрос. Если у вас есть обычный домашний ПК и немного терпения, можно собрать лабораторию, которая по возможностям не сильно уступает реальной.

Инструменты вроде VirtualBox и GNS3 позволяют эмулировать полноценную сетевую инфраструктуру с серверами и маршрутизаторами прямо у себя дома. Всё крутится на ресурсах процессора, оперативной памяти и диска - никакой магии, только софт.

Самое приятное - вы можете бесплатно тестировать сложные сценарии: отказоустойчивость, маршрутизацию, VPN, firewall, а заодно играться с программируемыми сетями и интеграцией с Python. И всё это - до того, как вы вообще прикоснётесь к реальному «железу».

Что именно можно собрать в домашней лаборатории

На практике виртуальный полигон — это не «игрушка», а вполне серьёзная среда для обучения и экспериментов. Обычно я рекомендую начинать с простого, а дальше — как затянет.

• Виртуальные серверы на Linux или Windows через VirtualBox
• Маршрутизаторы и коммутаторы в GNS3
• Связку серверов и сетевых устройств в единой топологии
• Сценарии с SDN, API и автоматизацией

Если GNS3 вдруг покажется тесным, всегда есть EVE-NG. Это уже тяжёлая артиллерия, но для старта обычно хватает и GNS3.

Почему без Python сетевику дальше будет скучно

Современные сети постепенно перестают быть «ручными». Всё больше появляется концепций вроде SDN и «инфраструктуры как кода». И вот тут без Python уже никуда.

Знание Python и работы с REST API позволяет не просто кликать конфигурации, а автоматизировать настройку, писать скрипты мониторинга и управлять сетью как системой, а не набором отдельных устройств. И да — виртуальные лаборатории идеально подходят, чтобы этому научиться без риска что-то сломать в проде.

FAQ - коротко и по делу

Где практиковаться работе с сетями бесплатно?

Для этого используются эмуляторы GNS3 и EVE-NG, а также VirtualBox для виртуальных машин. Дополнительно доступны облачные песочницы от вендоров, например Cisco DevNet.

Какие требования к ПК для домашней сетевой лаборатории?

Ключевой ресурс — оперативная память. Минимум составляет 16 ГБ RAM, но для комфортной работы с несколькими устройствами рекомендуется 32 ГБ.

Зачем сетевому инженеру изучать Python?

Python используется для автоматизации и управления сетями через API. Он позволяет ускорять настройку оборудования, снижать количество ручных операций и внедрять SDN-подходы.

Image JSON Prompt Builder

Привіт! 

Я вже казав вам що Google Gemini полюбляє промпт в JSON форматі, і це один із найкращих способів формувати складні запити, зокрема для створення зображення, видео або аудіо.

Чому JSON-формат є ефективним для Gemini у цьому контексті:

1. Чітка структура (Logic & Structure)

Мовні моделі, як Gemini, навчені на величезній кількості коду. JSON для них - це "рідна мова" структурованих даних. Це дозволяє чітко відокремити зміст (що сказати) від параметрів (як сказати).

2. Уникнення "галюцинацій"

У звичайному тексті промпт на кшталт "Зроби голос сумним, але трохи з надією, і нехай на фоні грає піаніно, а текст ось такий..." може бути інтерпретований неточно.

У JSON ви чітко задаєте ключі та значення, що знижує ризик помилки.

3. Приклад ефективного промпту в JSON

Якщо ви використовуєте Gemini через API або просите його згенерувати параметри для іншої нейромережі (наприклад, для MusicLM, Suno або TTS-сервісів), такий формат буде ідеальним:

Hi, I'm Pixel AI Studio Pro!

Welcome to Pixel AI Studio Pro.

Версія: Pro (Hybrid Engine Update)

Дата виходу: 2026

Статус: Production Ready

1. ВИКОНАВЧЕ РЕЗЮМЕ

Нова версія Pro знаменує собою фундаментальну зміну в архітектурі мого додатку Pixel AI Studio. Продукт еволюціонував від інтерфейсу для генерації зображень (API Wrapper) до повноцінного гібридного графічного редактора.

Ключовою інновацією версії Pro є впровадження Hybrid Processing Pipeline, де можливості генеративного штучного інтелекту (Google Gemini/Imagen/Veo) поєднуються зі складними алгоритмами комп'ютерного зору (Computer Vision), що виконуються безпосередньо у браузері користувача. Це дозволило реалізувати функції, недоступні для звичайних ШІ-генераторів (стереограми, точні схеми, 3D-анімації).

2. КЛЮЧОВІ ІННОВАЦІЇ (ZERO-TO-ONE FEATURES)

У новій версії реалізовано модулі (стилі), яких не існувало в попередніх ітераціях.

Ваш API ключ для Pixel AI Studio.

Привіт.

Накидав вам інструкцію з налаштування власного API ключа для Pixel AI Studio.

Щоб розкрити повний потенціал Pixel AI Studio та користуватися ним без обмежень на кількість запитів, вам знадобиться власний ключ Google AI API. Це безкоштовно та займає лише кілька хвилин.

Дотримуйтесь цих простих кроків:

Крок 1: Отримання API ключа

1.  Перейдіть за посиланням до Google AI Studio:

    https://aistudio.google.com/app/apikey

2.  Увійдіть у свій акаунт Google, якщо система попросить вас про це.

3.  Натисніть кнопку "Create API key in new project".

4.  Google миттєво згенерує для вас унікальний ключ. Скопіюйте цей довгий рядок символів.

Важливо: Зберігайте цей ключ у надійному місці та не діліться ним ні з ким!

Крок 2: Налаштування ключа для застосунку

Щоб застосунок міг використовувати ваш ключ, його потрібно додати як змінну середовища.

1.  У кореневій папці застосунку (там, де знаходяться файли `index.html` та інші) створіть новий файл з точною назвою:

    `.env.local`

2.  Відкрийте цей новий файл `.env.local` у будь-якому текстовому редакторі.

3.  Додайте в нього наступний рядок, замінивши текст-заглушку вашим скопійованим ключем:

    API_KEY="СЮДИ_ВСТАВТЕ_ВАШ_СКОПІЙОВАНИЙ_КЛЮЧ"

    Приклад того, як це має виглядати:

    API_KEY="AbCdEfGhIjKlMnOpQrStUvWxYz1234567890"

4.  Збережіть файл та ПЕРЕЗАПУСТІТЬ застосунок (якщо він був запущений). Це дуже важливий крок, оскільки змінні з файлу `.env.local` завантажуються лише під час старту.

Крок 3: Перевірка

Якщо все зроблено правильно, застосунок автоматично підхопить ваш ключ і почне використовувати його для всіх запитів до ШІ. Ви зможете користуватися всіма функціями без обмежень, які були встановлені для демонстраційного режиму.

Дякую, що користуєтесь Pixel AI Studio!

З повагою, Nyukers.

До речі, вчора в секцію Retouch/Actions додав воркфлоу 'Old Photo Restoration' для ретуші старих ч/б фото одним кліком. Тепер ваші фото мають кольорове життя на постійній основі!

Google AI Studio та Vercel.

Привіт привіт.

Google AI Studio активно пропонує vibe coding з своїм помічником Code Assistant. На виході отримуємо код React (TypeScript). 

Але в плані Free Tier ви мусите запускати свій онлайн застосунок з того ж таки гугл драйва. Виглядає це так

https://ai.studio/apps/drive/1aPqW_yllKk7ZKDpuh1gHpHzej4hH7oQm

При цьому код проекта буде доступний любому бажаючому. Та й саме URL посилання якось не гарно виглядає).

Тому маємо два шляхи, або Deploy проекта в Google Cloud, або Deploy проекта в Github, а звідти розгортання його з Vercel.

Що робимо для Vercel?

1) в Google AI Studio генеруємо свій Google API ключ в плані Free Tier.

2) в Vercel створюємо проект з репозиторію Github який ми задеплоїли з Google AI Studio

3) вставлємо в змінні проекту наш API ключ під назвою VITE_API_KEY

4) повертаємося до  Google AI Studio і в проекті в файлі geminiService.ts робимо заміну рядка

const API_KEY = process.env.API_KEY;

на

const API_KEY = import.meta.env.VITE_API_KEY;

5) також в корні проекту створюємо новий файл vite-env.d.ts з таким наповненням

interface ImportMetaEnv {

  readonly VITE_API_KEY: string;

}

interface ImportMeta {

  readonly env: ImportMetaEnv;

} 

6) робимо ще раз деплой репозиторія на Github

7) все, через хвилину наш проект доступний за новим гарним URL

https://pixel-studio-pro.vercel.app/

Щасти.

Welcome to Pixel AI Studio!

Всім привіт.

Під краплі осіннього дощу вирішив вас порадувати онлайн генератором GenAI власного виробництва. Майже власного, весь код написала за мене Google AI Studio, я лиш давав їй команди що та як я хочу. Дякую каналу ATDIGIT за ідею.

Welcome до Pixel AI Studio. 

Користування Pixel AI Studio повністю БЕЗКОШТОВНЕ, але мусите мати облікову в Google.

Ви тільки обмежені планом Free Tier де Google рахує кількість звернень, тобто генерацій, за хвилину. Як рахує - мені невідомо, алгоритми міняються часто. Єдине що гарантовано, що раптом платним він не стане.

Тому прошу, користуйтеся та реалізуйте свою творчу уяву на повну. Перелік всіх функцій наведено нижче. Підтримка T2I, I2I, I2V, retouch, masking, styling, animation, upscaling тощо на моделях Gemini 2.5 Flash (aka Nano Banana), Imagen та Veo.

Якщо чогось, фічі або функції, не вистачає то попросіть Code Assistant то додати (перед цим треба вийти з full screen). Це не складно, єдине що вам тоді краще зробити копію моєї Pixel AI Studio. Асистент розуміє як англійську так і Українську мови. Звісно вам самим треба чітко розуміти чого ви бажаєте. В Code Assistant є свої нюанси, але то має бути окрема стаття.

Pixel AI Studio

--- ОСНОВНІ РЕЖИМИ ---

*   Режим одного зображення: Основний робочий простір для поглибленого редагування, ретуші та анімації одного зображення.

*   Режим пакетної обробки: Дозволяє користувачам застосовувати один запит (промпт) ШІ до кількох зображень одночасно. Додаток надає чергу, відстеження статусу в реальному часі для кожного зображення (в очікуванні, в обробці, завершено, помилка) та можливість завантажити всі успішні результати.

Hosting ComfyUI via WebSocket

Hi all.

Today, I will share with you a post by a guru Philipp Doll on using websocket with СomfyUI. I have previously experimented with the API  with ComfyUI.

I can't say how much this might be needed for the regular ComfyUI user, but it's cool that this option is there.

Let us proceed.

Motivation

This article focuses on leveraging ComfyUI beyond its basic workflow capabilities. You have created a fantastic Workflow and want to share it with the world or build an application around it. By hosting your projects and utilizing this WebSocket API concept, you can dynamically process user input to create an incredible style transfer or stunning photo effect.

Introduction

This post describes the basic structure of a WebSocket API that communicates with ComfyUI. Generating images through ComfyUI typically takes several seconds, and depending on the complexity of the workflow,

this time can increase. We utilize a WebSocket connection to track progress and allow us to give real-time feedback to the user. Using these endpoints without a WebSocket connection is possible, but this will cost you the benefits of real-time updates.

Code for a basic WebSocket API structure can be found here: Basic WebSocket API.

Utilized ComfyUI endpoints

ComfyUI already has predefined endpoints ComfyUI endpoints, which we can target. Furthermore, ComfyUI also offers a WebSocket interface. For the API described later in this blog post, we do not need to modify this file, as it already provides everything we need.

⦁ @routes.get('/ws')  ⇒ Returns the WebSocket object, sends status and executing messages

⦁ @routes.post("/prompt")  ⇒ Queues prompt to workflow, returns prompt_id or error

⦁ @routes.get("/history/{prompt_id}")  ⇒ Returns the queue or output for the given prompt_id

⦁ @routes.get("/view")  ⇒ Returns an Image given a filename, subfolder, and type ("input", "output", "temp")

⦁ @routes.post("/upload/image") ⇒ Uploads an image to ComfyUI, given image_data and type ("input", "output", "temp")

Що таке Batch API?

Привіт привіт.

Сьогодні для вас урок з безкоштовного курсу платформи Prometheus FRBTAI101 "Від початківця до експерта в ШІ". До речі курс надто цікавий, з великою кількістю практичних завдань, та гумором від авторів. Я вже склав тести з оцінкою 98% та отримав відповідний сертифікат, тому і вам його рекомендую.

Ок, що ж таке Batch API? 

Batch API – це інструмент для обробки великої кількості запитів до API OpenAI. Він дозволяє відправляти групи запитів. Це як ніби ви питали не одне питання у викладача, а одразу 100. Та й викладач відповідає на питання не по черзі, а одразу потроху на всі. Звісно, в світі людей таке неможливо, а в світі ШІ – ще й як! Це зветься асинхронність. Асинхронність дає можливість виконувати завдання незалежно одне від одного, без очікування завершення попередніх завдань. Замість того, щоб блокувати виконання запитів, що очікують на відповідь, асинхронність дозволяє перемикатися між різними завданнями, не перериваючи потік відповідей.

Основні переваги цієї платформи:

1. Економія коштів: на 50% дешевше, ніж звичайні API запити.

2. Більше лімітів: можливість обробляти більше запитів.

3. Ефективність: обробка великих обсягів даних без перевантаження системи.

12 задач, коли в пригоді стане Batch API

1. Аналіз відгуків клієнтів. Обробка тисяч відгуків для виявлення загальних тенденцій та настроїв.

2. Генерація контенту для блогу. Створення чернеток для багатьох статей одночасно.

3. Переклад документів. Пакетний переклад великої кількості текстів на різні мови.

4. Класифікація документів. Автоматична категоризація великої кількості документів.

5. Обробка наукових статей. Аналіз та узагальнення інформації з багатьох наукових публікацій.

6. Генерація описів продуктів. Створення описів для великого каталогу товарів.

7. Аналіз соціальних медіа. Обробка великої кількості постів для виявлення трендів.

8. Автоматизація відповідей на запитання. Генерація відповідей на часті запитання до служби підтримки.

9. Обробка юридичних документів. Аналіз та узагальнення інформації з великої кількості юридичних текстів.

10. Персоналізація рекомендацій. Генерація персоналізованих рекомендацій для великої бази користувачів.

11. Аналіз фінансових звітів. Обробка та узагальнення даних з багатьох фінансових документів.

12. Створення навчальних матеріалів. Генерація різноманітних вправ та прикладів для освітніх цілей.

Batch API дозволяє ефективно обробляти великі обсяги даних, але з економією часу та ресурсів, особливо коли миттєва відповідь не є критично важливою.

Ollama-сервер и API

Всем привет.

LLM-модель - это языковая модель, обученная на больших объемах данных. Она помогает в обработке естественного языка для генерации текста на основе предыдущего контекста. LLM также используют в машинном переводе и при автозаполнении текста.

На рынке уже есть решения для работы с моделями с открытым исходным кодом, такие как gpt4all. Для администраторов, девопсов и безопасников подобный инструмент почти бесполезен, так как мы не можем удобно предоставить его разработчикам и контролировать учетные записи пользователей.

А проект Ollama прекрасно решает эти проблемы. И что особенно удобно его можно использовать локально на своем хосте если достаточно VRAM, или в своей локальной сети развернув на одном из серверов компании, и даже дома.

Основные отличия Ollama от других проектов - это предоставление бесплатного API. Уже есть огромный выбор графических интерфейсов для этого API. Проект доведен до ума и не требует танцев с бубном при запуске. Проект поддерживает Windows, Linux и MacOS. Многочисленные инструкции по локальной установке Ollama доступны в сети.

Самый популярный вариант это docker плюс Open WebUI. Суть в том, что сервер лучше запускать в Docker, так как это готовый проект на React и у него есть официальный образ. Также есть и официальный чарт от Open WebUI. 

Но не спешите так делать! Ну право, из-за одного сервиса я буду разворачивать у себя еще и docker. Нет, не буду, и штатно инсталировать Ollama тоже не буду. Не доверяю я всяким инсталяторам.)

И как же тогда? А я возьму из репозитория Ollama его портабельный вариант, и просто разверну его в отдельную папку. Готово! Забегая наперед, перед первым стартом  я пропишу еще две системные переменные для Ollama-сервера чтобы к нему можно было обращаться по локальной сети

OLLAMA_HOST=192.168.1.100

и отдельную папку для моделей чтобы файлы не падали на диск "С"

OLLAMA_MODELS=Е:\ollama\models

Пока все! Запускаю OLLAMA-сервер bat-файлом:

@echo off

start /B ollama.exe serve

timeout /t 5

@echo Load model to server ...

ollama.exe run "gemma:latest"

pause

Если вы заранее не загружали модель набирая ollama.exe pull "gemma:latest", то первый старт до готовности отвечать на запросы у вас займет некоторое время. Проверить работу и наличие локальных моделей можно через запрос http://192.168.1.100:11434/api/tags

DeepSeek R1 - еще одна звезда в мире ИИ!

 🚀 Встречайте DeepSeek R1! 

🌟Китайская компания DeepSeek выпустила модель, которая уже вызвала настоящий фурор (но без хайпа вокруг бесплатного сыра не обошлось) в индустрии искусственного интеллекта. DeepSeek R1 - это не просто очередная языковая модель, а настоящий прорыв в области логического мышления, математики и программирования.

💡 DeepSeek R1 - это модель Mixture of Experts (MoE), обученная с использованием парадигмы отражения на базе модели Deepseek-V3. Она сочетает в себе огромный потенциал и высокую эффективность благодаря инновационным методам дистилляции (дистилляция коснулась и ChatGPT, юристы уже работают).

📊 Модель доступна в нескольких размерах, от 1,5 млрд до 70 млрд параметров .

Самая маленькая версия может работать даже на устройствах с ограниченными ресурсами! Т.е. вы также можете скачать ее себе на ПК и с помощью Lama сервера и GUI OpenWeb развернуть ее локально. Как и что - полно примеров в youtube, каждый блогер от AI отметил себя этим. Версию ниже 7b не советую, ваш выбор будет зависеть от места на диске и размера RAM+VRAM. Да, это сейчас  бесплатно, но, как по мне, не все здесь прозрачно для конечного пользователя. 

🏆 DeepSeek R1 уже сравнивают с такими гигантами, как:

• Llama от Meta
• o1 от OpenAI

По некоторым тестам, особенно в решении сложных логических и математических задач, DeepSeek R1 превосходит своих конкурентов. Более того, она полностью открытая (MIT-лицензия) и доступна для бесплатного использования без необходимости VPN.

🎙️ Комментарий руководителя Meta

"DeepSeek's R1 может превзойти ИИ Llama от Meta" - заявил директор инфраструктуры ИИ в Meta, Мэттью Олдхэм. Он также отметил, что новая модель DeepSeek может превзойти даже следующую версию их продукта .

🎙️ Комментарий разработчика DeepSeek R1

"Мы создали R1 за 5,6 млн долларов, и это был настоящий 'прорыв' для нас. Мы хотели показать миру, что китайские технологии могут не только догонять, но и обогнать западные решения," - написал один из ключевых разработчиков в соцсети X.

🌟 DeepSeek R1 - это не просто модель, это новый уровень возможностей для разработчиков, исследователей и энтузиастов ИИ 🚀

Ресурсы для использования DeepSeek R1:

🔹 Google play (https://play.google.com/store/apps/details?id=com.deepseek.chat)

🔹 Web ресурс (https://chat.deepseek.com/)

🔹 Получить API (https://api-docs.deepseek.com/)

🔹 LM Studio для ПК (https://lmstudio.ai/)

Удачи.

About ComfyUI API.

Hi all.

In today’s digital landscape, the ability to connect and communicate seamlessly between  applications and AI models has become increasingly valuable. Comfy  UI offers a  user-friendly interface that enables the creation of  API surfers, facilitating the interaction with other  applications and AI models to generate images or videos. While this process may initially seem daunting, it is relatively straightforward with a basic understanding of programming skills. In this blog post, we will explore the steps involved in setting up an API surfer using Comfy UI and delve into the potential it holds for expanding your creative possibilities. By the way, Stability Matrix uses ComfyUI as a backend system!

Enabling Developer Mode and Saving API Format

To begin creating your  API surfer, you will need to install the Comfy  UI manager. Once installed, access the settings menu by clicking on the gear icon. Within the settings, enable the developer mode option. This enables the functionality to save your  workflows as  API formats. By saving your  workflow diagrams in this format, Comfy UI can run them from the backend of the surfer, allowing for seamless integration with other applications.

Comfy UI as a Web Server

Comfy UI acts as a web server, providing a platform to utilize its features. Upon starting Comfy UI, various command prompts and files are loaded, configuring your system and installing custom notes. The web interface is accessed through a localhost link, enabling users to interact with Comfy  UI via their web browsers. As we proceed, we will connect and utilize the provided ComfyUI script examples:

Directory of D:\ComfyUI\script_examples

basic_api_example.py

websockets_api_example.py

More scripts about ComfyUI API you can take from here https://github.com/yushan777?tab=repositories

If you will use API via websocket so you have to install websocket-client  from https://github.com/websocket-client/websocket-client before.

Как завершить процесс в Linux.

Всем привет.

Процесс — это программа в Linux, которая выполняется в отдельном адресном пространстве. При этом GNU / Linux — это многозадачная система, которая одновременно выполняет множество процессов, принадлежащих одному или нескольким пользователям. К сожалению, бывает, что некоторые приложения могут перестать отвечать на запросы пользователя или других приложений. Тогда приходиться либо перезагружать систему, либо выполнять завершение отдельного процесса.

Прежде всего чтобы завершить процесс, Вам нужно знать PID или его имя. При каждом новом запуске программы автоматически генерируется уникальный PID для соответствующего процесса. Тогда как его имя остается одним и тем же.

Первый процесс, который запускается при загрузке системы Linux — это systemd или init, которые являются основными, поэтому их невозможно уничтожить даже случайно. В большинстве случаев в операционной системе этим процессам присваивается значение PID равное 1.

Чтобы увидеть все запущенные процессы и соответствующие им значения PID — выполните следующую команду:

ps -A

Чтобы узнать идентификатор конкретного процесса — используя его имя. Для этого Вы можете применить следующую команду (в качестве примера мы использовали имя mysqld):

pidof mysqld

 

Для этой же цели Вы можете ввести комбинацию команд, приведенную ниже (при этом она выводит гораздо больше информации о процессе):

ps aux | grep mysqld

 

Третий способ вывода идентификатора процесса предполагает использование команды pgrep:

pgrep mysql

Команды kill, pkill и killall.

Команда kill — это встроенный инструмент ОС семейства Linux, который используется для завершения процессов вручную. Она посылает сигнал выбранному процессу, который и завершает его. По умолчанию команда kill посылает сигнал SIGTERM запущенному процессу. Это действие обычно останавливает работающие процессы. Если Вы хотите остановить процесс — просто укажите его идентификатор PID в переменной ProcessID.

Синтаксис команды kill выглядит следующим образом:

kill [-s sigspec | -n signum | -sigspec] pid

 

При этом элементы команды имеют следующее значение:

• sigspec — посылает сигнал процессу, названному по спецификации задания jobspec;
• signum — посылает сигнал процессу, названному по идентификатору процесса PID.

Существует семь базовых сигналов, которые Вы можете послать, используя команду kill:

• SIGHUP(1) — сигнал для сообщения о потере соединения с управляющим терминалом пользователя;
• SIGINT(2) — сигнал о прерывании процесса с клавиатуры (обычно при нажатии комбинации клавиш Ctrl+C);
• SIGQUIT(3) — сигнал, аналогичный SIGINT, но при этом вызывается символом QUIT, и при завершении процесса производит дамп ядра;
• SIGABRT(6) — сигнал, посылаемый процессом самому себе при выполнении аварийной остановки с выполнением дампа памяти в случае невозможности дальнейшего продолжения работы программы;
• SIGKILL(9) — сигнал используется для немедленного завершения программы (не может быть обработан, проигнорирован или заблокирован);
• SIGTERM(15) — сигнал для завершения работы программы, который можно блокировать, обрабатывать и игнорировать (используется как сигнал по умолчанию);
• SIGSTOP(17,19,23) — сигнал для приостановки процесса (процесс не возобновится автоматически, пока Вы не отправите ему сигнал SIGCONT — позволяет приостановить процесс, не завершая его).

ComfyUI не один такий.

Привіт усім.

Так вже вийшло що з появою моделі SDXL увага до ComfyUI підскочила на порядок. Чому так? Тому що розробник ComfyUI вчасно надав приклад використання нової моделі в одному потоці. Тому навіть фанати А1111 швиденько відчули що ComfyUI може дати результат швидше та наглядніше.

Єдине що Google вже включив обмеження на використання ресурсів онлайн і в Colab ви вже з цим довго не пограєтесь безкоштовно. Та й самі SDXL-моделі Base та Refiner стали більші у розмірах.

Але зараз я хочу вам зауважити що автор ComfyUI не був піонером візуального (в нодах) відтворення процесу генерації зображень.

Создаем голосовой помощник c GPT.

Всем привет.

Мы уже пробовали использовать OpenAI для ответов на вопросы и извлечения текста из речи с помощью Whisper. Что, если мы теперь объединим эти и другие компоненты для создания голосового помощника на основе ИИ?  Т.е. в отличие от предыдущего проекта будем ответы GPT не только читать, но и слушать.

Теперь наша цель – использовать базу знаний GPT, чтобы получить ответы на вопросы, которые мы можем задать. Создадим некое подобие голосового помощника Alexa. Но наш интеллектуальный голосовой помощник сможет ответить на более сложные вопросы и предоставить больше полезной информации.

Наш помощник будет работать по такому алгоритму:

• пользователь задает свой вопрос с помощью микрофона. Мы будем использовать Python SpeechRecognition (https://github.com/Uberi/speech_recognition);

• Whisper автоматически преобразует вопрос в текст;

• текст передается в конечные точки GPT;

• API OpenAI возвращает ответ;

• ответ сохраняется в файле mp3 и передается в Google Text to Speech (gTTS) для создания голосового ответа. Помощник проигрывает нам ответ в виде mp3.

Для голосового помощника на понадобяться три функции:

1. Запрос пользователя и запись его голоса - функция def record_audio для записи звука.

2. Расшифровка аудио з записью голоса пользователя - функция def transcribe_forever, которая использует OpenAI Whisper для расшифровки аудио.

3. Голосовой ответ на запрос пользователя - для ответа на запрос пользователя мы будем использовать функцию def reply дл ягенерации голосового ответа от GPT.

Пробуем DALL·E через API.

Всем привет.

Благодаря современным методам глубокого обучения модель GPT может научиться создавать изображения на основе текстового запроса или сущест- вующего изображения.

Для создания нового изображения исходное (входное) изображение изменяют с помощью набора алгоритмов. Модель может создавать множество различных изображений, от простых до сложных, в зависимости от того, с чем ей поручено работать. Одна из мощных функций модели заключается в том, что она может просматривать созданные изображения и улучшать их, делая более подробными и точными. Другими словами, она может учиться на собственных изображениях и со временем становиться все лучше.

В целом API изображений предоставляет три способа взаимодействия с конечной точкой images:

• создание изображения с нуля на основе текстовой подсказки;

• внесение изменений в существующее изображение на основе текстового запроса;

• создание различных вариантов существующего исходного изображения.

За последние годы в OpenAI обучили нейронную сеть под названием DALL·E, основанную на GPT-3. DALL·E – это уменьшенная версия GPT-3 с 12 млрд параметров вместо 175 млрд. Она специально разработана для создания изображений из текстовых описаний с использованием набора данных пар текст–изображение вместо очень широкого набора данных, который применяли для обучения GPT-3.

Чтобы увидеть модель в действии, вы можете использовать код для предварительного просмотра результатов работы DALL·E. Но фокус в том что даже для пробы в web-интерфейсе DALL·E вам нужно покупать кредиты, минимум на 15 баксов. Однако через API (ключик у вас уже есть?) будет возможность испытать ее бесплатно. Однако и тут в настоящее время ограничение скорости генерации установлено на уровне 10 изображений в минуту. Уверен что вам хватит!

Время современного ИТ-инженера.

Всем привет.

Чем замечательно наше время для ИТ-инженера? Прежде всего тем что для своего профессионального развития ему стали доступны многие тестовые полигоны бесплатно. Собрать свою мини-сеть с сервером, станциями и даже маршрутизаторами можно на своем домашнем компьютере в VirtualBox или GNS3, главное чтобы ОЗУ было побольше. Благо что в дисковом пространстве недостатка уже нет. Вот мой список виртуального оборудования в VirtualBox:

Что недоступно как виртаульный образ (у вас нет подписки), то можно пошупать на сайте самого производителя оборудования. Например Cisco. Уверен, небольшая регистрация вас не затруднит.

Вы же знаете что многие производители сетевого оборудования все больше склоннны к программируемым сетям, поэтому программная начинка их железа все больше напоминает мне хорошо кастомизированный Linux. А поддержка REST API и Python из коробки идет как must have!

ИТ-бренды сами заинтересованы чтобы с их оборудованием было знакомо как можно больше будущих специалистов и вам для своей карьеры надо использовать эту возможность уже сегодня.

Успехов всем нам!

Конфигурация ILO.

Всем привет.

В процесс администрирования для iLO актуально две вещи - это пароль администратора и ее IP-адрес. И то и другое можно потерять или забыть поэтому стоит знать как же его узнать или поменять.

Вы можете сбросить пароль администратора iLO непосредственно из запущенной операционной системы. Однако это в том случае если у вас есть доступ к ОС Windows, а не самой ILO!

Для этого используется официальная утилита HPE - hponcfg или HP Online iLO Configuration для Windows (и вам потребуется предварительная установка драйвера iLO Management Interface Driver в операционной системе, которая запущена на сервере. Версия iLO для драйвера важна).

На самом деле утилита hponcfg позволяет из локальной командной строки на сервере изменить любые настройки iLO без перезагрузки сервера (выполнить Reset iLO): сетевые настройки интерфейса iLO (IP адрес, шлюз, подсеть), импортировать/экспортировать и сбросить конфигурацию.

Сначала рекомендуется сохранить текущую конфигурацию ILO в xml-файл:

hponcfg.exe /w current_config.xml

Затем создайте новый файл reset_admin_password.xml с текстом:

<ribcl VERSION="2.0">

<login USER_LOGIN="Administrator" PASSWORD="password">

<user_INFO MODE="write">

<mod_USER USER_LOGIN="Administrator">

<password value="NewPassword"/>

</mod_USER>

</user_INFO>

</login>

</ribcl>

Чтобы применить к iLO конфигурацию с новым паролем, выполните:

hponcfg.exe /f reset_admin_password.xml /l hplog.txt

Варианты обмена данными c Zabbix.

Всем привет.  

Zabbix - это популярное средство мониторинга в компьютерных сетях. Основными принципами работы программы заключается во взаимодействии сервера и агентов устанавливающиеся на хосты. В Zabbix доступны и другие инструменты, которые позволяют запускать скрипты, в том числе и Powershell. Такой подход позволяет добавлять в Zabbix нужные для вас данные или вести дополнительную аналитику получая данные с сервера. Итак, помимо штатного мониторинга из коробки существуют следующие варианты получения и отправки данных в Zabbix.

Передача данных на Zabbix-сервер:

- zabbix_sender

- UserParameter

- передача дополнительных параметров

- Discovery Rules и Item Prototype

- любой скрипт с system.run

Получение данных от Zabbix-сервера:

- получаем данные через zabbix_get

- получение данных с API.

Инструменты с помощью которых мы обмениваемся данными в  Zabbix можно разделить на серверные и клиентские. 

Из них создающиеся или хранящиеся на сервере Zabbix:

• скрипты (Scripts) -  это скрипты, которые можно использовать в веб-интерфейсе Zabbix. Визуально это пункты меню;
• External Scripts - папка обычно "/usr/lib/zabbix/externalscripts", в которую можно поместить скрипт и привязать его к какому-то хосту;
• API - HTTP интерфейс, к которому можно обращаться получая большую часть данных или создавать/редактировать существующие элементы.

И клиентские инструменты, которые чаще всего используются на клиентах:

• zabbix_sender - отдельная программа, которая отправляет данные на сервер Zabbix;
• zabbix_get - отдельная программа для получения данных с хостов, на которых установлен zabbix_agent. Обычно используется для тестирования;
• UserParameter - параметр в конфигурации агента на хосте. С помощью его так же можно отправить данные на сервер.
• system.run -  параметр в конфигурации агента на хосте. В отличие от UserParameter позволяет выполнять любой скрипт на клиенте. Хотя и для UserParameter я особых ограничений не заметил, например так UserParameter=admin.local[*],powershell -File "GetAdmins.ps1"

REST API и PowerShell.

Всем привет.

Теперь, когда вы знаете, как работать с данными JSON, давайте сделаем нечто более интересное: мы воспользуемся PowerShell для запроса REST API и анализа полученных результатов. Вы можете использовать практически любой REST API, но для некоторых требуется  аутентификация, поэтому будем использовать тот, который ее не требует. Используем сервис postcodes.io как вариант REST API, который позволяет вам запрашивать почтовые индексы стран по различным критериям.

Мы будем использовать URI api.postcodes.io/random/postcodes. Когда вы обращаетесь к этому URI, он запрашивает службу API postcodes.io и возвращает случайный почтовый индекс в форме JSON. Чтобы запросить этот URI, мы будем использовать PowerShell-командлет Invoke-WebRequest:

PS> $result = Invoke-WebRequest -Uri 'http://api.postcodes.io/random/postcodes'

PS> $result.Content

{"status":200,"result":{"postcode":"IP12

2FE","quality":1,"eastings":641878,"northings":250383,"country

:"England","nhs_ha":"East of England","longitude":

1.53013518866685,"latitude":52.0988661618569,"european_elector

al_region":"Eastern","primary_care_trust":"Suffolk","region":"

East of England","lsoa":"Suffo

lk Coastal 007C","msoa":"Suffolk Coastal

007","incode":"2FE","outcode":"IP12","parliamentary_constituen

cy":"Suffolk Coastal","admin_district":"Suffolk Coa

stal","parish":"Orford","admin_county":"Suffolk","admin_ward":

"Orford & Eyke","ccg":"NHS Ipswich and East

Suffolk","nuts":"Suffolk","codes":{"admin_distri

ct":"E07000205","admin_county":"E10000029","admin_ward":"E0501

449","parish":"E04009440","parliamentary_constituency":"E14000

81","ccg":"E38000086","nuts"

:"UKH14"}}}