Matlab科学计算与AI结合调用GTE-Base-ZH进行文本数据分析如果你经常用Matlab处理数据可能会发现一个痛点Matlab在数值计算、信号处理、图像分析上很强但一旦遇到文本数据比如一堆论文摘要、实验报告或者用户反馈处理起来就有点力不从心了。传统的文本分析要么依赖简单的关键词匹配要么就得手动标注费时费力效果还不一定好。现在大语言模型在文本理解上展现出了惊人的能力比如文本向量化模型可以把一段话变成一个富含语义信息的数字向量。有了这个向量很多高级分析就变得简单了比如自动给文档分类、把相似主题的文档聚在一起、或者计算不同文档之间的相关性。这篇文章我就想跟你聊聊怎么把这种AI能力无缝地整合到你熟悉的Matlab工作流里。我们以GTE-Base-ZH这个中文文本向量模型为例看看如何在Matlab里调用它帮你把一堆杂乱的科研文本变成结构化的、可分析的数据宝藏。整个过程不需要你成为AI专家用到的都是Matlab和Python里现成的工具。1. 为什么要在Matlab里集成文本向量模型你可能习惯了用Matlab处理矩阵和曲线图但科研工作从来不只是数字。我们阅读的大量文献、撰写的报告、收集的问卷都是文本信息。手动处理这些文本效率低且主观性强。文本向量模型比如GTE-Base-ZH就像一个“文本理解器”。它读入一段中文文本输出一个固定长度的向量比如1024维。这个向量的神奇之处在于语义相似的文本它们的向量在空间里的距离比如余弦相似度就很近语义不同的文本向量距离就远。一旦文本变成了向量它就从一个“文字串”变成了一个“数学点”。所有Matlab擅长的数学工具——聚类分析、分类算法、降维可视化、相关性计算——就全都能用上了。这相当于为你现有的数据处理流水线加装了一个强大的“文本感知”模块。举个例子你可能有1000篇人工智能领域的论文摘要。传统方法很难自动将它们细分为“计算机视觉”、“自然语言处理”、“强化学习”等子领域。但通过文本向量化Matlab可以轻松地使用k-means聚类算法自动发现并归类这些主题簇。2. 环境准备与模型服务搭建在Matlab里调用外部模型主要有两种靠谱的路径一是通过Matlab的Python接口直接调用本地模型二是让模型在一个独立的服务中运行Matlab通过HTTP请求去调用。第一种方式更直接但环境配置可能麻烦些第二种方式更干净、灵活也是目前更主流的做法。这里我们重点介绍第二种。2.1 搭建GTE-Base-ZH模型API服务我们不在Matlab内部直接折腾Python环境而是用一个轻量级的Web框架把模型包装成一个HTTP服务。这样Matlab只需要像访问一个网页一样发送文本就能收到向量。首先你需要一个安装了Python的环境。创建一个新的目录然后准备一个简单的Python脚本比如叫gte_service.py。# gte_service.py from flask import Flask, request, jsonify from sentence_transformers import SentenceTransformer import numpy as np # 初始化Flask应用和模型 app Flask(__name__) print(正在加载GTE-Base-ZH模型请稍候...) # 使用国内镜像源或能访问到的模型路径例如从Modelscope加载 # model SentenceTransformer(GanymedeNil/gte-base-zh) model SentenceTransformer(path/to/your/local/gte-base-zh) # 如果模型已下载到本地 print(模型加载完毕) app.route(/embed, methods[POST]) def get_embedding(): 接收文本返回向量 data request.json texts data.get(texts, []) if not texts: return jsonify({error: No texts provided}), 400 # 将文本列表转换为向量 # 模型会自动处理批处理和padding embeddings model.encode(texts, normalize_embeddingsTrue, # 归一化方便计算余弦相似度 show_progress_barFalse) # 将numpy数组转换为列表 embeddings_list embeddings.tolist() return jsonify({embeddings: embeddings_list}) if __name__ __main__: # 运行服务默认端口5000 app.run(host0.0.0.0, port5000, debugFalse)运行这个脚本前你需要安装必要的包pip install flask sentence-transformers。然后运行python gte_service.py看到“模型加载完毕”的提示后一个本地的文本向量化服务就启动在http://localhost:5000了。2.2 在Matlab中配置基础调用函数服务跑起来后Matlab这边的工作就简单了。我们写一个通用的函数用来向这个服务发送请求并获取结果。在Matlab中创建一个名为get_text_embedding.m的函数文件。function embeddings get_text_embedding(text_cell, api_url) % GET_TEXT_EMBEDDING 调用GTE-Base-ZH API获取文本向量 % embeddings GET_TEXT_EMBEDDING(text_cell, api_url) % 输入 % text_cell: 文本元胞数组例如 {这是第一段文本, 这是第二段文本} % api_url: API服务地址默认为 http://localhost:5000/embed % 输出 % embeddings: 一个N×D的double矩阵N为文本数量D为向量维度如1024 if nargin 2 api_url http://localhost:5000/embed; end % 确保输入是元胞数组 if ischar(text_cell) text_cell {text_cell}; end % 准备请求数据 json_body struct(texts, {text_cell}); % 注意这里用单元数组的cell表示 json_body_str jsonencode(json_body); % 设置HTTP请求选项 options weboptions(... RequestMethod, POST, ... HeaderFields, {Content-Type application/json}, ... MediaType, application/json, ... Timeout, 60); % 超时时间设长一点因为模型推理需要时间 try % 发送请求 response webwrite(api_url, json_body_str, options); % 解析返回的JSON提取向量 emb_cell response.embeddings; embeddings cell2mat(emb_cell); % 转换为N×D矩阵 catch ME error(调用API失败: %s\n请确保模型服务已启动在 %s, ME.message, api_url); end end这个函数封装了所有的HTTP通信细节你只需要把文本传进去它就能返回一个漂亮的数值矩阵。现在你的Matlab就拥有了“理解”中文文本的能力。3. 实战科研文本的自动分类与主题分析假设你从学术数据库导出了50篇关于“机器学习”的论文摘要存成了一个Matlab元胞数组abstracts。现在我们用它来演示三个经典的分析场景。3.1 场景一文本聚类发现研究主题我们不知道这些论文具体涉及哪些子方向想让数据自己“说话”。% 步骤1: 获取所有摘要的向量 disp(正在生成文本向量...); vecs get_text_embedding(abstracts); % 假设你的服务运行在默认地址 % 步骤2: 使用k-means进行聚类 num_clusters 4; % 假设我们想大致分成4个主题可以通过肘部法则确定 [idx, centroids] kmeans(vecs, num_clusters, Distance, cosine, Replicates, 5); % 步骤3: 可视化聚类结果使用PCA降维到2D以便观察 [coeff, score] pca(vecs); figure; gscatter(score(:,1), score(:,2), idx); xlabel(PCA主成分1); ylabel(PCA主成分2); title(论文摘要主题聚类可视化); grid on; % 步骤4: 查看每个簇的代表性关键词通过查找距离簇中心最近的文档 for k 1:num_clusters cluster_texts abstracts(idx k); cluster_vecs vecs(idx k, :); % 计算簇内每个向量到簇中心的余弦距离 cos_dist 1 - (cluster_vecs * centroids(k,:)) ./ (sqrt(sum(cluster_vecs.^2,2)) * norm(centroids(k,:))); [~, nearest_idx] min(cos_dist); fprintf(\n 主题簇 %d (共%d篇) \n, k, length(cluster_texts)); fprintf(代表性摘要: %s\n, cluster_texts{nearest_idx}(1:min(150, end))); % 截取前150字符 end运行这段代码你可能会发现这50篇摘要被自动分成了几个簇一个簇的代表性摘要可能主要讲“神经网络优化”另一个讲“图机器学习”第三个讲“联邦学习”。这比你人工通读并分类要快得多也客观得多。3.2 场景二构建智能文献检索系统当你读一篇新论文时想快速从自己的文献库里找到与之最相关的前几篇。% 假设你的文献库向量已经计算好并保存为 library_vecs对应标题为 library_titles % 新来一篇论文摘要 new_abstract new_vec get_text_embedding(new_abstract); % 计算新向量与文献库中所有向量的余弦相似度 % 余弦相似度 向量点积 / (模长乘积)因为我们的向量是归一化的所以直接点积即可 similarities new_vec * library_vecs; % 得到一个1×N的相似度向量 % 找出最相似的前5篇 [top_scores, top_indices] maxk(similarities, 5); fprintf(查询摘要: %s\n\n, new_abstract{1}); fprintf(最相关的5篇文献:\n); for i 1:5 fprintf(%d. [相似度: %.3f] %s\n, i, top_scores(i), library_titles{top_indices(i)}); end这就构成了一个基于语义的、简易的文献推荐系统。它不依赖关键词匹配所以即使两篇论文用的术语不同只要核心思想相关也能被准确地关联起来。3.3 场景三研究趋势相关性分析你想分析两个研究主题比如“注意力机制”和“医学影像”在时间维度上的相关性。% 假设你的论文数据里包含年份 years以及我们已经计算好的向量 vecs % 定义两个种子查询 topic_A 注意力机制在深度学习中的应用; topic_B 人工智能辅助医学影像诊断; % 获取种子主题的向量 vec_A get_text_embedding(topic_A); vec_B get_text_embedding(topic_B); % 计算每年所有论文与两个主题的相似度均值 unique_years unique(years); trend_A zeros(size(unique_years)); trend_B zeros(size(unique_years)); for i 1:length(unique_years) mask (years unique_years(i)); yearly_vecs vecs(mask, :); if ~isempty(yearly_vecs) trend_A(i) mean(vec_A * yearly_vecs); trend_B(i) mean(vec_B * yearly_vecs); end end % 计算时间序列相关性 correlation corrcoef(trend_A, trend_B); fprintf(主题%s与主题%s的研究热度趋势相关系数为: %.3f\n, topic_A, topic_B, correlation(1,2)); % 绘制趋势图 figure; plot(unique_years, trend_A, -o, LineWidth, 2, DisplayName, topic_A); hold on; plot(unique_years, trend_B, -s, LineWidth, 2, DisplayName, topic_B); xlabel(年份); ylabel(平均语义相似度); title(不同研究主题年度趋势分析); legend(show); grid on;通过这个分析你可能会量化地发现这两个领域的研究热度从某一年开始同步上升这可能预示着一种跨学科融合的趋势。4. 集成到现有Matlab工作流的建议把AI模型当成一个强大的“计算单元”来用是集成成功的关键。这里有几个小建议能让它用起来更顺手批处理与缓存如果你有一个固定的文献库不要每次分析都重新计算向量。可以写个脚本一次性将所有文本向量化然后把得到的矩阵保存为.mat文件。以后的分析直接加载这个矩阵速度会快上百倍。错误处理与重试网络请求可能不稳定。可以在get_text_embedding函数里增加重试逻辑比如失败后等待2秒再试一次。封装成自定义类为了让代码更优雅你可以创建一个TextAnalyzer类把模型调用、向量缓存、相似度计算、聚类分析等方法都封装进去。这样在主程序里你的操作就会像analyzer.find_similar_docs(myText)一样直观。注意性能GTE-Base-ZH模型本身有一定计算开销。处理成千上万篇文档时建议分批次调用API并考虑在服务器端使用GPU加速推理过程。5. 总结回过头来看我们做的事情其实很简单在Matlab外面搭了一个文本理解的“外脑”GTE模型服务然后教Matlab怎么跟这个“外脑”对话HTTP请求。一旦对话成功文本数据就流进了Matlab的“数字血液”里变成了它最擅长处理的矩阵形式。这种结合方式优势非常明显。你不需要改变使用Matlab的核心习惯所有熟悉的工具箱、绘图函数、数学算法都照用不误只是数据的来源和内涵变得更加丰富了。无论是处理学术文本、工程报告还是用户评论这套方法都能为你提供一个全新的、基于语义的量化分析视角。当然这只是一个起点。GTE-Base-ZH模型本身还可以做很多事比如文本检索、语义搜索排序。而Matlab这边也有更多的机器学习工具箱如Statistics and Machine Learning Toolbox可以对接这些向量数据去做更复杂的分类、回归甚至异常检测。如果你已经准备好了自己的文本数据不妨就从启动那个Python服务脚本开始尝试用几行Matlab代码获取第一个文本向量。你会发现让AI赋能传统的科学计算流程并没有想象中那么复杂反而能带来意想不到的效率和洞察力提升。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。
Matlab科学计算与AI结合：调用GTE-Base-ZH进行文本数据分析
Matlab科学计算与AI结合调用GTE-Base-ZH进行文本数据分析如果你经常用Matlab处理数据可能会发现一个痛点Matlab在数值计算、信号处理、图像分析上很强但一旦遇到文本数据比如一堆论文摘要、实验报告或者用户反馈处理起来就有点力不从心了。传统的文本分析要么依赖简单的关键词匹配要么就得手动标注费时费力效果还不一定好。现在大语言模型在文本理解上展现出了惊人的能力比如文本向量化模型可以把一段话变成一个富含语义信息的数字向量。有了这个向量很多高级分析就变得简单了比如自动给文档分类、把相似主题的文档聚在一起、或者计算不同文档之间的相关性。这篇文章我就想跟你聊聊怎么把这种AI能力无缝地整合到你熟悉的Matlab工作流里。我们以GTE-Base-ZH这个中文文本向量模型为例看看如何在Matlab里调用它帮你把一堆杂乱的科研文本变成结构化的、可分析的数据宝藏。整个过程不需要你成为AI专家用到的都是Matlab和Python里现成的工具。1. 为什么要在Matlab里集成文本向量模型你可能习惯了用Matlab处理矩阵和曲线图但科研工作从来不只是数字。我们阅读的大量文献、撰写的报告、收集的问卷都是文本信息。手动处理这些文本效率低且主观性强。文本向量模型比如GTE-Base-ZH就像一个“文本理解器”。它读入一段中文文本输出一个固定长度的向量比如1024维。这个向量的神奇之处在于语义相似的文本它们的向量在空间里的距离比如余弦相似度就很近语义不同的文本向量距离就远。一旦文本变成了向量它就从一个“文字串”变成了一个“数学点”。所有Matlab擅长的数学工具——聚类分析、分类算法、降维可视化、相关性计算——就全都能用上了。这相当于为你现有的数据处理流水线加装了一个强大的“文本感知”模块。举个例子你可能有1000篇人工智能领域的论文摘要。传统方法很难自动将它们细分为“计算机视觉”、“自然语言处理”、“强化学习”等子领域。但通过文本向量化Matlab可以轻松地使用k-means聚类算法自动发现并归类这些主题簇。2. 环境准备与模型服务搭建在Matlab里调用外部模型主要有两种靠谱的路径一是通过Matlab的Python接口直接调用本地模型二是让模型在一个独立的服务中运行Matlab通过HTTP请求去调用。第一种方式更直接但环境配置可能麻烦些第二种方式更干净、灵活也是目前更主流的做法。这里我们重点介绍第二种。2.1 搭建GTE-Base-ZH模型API服务我们不在Matlab内部直接折腾Python环境而是用一个轻量级的Web框架把模型包装成一个HTTP服务。这样Matlab只需要像访问一个网页一样发送文本就能收到向量。首先你需要一个安装了Python的环境。创建一个新的目录然后准备一个简单的Python脚本比如叫gte_service.py。# gte_service.py from flask import Flask, request, jsonify from sentence_transformers import SentenceTransformer import numpy as np # 初始化Flask应用和模型 app Flask(__name__) print(正在加载GTE-Base-ZH模型请稍候...) # 使用国内镜像源或能访问到的模型路径例如从Modelscope加载 # model SentenceTransformer(GanymedeNil/gte-base-zh) model SentenceTransformer(path/to/your/local/gte-base-zh) # 如果模型已下载到本地 print(模型加载完毕) app.route(/embed, methods[POST]) def get_embedding(): 接收文本返回向量 data request.json texts data.get(texts, []) if not texts: return jsonify({error: No texts provided}), 400 # 将文本列表转换为向量 # 模型会自动处理批处理和padding embeddings model.encode(texts, normalize_embeddingsTrue, # 归一化方便计算余弦相似度 show_progress_barFalse) # 将numpy数组转换为列表 embeddings_list embeddings.tolist() return jsonify({embeddings: embeddings_list}) if __name__ __main__: # 运行服务默认端口5000 app.run(host0.0.0.0, port5000, debugFalse)运行这个脚本前你需要安装必要的包pip install flask sentence-transformers。然后运行python gte_service.py看到“模型加载完毕”的提示后一个本地的文本向量化服务就启动在http://localhost:5000了。2.2 在Matlab中配置基础调用函数服务跑起来后Matlab这边的工作就简单了。我们写一个通用的函数用来向这个服务发送请求并获取结果。在Matlab中创建一个名为get_text_embedding.m的函数文件。function embeddings get_text_embedding(text_cell, api_url) % GET_TEXT_EMBEDDING 调用GTE-Base-ZH API获取文本向量 % embeddings GET_TEXT_EMBEDDING(text_cell, api_url) % 输入 % text_cell: 文本元胞数组例如 {这是第一段文本, 这是第二段文本} % api_url: API服务地址默认为 http://localhost:5000/embed % 输出 % embeddings: 一个N×D的double矩阵N为文本数量D为向量维度如1024 if nargin 2 api_url http://localhost:5000/embed; end % 确保输入是元胞数组 if ischar(text_cell) text_cell {text_cell}; end % 准备请求数据 json_body struct(texts, {text_cell}); % 注意这里用单元数组的cell表示 json_body_str jsonencode(json_body); % 设置HTTP请求选项 options weboptions(... RequestMethod, POST, ... HeaderFields, {Content-Type application/json}, ... MediaType, application/json, ... Timeout, 60); % 超时时间设长一点因为模型推理需要时间 try % 发送请求 response webwrite(api_url, json_body_str, options); % 解析返回的JSON提取向量 emb_cell response.embeddings; embeddings cell2mat(emb_cell); % 转换为N×D矩阵 catch ME error(调用API失败: %s\n请确保模型服务已启动在 %s, ME.message, api_url); end end这个函数封装了所有的HTTP通信细节你只需要把文本传进去它就能返回一个漂亮的数值矩阵。现在你的Matlab就拥有了“理解”中文文本的能力。3. 实战科研文本的自动分类与主题分析假设你从学术数据库导出了50篇关于“机器学习”的论文摘要存成了一个Matlab元胞数组abstracts。现在我们用它来演示三个经典的分析场景。3.1 场景一文本聚类发现研究主题我们不知道这些论文具体涉及哪些子方向想让数据自己“说话”。% 步骤1: 获取所有摘要的向量 disp(正在生成文本向量...); vecs get_text_embedding(abstracts); % 假设你的服务运行在默认地址 % 步骤2: 使用k-means进行聚类 num_clusters 4; % 假设我们想大致分成4个主题可以通过肘部法则确定 [idx, centroids] kmeans(vecs, num_clusters, Distance, cosine, Replicates, 5); % 步骤3: 可视化聚类结果使用PCA降维到2D以便观察 [coeff, score] pca(vecs); figure; gscatter(score(:,1), score(:,2), idx); xlabel(PCA主成分1); ylabel(PCA主成分2); title(论文摘要主题聚类可视化); grid on; % 步骤4: 查看每个簇的代表性关键词通过查找距离簇中心最近的文档 for k 1:num_clusters cluster_texts abstracts(idx k); cluster_vecs vecs(idx k, :); % 计算簇内每个向量到簇中心的余弦距离 cos_dist 1 - (cluster_vecs * centroids(k,:)) ./ (sqrt(sum(cluster_vecs.^2,2)) * norm(centroids(k,:))); [~, nearest_idx] min(cos_dist); fprintf(\n 主题簇 %d (共%d篇) \n, k, length(cluster_texts)); fprintf(代表性摘要: %s\n, cluster_texts{nearest_idx}(1:min(150, end))); % 截取前150字符 end运行这段代码你可能会发现这50篇摘要被自动分成了几个簇一个簇的代表性摘要可能主要讲“神经网络优化”另一个讲“图机器学习”第三个讲“联邦学习”。这比你人工通读并分类要快得多也客观得多。3.2 场景二构建智能文献检索系统当你读一篇新论文时想快速从自己的文献库里找到与之最相关的前几篇。% 假设你的文献库向量已经计算好并保存为 library_vecs对应标题为 library_titles % 新来一篇论文摘要 new_abstract new_vec get_text_embedding(new_abstract); % 计算新向量与文献库中所有向量的余弦相似度 % 余弦相似度 向量点积 / (模长乘积)因为我们的向量是归一化的所以直接点积即可 similarities new_vec * library_vecs; % 得到一个1×N的相似度向量 % 找出最相似的前5篇 [top_scores, top_indices] maxk(similarities, 5); fprintf(查询摘要: %s\n\n, new_abstract{1}); fprintf(最相关的5篇文献:\n); for i 1:5 fprintf(%d. [相似度: %.3f] %s\n, i, top_scores(i), library_titles{top_indices(i)}); end这就构成了一个基于语义的、简易的文献推荐系统。它不依赖关键词匹配所以即使两篇论文用的术语不同只要核心思想相关也能被准确地关联起来。3.3 场景三研究趋势相关性分析你想分析两个研究主题比如“注意力机制”和“医学影像”在时间维度上的相关性。% 假设你的论文数据里包含年份 years以及我们已经计算好的向量 vecs % 定义两个种子查询 topic_A 注意力机制在深度学习中的应用; topic_B 人工智能辅助医学影像诊断; % 获取种子主题的向量 vec_A get_text_embedding(topic_A); vec_B get_text_embedding(topic_B); % 计算每年所有论文与两个主题的相似度均值 unique_years unique(years); trend_A zeros(size(unique_years)); trend_B zeros(size(unique_years)); for i 1:length(unique_years) mask (years unique_years(i)); yearly_vecs vecs(mask, :); if ~isempty(yearly_vecs) trend_A(i) mean(vec_A * yearly_vecs); trend_B(i) mean(vec_B * yearly_vecs); end end % 计算时间序列相关性 correlation corrcoef(trend_A, trend_B); fprintf(主题%s与主题%s的研究热度趋势相关系数为: %.3f\n, topic_A, topic_B, correlation(1,2)); % 绘制趋势图 figure; plot(unique_years, trend_A, -o, LineWidth, 2, DisplayName, topic_A); hold on; plot(unique_years, trend_B, -s, LineWidth, 2, DisplayName, topic_B); xlabel(年份); ylabel(平均语义相似度); title(不同研究主题年度趋势分析); legend(show); grid on;通过这个分析你可能会量化地发现这两个领域的研究热度从某一年开始同步上升这可能预示着一种跨学科融合的趋势。4. 集成到现有Matlab工作流的建议把AI模型当成一个强大的“计算单元”来用是集成成功的关键。这里有几个小建议能让它用起来更顺手批处理与缓存如果你有一个固定的文献库不要每次分析都重新计算向量。可以写个脚本一次性将所有文本向量化然后把得到的矩阵保存为.mat文件。以后的分析直接加载这个矩阵速度会快上百倍。错误处理与重试网络请求可能不稳定。可以在get_text_embedding函数里增加重试逻辑比如失败后等待2秒再试一次。封装成自定义类为了让代码更优雅你可以创建一个TextAnalyzer类把模型调用、向量缓存、相似度计算、聚类分析等方法都封装进去。这样在主程序里你的操作就会像analyzer.find_similar_docs(myText)一样直观。注意性能GTE-Base-ZH模型本身有一定计算开销。处理成千上万篇文档时建议分批次调用API并考虑在服务器端使用GPU加速推理过程。5. 总结回过头来看我们做的事情其实很简单在Matlab外面搭了一个文本理解的“外脑”GTE模型服务然后教Matlab怎么跟这个“外脑”对话HTTP请求。一旦对话成功文本数据就流进了Matlab的“数字血液”里变成了它最擅长处理的矩阵形式。这种结合方式优势非常明显。你不需要改变使用Matlab的核心习惯所有熟悉的工具箱、绘图函数、数学算法都照用不误只是数据的来源和内涵变得更加丰富了。无论是处理学术文本、工程报告还是用户评论这套方法都能为你提供一个全新的、基于语义的量化分析视角。当然这只是一个起点。GTE-Base-ZH模型本身还可以做很多事比如文本检索、语义搜索排序。而Matlab这边也有更多的机器学习工具箱如Statistics and Machine Learning Toolbox可以对接这些向量数据去做更复杂的分类、回归甚至异常检测。如果你已经准备好了自己的文本数据不妨就从启动那个Python服务脚本开始尝试用几行Matlab代码获取第一个文本向量。你会发现让AI赋能传统的科学计算流程并没有想象中那么复杂反而能带来意想不到的效率和洞察力提升。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。
