https://github.com/freemankevin/devopsgpt
https://github.com/freemankevin/devopsgpt
Last synced: about 1 year ago
JSON representation
- Host: GitHub
- URL: https://github.com/freemankevin/devopsgpt
- Owner: FreemanKevin
- License: mit
- Created: 2025-01-10T08:37:24.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-01-10T11:04:38.000Z (over 1 year ago)
- Last Synced: 2025-01-10T12:22:30.731Z (over 1 year ago)
- Language: Python
- Size: 11.7 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# DevOpsGPT
基于大语言模型的DevOps自动化部署助手，专注于服务器初始化、Docker部署、中间件配置等运维任务的本地训练环境。
## 环境要求
### 硬件要求
- NVIDIA GPU: RTX 3060 (12GB显存)
- CPU: 推荐8核或更高
- 内存: 推荐32GB
- 存储: 至少100GB可用空间
### 软件要求
- Windows 10/11
- Python 3.10+
- NVIDIA Driver 525.0+
- CUDA Toolkit 12.1
- Git
## 快速开始
1. 克隆仓库并进入目录
```bash
git clone https://github.com/yourusername/DevOpsGPT
cd DevOpsGPT
```
2. 创建并激活虚拟环境
```bash
python -m venv venv
# Windows
.\venv\Scripts\activate
```
3. 安装依赖
```bash
# 安装CUDA版PyTorch
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# 安装其他依赖
pip install -r requirements.txt
```
4. 检查环境
```bash
python gpu_check.py
```
## 环境配置详解
### 1. NVIDIA驱动安装
1. 查看当前显卡和驱动信息：
```bash
# 查看显卡型号
wmic path win32_VideoController get name
# 查看NVIDIA驱动版本
nvidia-smi
# 或使用更详细的命令
nvidia-smi -q
# 查看CUDA版本
# Windows
nvidia-smi -q | findstr "Driver Version" "CUDA Version" "VBIOS Version"
# Linux
nvidia-smi -q | grep -E "Driver Version|CUDA Version|VBIOS Version"
```
示例输出：
```
Driver Version : 566.36
CUDA Version : 12.7
VBIOS Version : 94.06.14.40.f4
```
2. 访问[NVIDIA驱动下载页面](https://www.nvidia.com/Download/index.aspx)
3. 选择RTX 3060显卡
4. 下载并安装最新驱动
### 2. CUDA配置
1. 下载[CUDA Toolkit 12.1](https://developer.nvidia.com/cuda-12-1-0-download-archive)
2. 选择Windows > x86_64 > 11 > exe(local)
3. 安装完成后配置环境变量：
```bash
CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
Path += %CUDA_PATH%\bin
Path += %CUDA_PATH%\libnvvp
```
## 模型选择
### 主选模型：Llama 3.2 (3B)
- 适用场景：DevOps自动化部署、配置文件生成
- 训练方法：LoRA或全参数微调
- 显存要求：训练时约需4-6GB
- 优点：轻量级、部署灵活、训练快速
- 来源：[Llama 3.2 Community License](https://ai.meta.com/llama/)
### 备选模型：Llama 3.1 (8B)
- 适用场景：轻量级部署任务
- 训练方法：LoRA + 8bit量化
- 显存要求：训练时约需8-10GB
- 优点：性能更好、多语言支持
- 来源：[Llama 3.1 Community License](https://ai.meta.com/llama/)
## 环境验证
运行环境检查脚本：
```bash
python gpu_check.py
```
检查要点：
1. NVIDIA显卡识别正确
2. CUDA可用性
3. 驱动版本满足要求
4. PyTorch正确安装
## 常见问题
### CUDA不可用
1. 检查NVIDIA驱动安装状态
2. 验证CUDA环境变量设置
3. 确认PyTorch是CUDA版本
### 显存不足
1. 减小batch size
2. 使用梯度检查点
3. 考虑切换到Phi-2模型
### 训练相关
1. 确保使用GPU训练
2. 优化数据加载
3. 合理设置学习率
## 使用说明
1. 环境检查：使用`gpu_check.py`验证配置
2. 检查报告：查看`gpu_check_report.json`了解详细信息
3. 根据实际情况选择合适的模型
## 许可证
MIT License
## 支持
如遇问题，请提交Issue或Pull Request。
```