Apache Cotton 技术文档
1. 安装指南
Apache Cotton 是一个运行在 Apache Mesos 上的 MySQL 实例框架。为了安装 Cotton,您需要以下环境:
- Python 2.7
- Mesos Python 绑定
首先,从 Apache 的 git 仓库克隆 Cotton 代码:
git clone https://git-wip-us.apache.org/repos/asf/incubator-cotton.git
或者,如果您更喜欢 GitHub,可以使用 GitHub 镜像:
git clone https://github.com/apache/incubator-cotton.git
Cotton 使用 Mesos Python 绑定,包括两个 Python 包。mesos.interface 可以从 PyPI 自动安装,而 mesos.native 是平台依赖的。您需要在您的机器上构建这个包(构建指南)或者下载一个为您的平台编译的包。
由于 pip 不支持 eggs,您需要使用 wheel convert 将 eggs 转换成 wheels,然后将其放入 3rdparty 文件夹。更多相关信息,请查看 README 文件。
2. 项目使用说明
Cotton 主要由两个组件组成:mysos_scheduler 和 mysos_executor。mysos_scheduler 连接到 Mesos master 并管理 MySQL 集群,mysos_executor 由 Mesos slave(根据 mysos_scheduler 的请求)启动以执行 MySQL 任务。
您可以使用 PEX 将这些组件及其依赖项打包成一个自包含的可执行文件,以便快速可靠地启动 Cotton 组件。
3. 项目API使用文档
Cotton 的 API 使用文档目前尚未提供详细说明。您可以通过阅读源代码和项目社区资源来了解更多信息。
4. 项目安装方式
Cotton 的安装主要通过克隆仓库源代码,然后构建和部署相关组件。以下是主要步骤:
- 克隆 Cotton 代码仓库。
- 构建或下载 Mesos Python 绑定并将其放入
3rdparty文件夹。 - 使用 PEX 将 Cotton 组件打包成可执行文件。
有关构建和测试的更多详细步骤,请参考以下部分。
构建和测试
单元测试
确保已安装 tox,然后运行以下命令:
tox
单元测试不需要 3rdparty 中的 mesos.native 包。Tox 会构建 Cotton 源码包并将其放入 .tox/dist。
在本地 Mesos 集群和 PEX 上进行端到端测试
构建/下载 mesos.native 包并放入 3rdparty,然后运行以下命令:
tox -e pex
此测试展示了如何打包 PEX 执行器并使用它在一个本地 Mesos 集群上启动一个模拟的 MySQL 集群。
在 Vagrant 虚拟机中的真实 Mesos 集群上进行端到端测试
Vagrant 测试使用 .tox/dist 中的 sdist Cotton 包,因此请确保首先运行 tox。然后执行以下操作:
vagrant up
等待 VM 和 Cotton API 端点启动(http://192.168.33.17:55001 变得可用)。
tox -e vagrant
test.sh 脚本会验证 Cotton 是否成功创建并删除了 MySQL 集群。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0125
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07