تحذير: هذه هي "الوظائف" التي "تُعنى".

ومن المرجح أن الكثير مما هو أسفل لن يعمل؛ أنا توليد هذه كما كيف إلى ل ME ومن ثم القيام بجميع الخطوات والحصول على تطبيق العينة العمل... كنت قد تم التسلل ورأيت لهم! أنها سوف تكون على الأرجح جاهزة منتصف كانون الأول/ديسمبر.

## أولاً

اربطوا لأن هذه ستكون سلسلة طويلة!

إذا كنت تتبع مع هذه المدونة، ستعرف أنني مهووس قليلاً بإيجاد طرق مثيرة للاهتمام لاستخدام LLMs و AI في التطبيقات العملية.

حسناً، لدي مشروع جديد يجمع بين حبي للمدونات، C# و AI: بناء مساعد للكتابة يساعدني في صياغة مقالات جديدة للمدونات باستخدام المحتوى الحالي كقاعدة معرفية.

ملاحظة: هذا جزء من تجاربي مع AI (مساعدة في الصياغة) + تحريري الخاص.

• نفس الصوت، نفس العمليّة، مجرد أصابع أسرع.
• التفكير في الكيفية التي تستخدم بها الممارسات القانونية الحديثة نظم إدارة الأراضي المدربة على السوابق القضائية لصياغة المذكرات والالتماسات والعقود.
• إنها لا تبدأ من الصفر -- النظام يشير إلى السوابق ذات الصلة، يقترح لغة مبنية على وثائق الماضي الناجحة، ويحافظ على الاتساق مع الأنماط الراسخة.
• هذا بالضبط ما نبنيه هنا، لكن لمحتوى المدونات.
• ويتمثل الهدف من ذلك في إنشاء وظيفة مساعد كتابة يعمل تحت إشراف المنظمة الدولية للفرانكوفونية، على النحو التالي:

يساعد على صياغة مدوّات جديدة في أسلوبي المستقرالمحتويات ذات الصلة بالموضوع من المواد السابقة إلىيجد وظائف متشابهة للحفاظ على الاتساق

الروابط الداخلية بالمواد ذات الصلة

"أعمال مثل "جيت هوب كوبيان لمدونتك

• هذه السلسلة ستغطي مبنىً كاملاًالجيل المعزَّز من استعادة القدرة (RAG)
• **النظام في C# الذي يعمل على النوافذ.**سنستخدم أحدث النُهج والأطر، وسأشرح كل تقنية جديدة عندما نصادفها.
• **إعدادات عتادي (و الحد الأدنى لمختلف)**آلة التطوير:

المجموع*** NVIDIA RTX A4000 (Vram)**وحدة وحدة

AMD RAZEN 9 9950 XX

• ****:: 96/نـزع السلاح
  • هذا هو وضعي المحدد، ولكن أنت
  • لست بحاجة إلى هذا الجهاز
• **(ب) أن يتبعوا على طول الطريق.**هنا الحد الأدنى لمصفوفات مختلفة:
  • التسارع GPU (موصى به، غير مطلوب)
• 1 ف-5، 1 ف-4، 1 ف-3، 1 خ م، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م أ م و، 1 م أ م:: نسبة نفيديا إلى نفيديا مع 8 غرامات فيرم (مثل RTX 3060، GTX 1070 Ti)

جاري تشغيل 7BB نماذج معQ

• & جاريمُجَز
• **)على سبيل المثال، RTX 3060 12GB، RTX 4060 TI(**نفّر نماذج أكبر أو أعلى جودة ككمات
• إعدادي
  • : 16GB (A4000) - يمكن تشغيل 13B نماذج مريحة
  • المعالج - فقط البديل
  • 1 ف-5، 1 ف-4، 1 ف-3، 1 خ م، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م أ م و، 1 م أ م

الموضوع الحديث: العنصر الأساسي

• أولاً -: 8++ النواة (لتوليد معقول)
  • كل شيء يعمل على وحدة المعالجة المركزية، فقط أبطأ:
• الجيل الماثل: A-5-10x أبطأاستنتاجات: - 10 - 50 x أبطأ
  • ما زالَ تماماً يُستخدَمُ لa مُتَأَكِّد مُسْتَقْبَل!
• الاحتياجات من1 ف-5، 1 ف-4، 1 ف-3، 1 خ م، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م أ م و، 1 م أ م

: 16GP System RAM

• المعالج المعالج- فقط استdex لنماذج 7Bمُجَز
• :: 32 GGأفضل لنماذج أكبر على المعالج

إعدادي

: 96GB - الإفراط في القتل، 32GB هو الكثير

• الخزنةSS
• (أ) توصية بنموذج تحميلالفضاء الخارجي
• '20GB للنماذج وقاعدة بيانات ناقلات الأمراضماذا عن إنتل / AMD المعالجات؟

**تشتمل المعالجات الحديثة الآن على مسرعات AI مخصصة:*شركة Int(بحيرة ميتور+) - إنتل BOSst (NPU)*السنة الأولى

(سلسلة 7040/8040) -

• ✅ Great for: On-device inference, battery efficiency (laptops)
• ⚠️ Limited for our use: Immature .NET/ONNX Runtime support
• ❌ Not ready for: This project's primary path

AMD

1. (نقطة الترميز) - ما يصل إلى 50 طانالمهم: المعالجات هي للاستدلال فقط!
2. أنت لا "تبني" أو تُدرّب نماذج على المعالجات الوطنية - إنها مصمّمة لـعُرْض
3. **(أ) نماذج التدريب قبل التدريب بكفاءة.**وتُدرَّب النماذج على وحدات المعالجة الجيوديسية السحابية (أو محطات العمل)، ثم تُحمَّل وتُنشر في وحدات المعالجة الوطنية للاستدلال.
4. **الحالة الراهنة للنماذج الجارية بشأن المعالجات الوطنية (حسب الكتابة):**لماذا ليس NUPs لهذه السلسلة؟
5. النظام الإيكولوجي: CUDA لديها 15 سنة من النضج أكثر من 15 سنة، دعم NPU في الشبكة هو الوليد.

باء - النموذج

• : معظم نماذج نموذج النموذج العالمي للإدارة المتكاملة للغابات تستهدف CUDA/CUDA/CUDA، والنماذج المُحسَّبة في إطار نموذج الوحدة الحضرية نادرة.الوثائقالموارد المحدودة لتطوير وحدة المعالجة دون الوطنية في C#
• م م م م
• : حالياً أبطأ من المكيفات المنفصلة لعبء عملنا
• دعم المشروع المباشر

لا يزال تجريبياً لاستدلال LLL

# Use DirectML execution provider (supports NPU)
dotnet add package Microsoft.ML.OnnxRuntime.DirectML

# In code:
var sessionOptions = new SessionOptions();
sessionOptions.AppendExecutionProvider("DML"); // DirectML
var session = new InferenceSession("model.onnx", sessionOptions);

**هل يمكنك استخدام المعالجات الوطنية للاستدلال؟**نعم، ولكن:المتطلباتيجري تنفيذ التنفيذ في OONNNX وقت العرضيجب أن تكون النماذج في شكل OONNX (لا GGGUF)

دعم هو تجريبيالأداء في الوقت الراهن هو أداء ناقص الأداء ضد شركة CUDA

كيفية تجربة NPU استدلال (المستخدمون المتقدمون):

رابعا - النظر في المستقبل

1. **ذات مرة:**وقت التشغيل ONNNNNX
2. وقد عقد مؤتمراً بشأن
3. **فَهُمْ سَيَصْبَحُونَ بَعْضَ ٱلْعَالَمِ ٱلْعَالَمِيَّةِ لِلْإِسْتِدْعَايَةِ !**الحد الأدنى
4. **سوف أظهر المسار المتسارع GPU، ولكن سوف تلاحظ بدائل CPU فقط في جميع أنحاء.**يمكنك أن تبدأ CCPU-Now وترفع في وقت لاحق!
5. ما نحن نبنيهوسيتكون النظام النهائي من عدة عناصر:
6. نقطة نقطة نقطة نقطة نقطة نقطة- تجهز جميع المدوّات، تقطّعها بذكاء، وتولّد المزجّات

قاعدة بيانات الفئة

- مخزنات مزلقات وتمكن من البحث عن محتوى مشابه

• • مساعد لكتابة المكتب المكتبي مع فريق التحرير والاقتراح

• تكامل LLL

• • الاستدلال المحلي في توليد المحتوى

• توليد

• الوصلات الداخلية والإشارات إلى الوظائف ذات الصلة

• • أنماط تعلم من الوظائف القائمة للحفاظ على الصوت والهيكل

• فكّر فيها على أنها "GitHub Copeperation meeting Gramarly" ولكن تدربت خصيصاً على محتوى وأسلوب مدونتك.

• لماذا "ماهو الـ ج بي بي" ؟

• وتستخدم شركات القانون الحديث برامج LLLLS المدربة على المكتبات الواسعة للسوابق القضائية للمساعدة في صياغة الوثائق القانونية.

عند كتابة الطلب، يقوم النظام بما يلي:

المراجع المرجعية السوابق ذات الصلة والحجج الناجحة السابقة

الأنماط اللغوية التي عملت قبل

المحافظة على الاتساق مع معايير الكتابة القانونية

المصدرات المُسِيّة تلقائياً

هذا نموذجنا النموذجي

عندما أبدأ بكتابة "أضف إلى إطار الهيئة لـ..."، يجب على النظام:اعثر على وظائفي السابقة ذات الصلة EF, الأنماط الهيكلية التي استخدمتها من قبلعرض مقتطفات من المواد السابقة من الرموز ذات الصلة

وصلات التشغيل التلقائي للوظائف ذات الصلة

حافظ على أسلوب كتابتي وعمقي التقنيعلى عكس مساعدي كتابات AB العامة، نظامنا مبني على المحتوى السابق الفعلي، لذا لن يقترح أشياء متناقضة مع ما كتبته بالفعل.أولا - لمحةهذا ما سنغطيه خلال الأسابيع القادمة).

الجزء 1 (هذه الوظيفة): مقدمة وهيكل

سنقوم بتأسيس ما نبنيه ولماذا، بالإضافة إلى تغطية القرارات المعمارية.

الجزء 2: تركيبة الجيني وCUDA في C#

تم إنشاء نوافذ تشغيل لـ GPU مع مُعَدّل مُعَدّة لـكندا, قُدْسوإختبار أن C# يمكن في الواقع رؤية واستخدام الـ GPU الخاص بك.الجزء 3: فهم قواعد البياناتعمق الغوص العميق في ما هو في الواقع ما مززز في الواقع، كيف أنها تمكن البحث الداتيكاتيني، واختيار قاعدة بيانات المتجه الصحيحة (التالير: سنستخدم على الأرجح

أو(ج) مُنْفِجِكَر, الجزء 4: بناء خط الامتصاصتجهيز الملفات، استراتيجيات القطع الذكية (لا يمكنك فقط تقسيم على الفقرات!) و توليد التضمينات لكل محتوى لدينا.

جزء من: جزء 5: المفكّل

اختيار الإطار الصحيح (الإطار المناسب)

وُجِسْتُ

المائل

أو

ملاوي

، بناء UI، وجعله في الواقع يسر استخدام.

الجزء 6: التكامل المحلي

1. نماذج التشغيل المستخدمة محلياًوقت التشغيل ONNNNNX
2. الـ 08 pp- أو نُهُج أخرى.
3. **الاستفادة الكاملة من ذلك A4000!**الجزء 7: المحتوى
4. **تجميع كل ذلك معاً - البحث الدلالي عن المحتوى ذي الصلة، وإدارة نافذة السياق، والهندسة الفورية للمساعدة في الكتابة، وتقديم اقتراحات متسقة.**الجزء 8: نشر المعالم المتقدمة والإنتاج
5. **(ب) الربط التلقائي بالوظائف ذات الصلة، والتحقق من اتساق الأسلوب، وتقديم اقتراحات شفرات المقتطفات، وجعل النظام في الواقع مفيداً للكتابة اليومية.**لماذا الرافع؟

قبل أن نغوص في الهندسة المعمارية، دعونا نتحدث عن لماذا RAG (الجيل المقوي للريتريفال) هو النهج الصحيح هنا.

مشكلة الضبط المُحَدَّد المُحَدَّد

قد تفكرون: "لماذا لا تقومون فقط بتدقيق LLLM على جميع مقالات المدونات؟" هناك العديد من المشاكل مع ذلك:

1. 2. - الضبط الدقيق مكلف (في الحساب والجهد على حد سواء) 3. : 4. - كل تدوينة جديدة تعني إعادة 5. صندوق أسود

• من الصعب أن نفهم ما هو نموذج "تعلمت"

• ✅ Always up-to-date (just re-index new posts as you write them)

• ✅ Grounded in your actual writing (maintains consistency)

• ✅ Traceable (know which past posts influenced suggestions)

• ✅ Efficient (no expensive retraining for every new post)

• ✅ Flexible (can swap out LLMs or adjust search strategies)

• ✅ Privacy-preserving (everything runs locally)

-لا ضمانة بأن النموذج لن يختلق أشياء

graph TB
    A[Markdown Files] -->|Ingest| B[Chunking Service]
    B -->|Text Chunks| C[Embedding Model]
    C -->|Vectors| D[Vector Database]

    E[User Writing] -->|Current Draft| F[Windows Client]
    F -->|Embed Context| C
    C -->|Query Vector| D
    D -->|Similar Content| G[Context Builder]

    G -->|Relevant Past Articles| H[Prompt Engineer]
    H -->|Prompt + Context| I[Local LLM]
    I -->|Generated Suggestions| J[Link Generator]
    J -->|Suggestions + Citations| F

    F -->|Display| K[Editor with Suggestions]

    class C,I embedding
    class D,K output

    classDef embedding stroke:#333,stroke-width:4px
    classDef output stroke:#333,stroke-width:4px

لا مُهديات

• لا يمكن بسهولة تتبع الردود إلى المصادر

• كيف يحلّ هذا

• يجمع RAG أفضل من كل من العالمين: قوة LLMs مع دقة البحث لإنشاء توليد محتوى واعي السياق.

• والتدفق هو:

• يبدأ المستخدم الكتابة (على سبيل المثال، "بناء رقم قياسي للأفضلية مع ASP.net ras...")

• Syst syst system يجد مواد سابقة متشابهة من الناحية الدانتين علمياً

نظام التلثات ذات الصلة كسياق إلى LLLMLLL توليد اقتراحات/مواصلة استناداً إلى المحتوى السابق

عروض نظامية تتضمن اقتراحات مع إشارات إلى الوظائف الممولة من الموارد

وهذا يعني:

هيكل النظام

دعوني اشرح العناصر الرئيسية التي سنبنيها

• ١ -
• نقطة نقطة نقطة نقطة نقطة نقطة

**العنصر:**مُق قراءة علامات أسفل الملفات من دليل المُدوّل

• اقتباسات فوق الوصف (العنوان، الفئات، التاريخ، عدد الكلمات)قطع ذكية في المحتوى (تركات رموز الحفظ لإعادة الاستخدام)
• تحديد الأنماط الهيكلية (كيفية تنظيم الوظائف)
• مصدر معلومات لـ توليدالتحدي الرئيسي

"التعليقات الإستراتيجيّة تتطلّب الكثير من الأمور"

صغير جداً وتخسر السياق.

**كبير جداً وأنت تُضيّعُ نافذة سياق LLM.**نحن بحاجة إلى قطع من القطع التي هي ذات معنى من الناحية الدلالية - وهي فكرة كاملة أو قسم كامل، وليس كسر الفقرات التعسفية.

• **)٢( A.**النموذج المُزْرِج
• **الـ embeddings هي السحر الذي يجعل البحث الدلالي يعمل.**نموذج الترسيخ يأخذ النص ويحوّله إلى متجه عالي الأبعاد (مفصل الأرقام) الذي يلتقط المعنى الدلالي.
• **و ينتهي المطاف بمفاهيم مماثلة بـ "تغلق" في فضاء متجه، حتى لو استخدموا كلمات مختلفة.**وعلى سبيل المثال:
• "هجرة قاعدة البيانات" و"تحديث مخطط DB DB" سيكون لهما إضافات متشابهة"القط" و"الكيتن" سيكونان أقرب من "القط" و"البيانات"

الخيار في التكنولوجيا

:سنستخدمها أيضاً

محول مـن مـن مـبلـ مـ مـ م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م م

نماذج (يمكن تشغيلها عن طريق ONNX وقت التشغيل في C#)

• ✅ Mature, stable, lots of resources
• ✅ Native Windows performance
• ❌ Windows-only
• ❌ Looks dated unless you invest in UI libraries

نماذج OpenAI المدمجة (في API)

• ✅ Cross-platform (XAML-based)
• ✅ Modern, actively developed
• ✅ Similar to WPF
• ❌ Smaller ecosystem

نماذج BBGG

• ✅ Cross-platform
• ✅ Microsoft-backed
• ❌ Still maturing
• ❌ More mobile-focused

(مصدر فُتْفَ سِنَّة)**أولاً -قاعدة بيانات الفئة**وتخزن قاعدة بيانات المتجهات التضمينات وتمكّن من البحث السريع عن التشابه.**عندما تكتب عن "Doker Companus"، تجد أن K أكثر محتوى ماضي مماثل من الناحية التماثلية - ليس فقط مباريات الكلمات الرئيسية، ولكن المواد ذات الصلة من الناحية المفاهيمية.**الخيار في التكنولوجيا

سنقيّم ما يلي:

• -حديثة، مكتوبة في (روست)، ممتازة C# عميلة، ودودة
• (ج) مُنْفِجِكَر
• -امتداد PostgresSQL (نحن بالفعل نستخدم Postgres!)
• مُنَي مُنْي

- خيار متين آخر مع دعم جيد.:

• • الشعبية في أرض بايثون، أقل من ذلك في C#
• أنا أميل إلى (Qdrant) لبساطته وأدائه، أو (pgvector) للحفاظ على كل شيء في Postgres.
• أولاً -

نحن بحاجة إلى UI لطيفة للكتابة مع مساعدة AI.فكّر بمحرّر مقسّم مع إقتراحات.

• خيارات:WPP (مؤسسة عرض النوافذ))
• المائل
• موالي (ملغم-platform AUI)
• بما أننا مركزين على النوافذ و أريد شيئاً مستقراً، أنا أميل إلى

الاتحاد العالمي

• الحديثة الحداثة
• أو
• المائل

من أجل تلك الإمكانية المتقاطعة.5 - مكتب الأمم المتحدة في نيويورك& محلي

هنا حيث يضيء A4000 GPU.

نريد أن ندير LLM محلياً من أجل:

• الخصوصية (لا توجد بيانات أُرسلت إلى البلدان
• (الاستدلال المحلي هو سريع)
• التكلفة (لا توجد رسوم على متوسط أسعار الصرف)
• (نحن نختار النموذج)

خيارات التكنولوجيا

• وقت التشغيل ONNNNNX
• إلى تنسيق ONNX
• التسارع GPU
• دعم دعم محليCC

الجانب السلبي: ليس كل النماذج تحوّل بشكل جيد

الـ 08 pp

• الملحقات
• &+++ مكتبة مع C مُلزمات
• لِمْ لِمْ لِمْ
• الدعم المساند
• دعم النموذج على نطاق واسع (LLALA وMistral وما إلى ذلك)

التنمية النشطة جدا

الـ

PyTorch مُلزمات لـ Nnet

1. **معظم المرونة (المرونة) (المرونة)**منح منحني التعلم
2. أنا يميل نحولِمْ لِمْ لِمْ
3. **لنضجها وسهولة استخدامها مع النماذج الشعبية.**٦ -
4. إدارة و العرضولها نوافذ سياقية محدودة (مثل 4K و8K و32K رمزية).
5. **ونحن بحاجة إلى ما يلي:**احفظ المحتوى الأكثر صلة (Tok K من بحث المتجه)

اضبطها في نافذة السياق مع المشروع الحالي

(هيكـل الرسـل الرسـل للخطـة

غرفة سفر للمقترحات التي أُعِدّت

• **هذا هو الخدعة أكثر مما يبدو.**سنستكشف استراتيجيات مثل:
• الدالة الدالة K اختيار مستند على ما تقوم حالياً بكتابةإعادة ترتيب المسترجعات بحسب الأهمية

تَعْبِرُ بِصَرْفِيَةٍ

• **عرض متعدد الصور مع أمثلة من وظائف سابقة7 - لا شيء.**كل قطعة تحتاج إلى بيانات فوقية:
• **المصدر الملف/الوظيفة**الوضع في الميضع في المُثَل الأصلية
• تاريخ النشر

• عندما تولد LLLM اقتراحات، نقوم تلقائياً بإنشاء روابط حدودية لنقاط المصدر وتحديد أنماط شفرات قابلة لإعادة الاستخدام.مَاذَا يُمْكِنُ أَنْ يَتَغَيَّرَ هٰذَا ؟هناك الكثير من دروس RAG هناك، ولكن هذه السلسلة ستكون مختلفة:& أوليC#Fst

- معظم أمثلة RAG في Python.

• **سوف نصبح كاملين- تحسين قدرة NVIDIA CUDA على النوافذ، لا على لينكس/WSL- ليس فقط إثبات التقبل، ولكن الشفرة المستخدمة الفعلية**المنفذ- الخاصية

- الاستفادة من المساعدة في كتابة المدونات، وليس من توليد المحتوى العام

• - نحن في الواقع سنشرح "لماذا" وراء القرارات
• **التكنولوجيات التي سنستخدمها**ها هي مجموعة التكنولوجيا التي أخطط لها:
• **الإطار الأساسي**في العالم ٩

(المتأخرات في وقت كتابة التقرير)

• C# 13- الملامح اللغوية الحديثةAI/ML المكتبات
• **وقت التشغيل ONNNNNX**أو

لِمْ لِمْ لِمْ

• الاستدلال

ميكروسوفt.ML

• - إمكانية القيام ببعض المهامالمحولون عن طريق OONNX
• - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -قاعدة بيانات الفئة
• ****أو
• (ج) مُنْفِجِكَر- يحدد فيما بعد

الإطار

• وُجِسْتُمع مع
• الحداثةأو
• المائل- العصر الحديث URI

• &- يستخدم هذا مسبقاً كعلامة -
• مُصد مُصد مُصد مُكر- لتسيير الخدمات المقدمة في شكل Qddrent أو غيرها من الخدمات
• إطار عمل الأمم المتحدة-إذا استخدمنا (بجفيكتور )
• المجموعكندا

)أكشــر(

• **(المتأخرات في وقت كتابة التقرير)**قُدْس
• - بدائيات التعليم العميقلجنة البلدان
• **إعدادات الأجهزة المختلفة لها قدرات مختلفة:**مع 8GB VRAM (الحد الأدنى)
• نمط: 7B نماذج البارامترات مع Q4

جاري التجهيز

: عملية التزكية في الدفعات الأصغر

1. إدارة الذاكرة
2. : الرصد الحذر المطلوب
3. يَحْمَل جيداً لـ
4. : مساعد في الكتابة، الجيل المدمج
5. مع 12GB+ فيرم (ممول)
6. نمط

7B مع تكرير عالي الجودة (Q5/Q6)

جاري التجهيز

: دفعات كبيرة لنواتج أسرع:لا تنفيذ: بعض النماذج 13B مع تكهنات عدوانية

• مع 16GB+ فرام (تأتي)
• نمط
• 7B-13B نماذج البارامترات المريحة
• جاري التجهيز
• :: الدفعات الكاملة، الحد الأدنى من القيود

FAF

أوقات الاستجابة الثانية الفرعية

غرفة الاجتماعات

• يمكن أن تجربة مع نماذج مختلفةالمعالج فقط (التراجع)
• كل شيء يعملفقط ابطأ ابطأ
• مُحَث5-10 x أبطأ من الميول
• LL LLDDG: 10.50 x أبطأ من الميول
• LCLL LCLLLمن أجل مساعد كتابة مع الصبر!

دال - مقدمـة مـن

سوف نبني هذا تدريجياً:

ابدأ بمكونات مبسطة (قراءة و قص)

إضافة توليد مدمج (يمكن البدء بـ API قبل الذهاب محلياً)

بناء أساسUUI

&LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLL LL LL L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L

• البولندية والتكلوثيةوسيكون كل جزء من هذه الأجزاء قابلا للنشر والاختبار بمفرده.
• لا توجد كوابيس تكاملية كبيرة
• ما هو التالي؟
• داخل
• الجزء 2: تركيبة الجيني وCUDA في C#
• ، نحن سَنُصبحُ مُتَأَكِّدُ على مَع تركيبِ GPU:
• جاري تركيب CUDA و QDnn على النوافذ
• تهيئة بيئة التنمية

كتابة بسيط C# برنامج للتحقق من وصول GPU

إجراء اختبار أساسي مع أونينكس وقت التشغيل

• مقيسة AA4000 لدينا لفهم ما يمكننا القيام به
• قد يبدو هذا أمراً أساسياً، لكن الحصول على رزمة الـ GPU بشكل صحيح أمر بالغ الأهمية.
• لقد أضعت ساعات في معالجة القضايا التي جاءت إلى نسخ من عدم التوافق أو فقدان DLLS.
• لماذا هذا السؤال ؟
• وبعيداً عن كونه مشروعاً رائعاً، فإن لهذا النهج تطبيقات حقيقية:

- الحفاظ على أسلوب ثابت عبر مجموعات كبيرة من الوثائق!