第4讲(下):隐语SecretNote的安装与使用--安装步骤(WSL2方式)

zhaixuepan 2024-03-26 13:34:19

一、环境准备
还是windows11+wsl2
不过这次使用docker方式

 

wsl2+docker安装方式参考:https://blog.csdn.net/weixin_48386220/article/details/131920077

二、安装步骤

1.检出secretnote代码

 git clone https://github.com/secretflow/secretnote

2.使用docker-compose启动secretnote

cd secretnote/docker/sim
docker-compose up

漫长的等待。。。拉镜像、启动。

拉取完了,启动成功。 

 

 

三、测试

注意:由于是用docker启动的,容器里的网络和宿主机的网络并不一致,但window的docker会自动在hosts文件增加几个域名,可通过域名:暴漏端口访问。
 

# Added by Docker Desktop
172.18.3.249 host.docker.internal
172.18.3.249 gateway.docker.internal
# To allow the same kube context to work on the host and the container:
127.0.0.1 kubernetes.docker.internal
# End of section

官方提供的docker-compose文件,对外暴漏了两个端口:8090和8092,通过一下方式访问:
Alice:http://host.docker.internal:8090/
Bob:http://host.docker.internal:8092/

添加节点的时候也使用上述地址。

至此,secret-note可以正常访问,节点状态在线。

 

 

 

...全文
231 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
推荐系统项目技术架构与实现路径 本项目系统性地构建推荐系统技术体系,涵盖理论基础、算法实现与工程应用三个维度。技术文档按功能模块进行组织,形成完整的知识结构体系。 核心算法实现部分包含两种技术路径: 1. 基于Python的原型开发环境 - 协同过滤算法:分别实现基于物品和用户的协同过滤(包含标准库实现与机器学习框架实现两个版本) - 隐语义模型:构建矩阵分解推荐模型 - 图神经网络:开发基于图结构的推荐算法 2. 基于Spark的分布式计算方案 - 特征工程处理流程 - 分布式协同过滤实现 - 实时推荐系统架构 算法研究体系包含以下方向: - 传统推荐模型:关联规则挖掘、隐语义模型、交替最小二乘法 - 标签分析算法:潜在狄利克雷分布、词频-逆文档频率、标签协同过滤 - 前沿技术探索:马尔可夫链模型、社交网络分析、深度学习推荐算法 系统架构设计采用模块化方案: 数据层:用户行为日志存储系统 业务层: - 数据采集模块 - 用户画像生成引擎 - 核心推荐引擎 - 内容过滤子系统 - 排序算法模块 项目文档包含理论研究资料、学术论文解析和技术实践手册,形成完整的推荐系统知识图谱。所有实现均提供可执行的代码实例和详细的技术文档说明。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!

571

社区成员

发帖
与我相关
我的任务
社区描述
隐语开源社区,隐私计算开发者交流和讨论的平台。
密码学可信计算技术安全 企业社区
社区管理员
  • 隐语SecretFlow
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

【最新活动】

3月18日:隐私计算实训营第一期

试试用AI创作助手写篇文章吧