Docker：Docker部署Neo4j图数据库

优质文章学习记录

— 6 min read
Docker：Docker部署Neo4j图数据库

Docker：Docker部署Neo4j图数据库

前言

Neo4j是一个高性能的，基于java开发的，NOSQL图形数据库，它将结构化数据存储在网络上而不是表中；它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎。

Neo4j分为企业版和社区版，企业版可以创建多个数据库，链接多个数据库，但是收费……；社区版只能链接一个数据库，所以社区版不支持创建数据库命令。

Neo4j部署后默认创建名字为 neo4j 的数据库，可以直接链接这个数据库

拉取镜像

# 下载镜像 docker pull neo4j:5.26.2

也可以不指定版本

构建容器

# 创建neo4j容器 docker run -it -d -p 7474:7474 -p 7687:7687 \ -v /home/neo4j/data:/data \ -v /home/neo4j/logs:/logs \ -v /home/neo4j/conf:/var/lib/neo4j/conf \ -v /home/neo4j/import:/var/lib/neo4j/import \ -v /home/neo4j/plugins:/var/lib/neo4j/plugins \ -e NEO4J_AUTH=neo4j/password \ --name neo4j neo4j:5.26.2

-p 7474:7474 宿主机端口映射，7474端口为Neo4j界面访问端口

-p 7687:7687 宿主机端口映射，7687端口为后台API接口访问端口

-v /home/neo4j/data:/data 宿主机目录挂载，将Neo4j存储数据挂载到宿主机目录

-v /home/neo4j/logs:/logs 宿主机目录挂载，将Neo4j运行日志挂载到宿主机目录

-v /home/neo4j/conf:/var/lib/neo4j/conf 宿主机目录挂载，将Neo4j配置文件挂载到宿主机目录

-v /home/neo4j/import:/var/lib/neo4j/import 宿主机目录挂载，将Neo4j数据导入目录挂载到宿主机目录

-v /home/neo4j/plugins:/var/lib/neo4j/plugins 宿主机目录挂载，将Neo4j插件安装目录挂载到宿主机目录

-e NEO4J_AUTH=neo4j/password 配置Neo4j的登录密码，用户名必须是neo4j，密码可以自定义

访问界面

访问地址：http://{{目标地址}}:7474/browser/
本地部署的话就是 localhost,作者这里使用的是腾讯云服务器，使用云服务器记得开发7474端口

数据备份与恢复

停止容器

不管是导入或导出操作，第一步一定要将已启动的Neo4j停止（不是删除，是停止）

# 停止容器 docker stop neo4j 
#### 导出neo4j数据 docker run --interactive --tty --rm \ --volume=/home/neo4j/data:/data \ --volume=/home/neo4j/backups:/var/lib/neo4j/import \ --name neo4j_demo neo4j:5.26.2 \ neo4j-admin database dump neo4j --to-path=/var/lib/neo4j/import/

–interactive 提示Docker保持标准输入流（stdin，标准输入）对容器开放，允许用户通过命令行直接与容器交互，进行实时操作和调试。

–tty 提示Docker 为容器分配一个虚拟终端，允许发信号给容器进行实时操作。

–rm 容器完成操作并停止后自动删除容器。

-v /home/neo4j/data:/data 引用刚才停止的Neo4j容器存储的数据

-v /home/neo4j/backups:/var/lib/neo4j/import 将数据导出后通过容器映射目录到宿主机的 /home/neo4j/backup 目录

neo4j-admin database dump neo4j --to-path=/var/lib/neo4j/import/ 导出命令，在容器内使用 neo4j-admin 工具将 neo4j 数据库备份，备份文件存到容器内 /var/lib/neo4j/import/ 目录（实际则会通过映射存到宿主机对应的挂载目录 /home/neo4j/backups ）

–name neo4j_demo 重点：这里的容器名称不能和已停止的容器重名！！！！

导入数据

#- - - - - - - - - - - - - - 新版本 - - - - - - - - - - - - - - - #### 5.1版本之后，新版本导入neo4j数据（如果数据库存在会报错） docker run -it --rm \ --volume=/home/neo4j/data:/data \ --volume=/home/neo4j/import:/var/lib/neo4j/import neo4j:5.26.2 \ neo4j-admin database load --from-path=/var/lib/neo4j/import/ neo4j #### 5.1版本之后，新版本强制导入neo4j数据（无视数据库是否存在直接覆盖） docker run -it --rm \ --volume=/home/neo4j/data:/data \ --volume=/home/neo4j/import:/var/lib/neo4j/import neo4j:5.26.2 \ neo4j-admin database load --from-path=/var/lib/neo4j/import/ neo4j \ --overwrite-destination=true #- - - - - - - - - - - - - - 旧版本 - - - - - - - - - - - - - - - - #### 5.1版本之前，旧版本的导入命令（如果数据库存在会报错） docker run -it --rm \ --volume=/home/neo4j/data:/data \ --volume=/home/neo4j/import:/var/lib/neo4j/import neo4j:4.4.40 \ neo4j-admin load --from=/var/lib/neo4j/import/neo4j.dump --database=neo4j #### 5.1版本之前，旧版本的强制导入命令（无视数据库是否存在直接覆盖） docker run -it --rm \ --volume=/home/neo4j/data:/data \ --volume=/home/neo4j/import:/var/lib/neo4j/import neo4j:4.4.40 \ neo4j-admin load --from=/var/lib/neo4j/import/neo4j.dump --database=neo4j --force #- - - - - - - - - - 旧版本文件导入新版本数据库 - - - - - - - - - - - - #### 旧版本的数据文件强制导入新版本数据库内（无视数据库是否存在直接覆盖） docker run -it --rm \ --volume=/home/neo4j/data:/data \ --volume=/home/neo4j/import:/var/lib/neo4j/import neo4j:5.26.2 \ sh -c "neo4j-admin database load --from-path=/var/lib/neo4j/import/ neo4j --overwrite-destination=true && neo4j-admin database migrate neo4j --force-btree-indexes-to-range"

–rm 容器完成操作并停止后自动删除容器。

-v /home/neo4j/data:/data 引用刚才停止的Neo4j容器存储的数据，目的是将数据导入到这个数据映射目录内

-v /home/neo4j/import:/var/lib/neo4j/import 将刚才导出的文件改名 “neo4j.dump”后，复制到/home/neo4j/import目录下，通过挂载机制会自动映射到容器内的 /home/neo4j/import 目录

neo4j-admin database load --from-path=/var/lib/neo4j/import/ neo4j 导入命令，在容器内使用 neo4j-admin 工具将 /var/lib/neo4j/import 目录下的“neo4j.dump”文件导入到neo4j数据库内

–overwrite-destination=true 强制导入，无视数据库是否存在直接覆盖

重启先前停止的容器

# 重启Neo4j容器 docker start neo4j

Read more

Whisper.cpp：高效语音识别的边缘计算革命

Whisper.cpp：高效语音识别的边缘计算革命 【免费下载链接】whisper.cpp 项目地址: https://ai.gitcode.com/hf_mirrors/ai-gitcode/whisper.cpp 技术原理深度解析 Whisper.cpp作为OpenAI Whisper模型的C++移植版本，在保持原始模型强大性能的同时，通过ggml张量库实现了在边缘设备上的高效部署。该项目的核心创新在于将原本依赖PyTorch的神经网络模型转换为纯C++实现，大幅降低了运行时依赖和内存占用。 传统的语音识别系统通常需要云端计算资源，而Whisper.cpp通过量化技术和内存优化策略，使得大型语言模型能够在本地设备上稳定运行。其技术架构基于编码器-解码器的Transformer结构，但在实现层面进行了深度优化： * 内存池管理：采用预分配内存池减少动态内存分配开销 * 量化推理：支持多种精度量化（q4_0、q5_0、q5_1、q8_0等） * 流式处理：支持实时音频流的连续识别 架构设计与实现创新 模型转换机制 Whisper.cpp的核心突破在于实现了从P

8卡RTX 5090服务器llama.cpp测试

8 卡 RTX 5090 服务器 完整安装及性能调优指南  8卡RTX 5090服务器 从 NVIDIA驱动安装 → CUDA环境 → llama.cpp编译 → 多GPU测试 的完整、可直接执行流程（基于Ubuntu 22.04 LTS，适配Blackwell架构）。 一、系统与硬件准备（必做） 1.1 系统要求 • 推荐：Ubuntu 22.04 LTS（64位） • 内核：6.8+ HWE内核（5090必须高内核） • 禁用：Nouveau开源驱动（与NVIDIA驱动冲突） 1.2 硬件检查 Bash # 查看8张5090是否被识别 lspci | grep -i nvidia

Stable Diffusion v1-5-pruned.safetensors本地部署指南

Stable Diffusion v1-5-pruned.safetensors 本地部署与 LoRA 微调实战指南 在消费级 GPU 上跑通一个 AI 图像生成模型，曾经是件门槛极高的事。动辄几十 GB 的显存占用、复杂的环境配置、晦涩的训练脚本……这些都曾让许多创作者望而却步。但如今，随着 .safetensors 格式的普及和 LoRA 技术的成熟，我们已经可以在一张 RTX 3090 上，用不到 10GB 显存完成一次完整的风格微调。 这一切的核心起点，正是 Stable Diffusion v1-5-pruned.safetensors —— 这个名字看似冗长，实则浓缩了当前本地 AIGC 实践中最关键的技术组合：轻量化基础模型 + 安全权重格式 + 高效微调机制。 为什么选择 v1-5-pruned.safetensors？ 当你打开 Hugging
揭秘 AIGC 背后的技术：GPT、BERT 与 Transformer 模型的工作原理

揭秘 AIGC 背后的技术：GPT、BERT 与 Transformer 模型的工作原理

一、引言 AIGC 的崛起与重要性 人工智能生成内容（AIGC）已经不再是未来的技术，它正以惊人的速度渗透到各行各业，重新定义了内容创作、媒体生产、甚至人类认知的边界。从深度学习到大规模自然语言处理，AIGC 的崛起代表着一种新型的智能化革命，其核心技术依赖于 Transformer 架构、GPT 和 BERT 等模型。这些技术不仅推动了自然语言处理（NLP）的进步，还在自动化写作、代码生成、艺术创作等多个领域取得了突破性进展。 AIGC 之所以成为技术热潮，背后是其颠覆性的效率提升和创新应用。比如，通过 GPT，我们可以在几秒钟内生成一篇文章，而传统写作过程可能需要几小时，甚至几天。这种技术的普及，不仅大大降低了内容创作的门槛，还为个体创作者、企业甚至国家带来了前所未有的生产力提升。 本文目的与结构概述 本文将深入探讨 AIGC 背后的核心技术——Transformer、GPT 和 BERT，带你一步步了解它们的架构原理、训练机制及实际应用。