doc: update doc. (#30453)
This commit is contained in:
Haojun Liao
GitHub
parent
4c023e5a4b
commit
caa15959cd
|
|
@ -6,11 +6,11 @@ sidebar_label: "安装部署"
|
|||
import PkgListV3 from "/components/PkgListV3";
|
||||
|
||||
|
||||
# 使用 TDgpt Docker 镜像
|
||||
## 使用 TDgpt Docker 镜像
|
||||
|
||||
本节首先介绍如何通过 Docker 快速使用 TDgpt。
|
||||
|
||||
## 启动 TDgpt
|
||||
### 启动 TDgpt
|
||||
|
||||
如果已经安装了 Docker，首先拉取最新的 TDengine 容器镜像：
|
||||
|
||||
|
|
@ -47,13 +47,13 @@ docker exec -it <container name> bash
|
|||
然后就可以执行相关的 Linux 命令操作和访问 TDengine。
|
||||
|
||||
|
||||
# 注册云服务使用 TDgpt
|
||||
## 注册云服务使用 TDgpt
|
||||
|
||||
TDgpt 可以在 TDengine Cloud 上进行快速体验。如果您已经有云服务账号，请在数据库集市里面找到“时序数据预测分析数据集”数据库，点击启用就可以进入这个数据库，然后按照 TDgpt 的 SQL 操作手册来执行语句，比如 `select forecast(val, 'algo=tdtsfm_1') from forecast.electricity_demand;`。
|
||||
|
||||
# 通过安装包部署 TDgpt
|
||||
## 通过安装包部署 TDgpt
|
||||
|
||||
## 环境准备
|
||||
### 环境准备
|
||||
|
||||
使用 TDgpt 的高级时序数据分析功能需要在 TDengine 集群中安装部署Taos AI node（Anode）。Anode 运行在 Linux 平台上，并需要 3.10 或以上版本的 Python 环境支持。
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ TDgpt 可以在 TDengine Cloud 上进行快速体验。如果您已经有云服
|
|||
|
||||
可以使用以下的命令在 Ubuntu Linux 上安装 Python 3.10 环境
|
||||
|
||||
### 安装 Python
|
||||
#### 安装 Python
|
||||
|
||||
```shell
|
||||
sudo apt-get install software-properties-common
|
||||
|
|
@ -74,7 +74,7 @@ sudo apt install python3.10-venv
|
|||
sudo apt install python3.10-dev
|
||||
```
|
||||
|
||||
### 安装 PiPy
|
||||
#### 安装 PiPy
|
||||
|
||||
```shell
|
||||
curl -sS https://bootstrap.pypa.io/get-pip.py | python3.10
|
||||
|
|
@ -86,7 +86,7 @@ export PATH=$PATH:~/.local/bin
|
|||
```
|
||||
至此 Python 环境准备完成，可以进行 taosanode 的安装和部署。
|
||||
|
||||
## 获取安装包
|
||||
### 获取安装包
|
||||
1. 从列表中下载获得 tar.gz 安装包：
|
||||
|
||||
<PkgListV3 type={9}/>
|
||||
|
|
@ -98,7 +98,7 @@ export PATH=$PATH:~/.local/bin
|
|||
tar -zxvf TDengine-TDgpt-<version>-Linux-x64.tar.gz
|
||||
```
|
||||
|
||||
## 执行安装脚本
|
||||
### 执行安装脚本
|
||||
|
||||
解压文件后，进入相应子目录，执行其中的 `install.sh` 安装脚本：
|
||||
请将 `<version>` 替换为下载的安装包版本
|
||||
|
|
@ -110,11 +110,11 @@ sudo ./install.sh
|
|||
|
||||
为了避免影响系统已有的 Python 环境，Anode 使用虚拟环境运行。安装 Anode 会在目录 `/var/lib/taos/taosanode/venv/` 中创建默认的 Python 虚拟环境，Anode 运行所需要的库均安装在该目录下。为了避免反复安装虚拟环境带来的开销，卸载命令 `rmtaosanode` 并不会自动删除该虚拟环境，如果您确认不再需要 Python 的虚拟环境，手动删除该目录即可。
|
||||
|
||||
## 激活使用虚拟环境
|
||||
### 激活使用虚拟环境
|
||||
|
||||
为了避免安装操作系统的Python 环境， TDgpt 安装过程中会自动创建一个虚拟环境，该虚拟环境默认创建的路径在 `/var/lib/taos/taosanode/venv/`。创建完成该虚拟环境，该虚拟环境通过 PiPy 安装了支持 TDgpt 运行所必须的 Python 依赖库。
|
||||
该虚拟环境不会被卸载脚本 `rmtaosanode` 删除，当您确认不再需要该虚拟环境的时候，需要手动删除该虚拟环境。
|
||||
后续如果您需要开发自己的算法模型，并能够 TDgpt 正确调用，需要将新的依赖库通过虚拟环境的 Pip 正确地安装。
|
||||
|
||||
## 卸载
|
||||
### 卸载
|
||||
卸载 TDgpt，执行 `rmtaosanode` 即可。 安装过程中自动安装的虚拟环境不会被自动删除，用户确认不再需要的时候，需要手动删除该虚拟环境。
|
||||
|
|
|
|||
|
|
@ -0,0 +1,14 @@
|
|||
---
|
||||
sidebar_label: 添加算法模型
|
||||
title: 添加算法模型
|
||||
---
|
||||
|
||||
本章主要介绍如何向 TDgpt 添加自定义的预测分析和异常检测算法模型。
|
||||
|
||||
|
||||
```mdx-code-block
|
||||
import DocCardList from '@theme/DocCardList';
|
||||
import {useCurrentSidebarCategory} from '@docusaurus/theme-common';
|
||||
|
||||
<DocCardList items={useCurrentSidebarCategory().items}/>
|
||||
```
|
||||
|
|
@ -1,9 +1,9 @@
|
|||
---
|
||||
title: "部署时序基础模型"
|
||||
sidebar_label: "部署时序基础模型"
|
||||
title: "部署 Time-MoE 模型"
|
||||
sidebar_label: "部署 Time-MoE 模型"
|
||||
---
|
||||
|
||||
# 准备环境运行环境
|
||||
# 准备环境
|
||||
|
||||
为了使用时间序列基础模型，需要在本地部署环境支持其运行。首先需要准备 Python 环境。使用 PiPy 安装必要的依赖包：
|
||||
|
||||
|
|
@ -16,6 +16,8 @@ pip install accelerate
|
|||
|
||||
# 设置服务端口和 URL 地址
|
||||
|
||||
TDgpt 安装根目录下的 `./lib/taosanalytics/time-moe.py` 文件负责 Time-MoE 模型的部署和服务，修改该问题设置合适的服务 URL 和服务端口即可。
|
||||
|
||||
```Python
|
||||
@app.route('/ds_predict', methods=['POST'])
|
||||
def time_moe():
|
||||
|
|
@ -0,0 +1,40 @@
|
|||
---
|
||||
title: "添加模型服务"
|
||||
sidebar_label: "添加模型服务"
|
||||
---
|
||||
|
||||
TDgpt 默认已经内置了 Time-MoE 模型的支持功能， 执行 `show anodes full`，可以看到 Time-MoE 的预测服务 `timemoe-fc`，现在只适配了预测服务，所以其后增加了后缀名 fc。
|
||||
```shell
|
||||
taos> show anodes full;
|
||||
id | type | algo |
|
||||
============================================================================
|
||||
1 | anomaly-detection | grubbs |
|
||||
1 | anomaly-detection | lof |
|
||||
1 | anomaly-detection | shesd |
|
||||
1 | anomaly-detection | ksigma |
|
||||
1 | anomaly-detection | iqr |
|
||||
1 | anomaly-detection | sample_ad_model |
|
||||
1 | forecast | arima |
|
||||
1 | forecast | holtwinters |
|
||||
1 | forecast | tdtsfm_1 |
|
||||
1 | forecast | timemoe-fc |
|
||||
```
|
||||
|
||||
正确调用 Time-MoE 模型的时间序列数据预测能力，需要您在本地或云端已经部署完成 Time-MoE 服务（需要执行 `./taosanode/lib/taosanalytics/time-moe.py` 的脚本部署 Time-MoE
|
||||
服务。具体过程请参见 [部署 Time-MoE 服务](./02-deploy-timemoe)）。
|
||||
|
||||
修改 `/etc/taos/taosanode.ini` 配置文件中如下部分：
|
||||
|
||||
```ini
|
||||
[tsfm-service]
|
||||
timemoe-fc = http://192.168.2.90:5001/ds_predict
|
||||
```
|
||||
|
||||
设置正确的 IP 和端口，以及服务地址。
|
||||
|
||||
然后重启 taosnode 服务，并更新服务端算法缓存列表 `update all anodes`，之后即可通过 SQL 语句调用 Time-MoE 的时间序列数据预测服务。
|
||||
|
||||
```sql
|
||||
SELECT FORECAST(i32, 'algo=timemoe-fc')
|
||||
FROM foo;
|
||||
```
|
||||
|
|
@ -0,0 +1,14 @@
|
|||
---
|
||||
sidebar_label: 添加时序基础模型
|
||||
title: 添加时序基础模型
|
||||
---
|
||||
|
||||
本章主要介绍如何通过 TDgpt 使用开源时序基础模型，包括Time-MoE 等的时序功能。
|
||||
|
||||
|
||||
```mdx-code-block
|
||||
import DocCardList from '@theme/DocCardList';
|
||||
import {useCurrentSidebarCategory} from '@docusaurus/theme-common';
|
||||
|
||||
<DocCardList items={useCurrentSidebarCategory().items}/>
|
||||
```
|
||||
Loading…
Reference in New Issue