目录

1. 本文目的
2. 什么是容器，它们为什么对 IRIS 有意义
    2.1 容器和镜像简介
    2.2 为什么容器对开发者很有用
    2.3 为什么 IRIS 可以很好地与 Docker 配合使用
3. 先决条件
4. 安装 InterSystems IRIS 镜像
    4.1 使用 Docker Hub
    4.2 拉取镜像
5. 运行 InterSystems IRIS 镜像
    5.1 启动 IRIS 容器
    5.2 检查容器状态
    5.3 在容器终端执行代码
    5.4 访问 IRIS 管理门户
    5.5 将容器连接到 VS Code
    5.6 停止或移除容器
    5.7 使用绑定挂载设置特定密码
    5.8 使用持久化 %SYS 卷
     5.8.1 可以使用持久化 %SYS 存储什么
     5.8.2 如何启用持久化 %SYS
6. 使用 Docker Compose
    6.1 Docker Compose 示例
    6.2 运行 Docker Compose
7. 使用 Dockerfile 运行自定义源代码
    7.1 Dockerfile 示例
    7.2 Docker Compose 示例
    7.3 了解层、镜像标记和构建与 运行时
    7.4 源代码和初始化脚本
    7.5 使用 Dockerfile 构建镜像
    7.6 在容器化 IRIS 终端中运行指令
8. 结语和未来计划

大家好！

本文主要丰富了上一篇文章的内容，并介绍了应用程序的使用方法。

也许您已经读过上一篇文章，但我还是想说，
在完成初始化操作（包括模型创建和训练）后，Fhir HepatitisC Predict 应用程序将预测丙型肝炎（HepatitisC）。

首先

您需要在应用程序上输入一些信息，当然，只是一些检查结果，不包括隐私数据。

SHOW显示

点击显示按钮，将显示该指标的数据是否在正常范围内，指标是高还是低。当然，每个指标的数据范围都是通过查询信息获得的，可能与实际范围略有不同。

在这一系列文章中，我想向大家介绍并探讨使用 InterSystems 技术和 GitLab 进行软件开发可以采用的几种方式。 我将介绍以下主题：

• Git 101
• 流程（开发流程）
• GitLab 安装
• GitLab 工作流
• 持续交付
• GitLab 安装和配置
• GitLab CI/CD
• 为何使用容器？
• 容器基础架构
• 使用容器的 GitLab CI/CD

在第一篇文章中，我们介绍了 Git 基础知识，以及为什么对 Git 概念的高层次理解对于现代软件开发如此重要，以及如何使用 Git 开发软件。

在第二篇文章中，我们介绍了 GitLab 工作流 – 一个完整的软件生命周期流程和持续交付。

在第三篇文章中，我们介绍了 GitLab 的安装和配置以及如何将环境连接到 GitLab。

在第四篇文章中，我们编写了 CD 配置。

在 第五篇文章中，我们讨论了容器与如何（以及为什么）使用它们。

在本文中，我们将探讨运行使用容器的持续交付管道所需的主要组件，以及它们如何协同工作。

在这一系列文章中，我想向大家介绍并探讨使用 InterSystems 技术和 GitLab 进行软件开发可以采用的几种方式。 我将介绍以下主题：

• Git 101
• Git 流程（开发流程）
• GitLab 安装
• GitLab 工作流
• 持续交付
• GitLab 安装和配置
• GitLab CI/CD

在上一篇文章中，我们介绍了 Git 基础知识、深度理解 Git 概念对现代软件开发至关重要的原因，以及如何使用 Git 开发软件。 我们的侧重点仍是软件开发的实现部分，但本部分会介绍：

• GitLab 工作流 - 从想法到用户反馈的完整软件生命周期流程
• 持续交付 – 软件工程方式，团队通过这种方式在短周期内制作软件，从而确保软件可以随时实现可靠发布。 它的目的是更快速、更频繁地构建、测试和发布软件。

这是在 IRIS 中完全运行向量搜索演示的尝试。
没有外部工具，您需要的只是终端/控制台和管理门户。
特别感谢Alvin Ryanputra作为他的软件包iris-vector-search的基础
灵感和测试数据的来源。
我的软件包基于 IRIS 2024.1 版本，需要注意您的处理器功能。

我尝试用纯 ObjectScript 编写演示。
仅描述向量的计算是在嵌入式Python中完成的

计算 2247 个记录的 384 维向量需要时间。
在我的 Docker 容器中，它正在运行 01:53:14 来完全生成它们。

1. IRIS RAG Demo

这是 IRIS 与 RAG（检索增强生成）示例的一个简单演示。
后端是使用 IRIS 和 IoP用 Python 编写的，LLM 模型是 orca-mini 并由 ollama 服务器提供。
前端是用 Streamlit 编写的聊天机器人。

如今，关于大语言模型、人工智能等的消息不绝于耳。向量数据库是其中的一部分，并且已经有非IRIS的技术实现了向量数据库。

为什么是向量？

• 相似性搜索：向量可以进行高效的相似性搜索，例如在数据集中查找最相似的项目或文档。传统的关系数据库是为精确匹配搜索而设计的，不适合图像或文本相似性搜索等任务。
• 灵活性：向量表示形式用途广泛，可以从各种数据类型派生，例如文本（通过 Word2Vec、BERT 等嵌入）、图像（通过深度学习模型）等。
• 跨模态搜索：向量可以跨不同数据模态进行搜索。例如，给定图像的向量表示，人们可以在多模式数据库中搜索相似的图像或相关文本。

还有许多其他原因。

因此，对于这次 pyhon 竞赛，我决定尝试实现这种支持。不幸的是我没能及时完成它，下面我将解释原因。

您好！社区的各位老师，

在我的上一篇文章中，我们学习了以下主题：

1. 什么是 Docker？
2. Docker 的一些好处
3. Docker 是如何工作的？
4. Docker 镜像
5. Docker容器
6. Docker 镜像存储库
7. InterSystems 的 Docker 镜像存储库
8. Docker安装
9. Docker 基本命令
10. 使用 Docker 运行 IRIS 社区版
11. Docker 桌面图形用户界面

在本文中，我们将讨论以下主题：

1. 使用 Docker Compose 文件（ YAML 文件）
2. Docker 文件的使用（用于构建 Docker 镜像）
3. Docker 卷的使用

那么让我们开始吧。

您好！社区的各位老师，

在本文中，我们将学习以下主题：

在这篇文章中，你可以访问InterSystems开发者社区中与学习InterSystems IRIS最相关主题的文章库。找到按机器学习、嵌入式Python、JSON、API和REST应用、管理和配置InterSystems环境、Docker和云、VSCode、SQL、分析/BI、全局、安全、DevOps、互操作性、Native API排列的顶级发表的文章。快来享受学习的乐趣吧!

机器学习

机器学习是建立先进的数据分析和自动化人工活动的一种必要的技术，具有很好的效率。它可以创建认知模型，从现有的数据中学习，并根据其自我调整的算法进行预测、概率计算、分类、识别和 "非创造性 "的人类活动的自动化。

在所有情况下，InterSystems IRIS作为一个数据平台和环境来创建、执行、提供和使用这些机器学习模型。IRIS能够从SQL命令（IntegratedML）中使用ML，使用嵌入式Python和PMML（预测模型标记语言）来执行ML。你可以在以下文章中查看它的功能:

IRIS相比Caché在部署上的一个进步是支持docker。即便不是云部署， 使用docker也带来非常多的便利。 尤其是在开发测试环节，由于docker的使用更便捷，除非要模拟客户的环境或者做规定的性能测试，我在测试中基本已经不再使用本机的实例或者虚机。IRIS的联机文档有详细的IRIS docker安装使用指导，本文只是一个简单的，快速上手的在测试环境安装IRIS docker的简单步骤，尤其适合初学者。

注意Windows上docker可能会遇到这样那样的问题，因此通常还是推荐在Linux或者Mac OS上使用。正式的生产环境的IRIS docker container也是不支持Windows系统的。

什么是npm-iris？

NPM是“No Project Mess（项目不乱）”的缩写。

NPM是使用Intersystems IRIS和Bootstrp 4建成的项目和任务管理应用程序。

NPM的创建初衷是通过一个简单直观的项目和任务管理软件，帮助开发者和小型商业公司降低日常问题的复杂度。

它能提供不同的任务视图，包括电子表格、看板、日历，甚至甘特图！

在本篇短文中，我们将讨论如何让 Yape 在 docker 容器中运行，从而避免在本地计算机上安装设置 python。

距离本系列的上一篇文章已经有一段时间了，让我们快速回顾一下。