Перейти к содержимому

Deepo gpu что это

  • автор:

Быстрый старт

Это должно работать и позволить Deepo использовать графический процессор внутри контейнера докеров.
Если это не сработает, выполните поискРаздел проблем на nvidia-docker GitHub-Много решений было задокументировано. Чтобы отправить интерактивную оболочку в контейнер, который не будет автоматически удален после выхода, выполните

Если вы хотите обмениваться данными и конфигурацией между хостом (компьютером или виртуальной машиной) и контейнером с помощью Deepo, используйте параметр -v, например

Это сделает /host/data Хозяин /data Виден в контейнере, и /host/config в качестве /config . Такая изоляция снижает вероятность контейнерных экспериментов, охватывающих или использующих неверные данные.

Обратите внимание, что некоторые фреймворки (например, PyTorch) используют разделяемую память для обмена данными между процессами, поэтому, если вы используете многопроцессорность, размер сегмента разделяемой памяти по умолчанию для работы контейнера недостаточен, вы должны использовать —ipc=host или же —shm-size Параметр командной строки увеличивает размер разделяемой памяти до nvidia-docker run 。

Версия процессора

установка

Шаг 1. УстановкаDocker。

Шаг 2. ИзDocker HubПолучить интеграцию Зеркало

использование

Теперь вы можете попробовать следующие команды:

Если вы хотите обмениваться данными и конфигурацией между хостом (компьютером или виртуальной машиной) и контейнером с помощью Deepo, используйте параметр -v, например

Это сделает /host/data Хозяин /data Виден в контейнере, и /host/config в качестве /config . Такая изоляция снижает вероятность контейнерных экспериментов, охватывающих или использующих неверные данные.

Обратите внимание, что некоторые фреймворки (например, PyTorch) используют разделяемую память для обмена данными между процессами, поэтому, если вы используете многопроцессорность, размер сегмента разделяемой памяти по умолчанию для работы контейнера недостаточен, вы должны использовать —ipc=host или же —shm-size Параметр командной строки увеличивает размер разделяемой памяти до docker run 。

Теперь вы готовы начать свое путешествие.

сделанный на заказ

осторожность," Быстрый старт"в docker pull ufoym/deepo Упомянутое предоставит вам стандарт, включающий все доступные фреймворки глубокого обучения. Зеркало . Вы также можете настроить свою собственную среду.

Не устраивает интегрированное решение?

Если вы предпочитаете конкретную структуру интегрированной Зеркало , Просто прикрепите этикетку с названием фрейма.
В качестве примера возьмем тензорный поток:

Другие версии Python

осторожность, Python 3.6 По умолчанию все связанные с Python Зеркало Оба используются. Если вы не удовлетворены Python 3.6 , Вы также можете указать другие версии python:

В настоящее время мы поддерживаем Python 2.7 с Python 3.6 。

Полный список всех доступных тегов см.Имеется в наличииотметка. Эти предварительно построенные Зеркало Все по docker/Dockerfile.* И построил circle.yml . ВидетьКак создать docker/Dockerfile.* с circle.yml Если вам интересно, как создаются эти файлы.

Поддержка Jupyter

Шаг 1. Используйте jupyter для поддержки вытягивающего зеркала.

Обратите внимание, что метка может быть произвольной all-py36-jupyter ， py36-jupyter ， all-py27-jupyter ,или же py27-jupyter 。

Шаг 2. пробег Зеркало

Используйте модули, подобные Lego, чтобы создать свой собственный образ

Шаг 1. Подготовьте генератор

Шаг 2. Создайте собственный Dockerfile

Например, если вам нравится pytorch с lasagne ,тогда

Это должно сгенерировать Dockerfile со сборкой pytorch И все lasagne . Обратите внимание, что генератор может обрабатывать автоматическую обработку зависимостей и топологическую сортировку списка. Поэтому вам не нужно беспокоиться об отсутствии зависимостей и порядке списка.

Вы также можете указать версию Python:

Шаг 3. Создайте свой Dockerfile

Это может занять несколько минут, потому чтоНачинать с нуляСкомпилируйте несколько библиотек.

Специальное назначение

Мы ценим любой вклад. Если вы планируете ответить на исправление ошибки, не обсуждайте дальше. Если вы планируете предоставить новую функцию, служебную функцию или расширение, сначала откройте вопрос и обсудите эту функцию с нами.

Deepo Save Abandoned

Setup and customize deep learning environment in seconds.

  • Overview
  • Versions
  • Reviews
  • Resources

deepo

PLEASE NOTE, THE DEEP LEARNING FRAMEWORK WAR IS OVER, THIS PROJECT IS NO LONGER BEING MAINTAINED.

Deepo is an open framework to assemble specialized docker images for deep learning research without pain. It provides a “lego set” of dozens of standard components for preparing deep learning tools and a framework for assembling them into custom docker images.

At the core of Deepo is a Dockerfile generator that

  • allows you to customize your deep learning environment with Lego-like modules
    • define your environment in a single command line,
    • then deepo will generate Dockerfiles with best practices
    • and do all the configuration for you
    • deepo knows which combos (CUDA/cuDNN/Python/PyTorch/Tensorflow, . tons of dependancies) are compatible
    • and will pick the right versions for you
    • and arrange sequence of installation procedures using topological sorting

    We also prepare a series of pre-built docker images that

    • allows you to instantly set up common deep learning research environment
    • supports almost all commonly used deep learning frameworks
    • supports GPU acceleration (CUDA and cuDNN included), also works in CPU-only mode
    • works on Linux (CPU version/GPU version), Windows (CPU version) and OS X (CPU version)

    Table of contents

    • Quick Start
      • GPU Version
        • Installation
        • Usage
        • Installation
        • Usage
        • Unhappy with all-in-one solution?
        • Jupyter support
        • Build your own customized image
        • Available Tags
        • Deprecated Tags

        Quick Start

        GPU Version

        Installation

        Step 1. Install Docker and nvidia-docker.
        Step 2. Obtain the all-in-one image from Docker Hub

        For users in China who may suffer from slow speeds when pulling the image from the public Docker registry, you can pull deepo images from the China registry mirror by specifying the full path, including the registry, in your docker pull command, for example:

        Usage

        Now you can try this command:

        This should work and enables Deepo to use the GPU from inside a docker container. If this does not work, search the issues section on the nvidia-docker GitHub — many solutions are already documented. To get an interactive shell to a container that will not be automatically deleted after you exit do

        If you want to share your data and configurations between the host (your machine or VM) and the container in which you are using Deepo, use the -v option, e.g.

        This will make /host/data from the host visible as /data in the container, and /host/config as /config . Such isolation reduces the chances of your containerized experiments overwriting or using wrong data.

        Please note that some frameworks (e.g. PyTorch) use shared memory to share data between processes, so if multiprocessing is used the default shared memory segment size that container runs with is not enough, and you should increase shared memory size either with —ipc=host or —shm-size command line options to docker run .

        CPU Version

        Installation

        Step 1. Install Docker.
        Step 2. Obtain the all-in-one image from Docker Hub

        Usage

        Now you can try this command:

        If you want to share your data and configurations between the host (your machine or VM) and the container in which you are using Deepo, use the -v option, e.g.

        This will make /host/data from the host visible as /data in the container, and /host/config as /config . Such isolation reduces the chances of your containerized experiments overwriting or using wrong data.

        Please note that some frameworks (e.g. PyTorch) use shared memory to share data between processes, so if multiprocessing is used the default shared memory segment size that container runs with is not enough, and you should increase shared memory size either with —ipc=host or —shm-size command line options to docker run .

        You are now ready to begin your journey.

        Customization

        Note that docker pull ufoym/deepo mentioned in Quick Start will give you a standard image containing all available deep learning frameworks. You can customize your own environment as well.

        Unhappy with all-in-one solution?

        If you prefer a specific framework rather than an all-in-one image, just append a tag with the name of the framework. Take tensorflow for example:

        Jupyter support

        Step 1. pull the all-in-one image
        Step 2. run the image

        Build your own customized image with Lego-like modules

        Step 1. prepare generator
        Step 2. generate your customized Dockerfile

        For example, if you like pytorch and lasagne , then

        or with CUDA 11.1 and CUDNN 8

        This should generate a Dockerfile that contains everything for building pytorch and lasagne . Note that the generator can handle automatic dependency processing and topologically sort the lists. So you don’t need to worry about missing dependencies and the list order.

        You can also specify the version of Python:

        Step 3. build your Dockerfile

        This may take several minutes as it compiles a few libraries from scratch.

        Comparison to alternatives

        . modern-deep-learning dl-docker jupyter-deeplearning Deepo
        ubuntu 16.04 14.04 14.04 18.04
        cuda X 8.0 6.5-8.0 8.0-10.2/None
        cudnn X v5 v2-5 v7
        onnx X X X O
        theano X O O O
        tensorflow O O O O
        sonnet X X X O
        pytorch X X X O
        keras O O O O
        lasagne X O O O
        mxnet X X X O
        cntk X X X O
        chainer X X X O
        caffe O O O O
        caffe2 X X X O
        torch X O O O
        darknet X X X O
        paddlepaddle X X X O

        Available Tags

        . CUDA 11.3 / Python 3.8 CPU-only / Python 3.8
        all-in-one latest all all-py38 py38-cu113 all-py38-cu113 all-py38-cpu all-cpu py38-cpu cpu
        TensorFlow tensorflow-py38-cu113 tensorflow-py38 tensorflow tensorflow-py38-cpu tensorflow-cpu
        PyTorch pytorch-py38-cu113 pytorch-py38 pytorch pytorch-py38-cpu pytorch-cpu
        Keras keras-py38-cu113 keras-py38 keras keras-py38-cpu keras-cpu
        MXNet mxnet-py38-cu113 mxnet-py38 mxnet mxnet-py38-cpu mxnet-cpu
        Chainer chainer-py38-cu113 chainer-py38 chainer chainer-py38-cpu chainer-cpu
        Darknet darknet-cu113 darknet darknet-cpu
        paddlepaddle paddle-cu113 paddle paddle-cpu

        Deprecated Tags

        . CUDA 11.3 / Python 3.6 CUDA 11.1 / Python 3.6 CUDA 10.1 / Python 3.6 CUDA 10.0 / Python 3.6 CUDA 9.0 / Python 3.6 CUDA 9.0 / Python 2.7 CPU-only / Python 3.6 CPU-only / Python 2.7
        all-in-one py36-cu113 all-py36-cu113 py36-cu111 all-py36-cu111 py36-cu101 all-py36-cu101 py36-cu100 all-py36-cu100 py36-cu90 all-py36-cu90 all-py27-cu90 all-py27 py27-cu90 all-py27-cpu py27-cpu
        all-in-one with jupyter all-jupyter-py36-cu90 all-py27-jupyter py27-jupyter all-py27-jupyter-cpu py27-jupyter-cpu
        Theano theano-py36-cu113 theano-py36-cu111 theano-py36-cu101 theano-py36-cu100 theano-py36-cu90 theano-py27-cu90 theano-py27 theano-py27-cpu
        TensorFlow tensorflow-py36-cu113 tensorflow-py36-cu111 tensorflow-py36-cu101 tensorflow-py36-cu100 tensorflow-py36-cu90 tensorflow-py27-cu90 tensorflow-py27 tensorflow-py27-cpu
        Sonnet sonnet-py36-cu113 sonnet-py36-cu111 sonnet-py36-cu101 sonnet-py36-cu100 sonnet-py36-cu90 sonnet-py27-cu90 sonnet-py27 sonnet-py27-cpu
        PyTorch pytorch-py36-cu113 pytorch-py36-cu111 pytorch-py36-cu101 pytorch-py36-cu100 pytorch-py36-cu90 pytorch-py27-cu90 pytorch-py27 pytorch-py27-cpu
        Keras keras-py36-cu113 keras-py36-cu111 keras-py36-cu101 keras-py36-cu100 keras-py36-cu90 keras-py27-cu90 keras-py27 keras-py27-cpu
        Lasagne lasagne-py36-cu113 lasagne-py36-cu111 lasagne-py36-cu101 lasagne-py36-cu100 lasagne-py36-cu90 lasagne-py27-cu90 lasagne-py27 lasagne-py27-cpu
        MXNet mxnet-py36-cu113 mxnet-py36-cu111 mxnet-py36-cu101 mxnet-py36-cu100 mxnet-py36-cu90 mxnet-py27-cu90 mxnet-py27 mxnet-py27-cpu
        CNTK cntk-py36-cu113 cntk-py36-cu111 cntk-py36-cu101 cntk-py36-cu100 cntk-py36-cu90 cntk-py27-cu90 cntk-py27 cntk-py27-cpu
        Chainer chainer-py36-cu113 chainer-py36-cu111 chainer-py36-cu101 chainer-py36-cu100 chainer-py36-cu90 chainer-py27-cu90 chainer-py27 chainer-py27-cpu
        Caffe caffe-py36-cu113 caffe-py36-cu111 caffe-py36-cu101 caffe-py36-cu100 caffe-py36-cu90 caffe-py27-cu90 caffe-py27 caffe-py27-cpu
        Caffe2 caffe2-py36-cu90 caffe2-py36 caffe2 caffe2-py27-cu90 caffe2-py27 caffe2-py36-cpu caffe2-cpu caffe2-py27-cpu
        Torch torch-cu113 torch-cu111 torch-cu101 torch-cu100 torch-cu90 torch-cu90 torch torch-cpu
        Darknet darknet-cu113 darknet-cu111 darknet-cu101 darknet-cu100 darknet-cu90 darknet-cu90 darknet darknet-cpu

        Citation

        Contributing

        We appreciate all contributions. If you are planning to contribute back bug-fixes, please do so without any further discussion. If you plan to contribute new features, utility functions or extensions, please first open an issue and discuss the feature with us.

        Name already in use

        If nothing happens, download GitHub Desktop and try again.

        Launching GitHub Desktop

        If nothing happens, download GitHub Desktop and try again.

        Launching Xcode

        If nothing happens, download Xcode and try again.

        Launching Visual Studio Code

        Your codespace will open once ready.

        There was a problem preparing your codespace, please try again.

        Latest commit

        Git stats

        Files

        Failed to load latest commit information.

        README.md

        deepo

        PLEASE NOTE, THE DEEP LEARNING FRAMEWORK WAR IS OVER, THIS PROJECT IS NO LONGER BEING MAINTAINED.

        Deepo is an open framework to assemble specialized docker images for deep learning research without pain. It provides a “lego set” of dozens of standard components for preparing deep learning tools and a framework for assembling them into custom docker images.

        At the core of Deepo is a Dockerfile generator that

        • allows you to customize your deep learning environment with Lego-like modules
          • define your environment in a single command line,
          • then deepo will generate Dockerfiles with best practices
          • and do all the configuration for you
          • deepo knows which combos (CUDA/cuDNN/Python/PyTorch/Tensorflow, . tons of dependancies) are compatible
          • and will pick the right versions for you
          • and arrange sequence of installation procedures using topological sorting

          We also prepare a series of pre-built docker images that

          • allows you to instantly set up common deep learning research environment
          • supports almost all commonly used deep learning frameworks
          • supports GPU acceleration (CUDA and cuDNN included), also works in CPU-only mode
          • works on Linux (CPU version/GPU version), Windows (CPU version) and OS X (CPU version)

          Table of contents

          Step 2. Obtain the all-in-one image from Docker Hub

          For users in China who may suffer from slow speeds when pulling the image from the public Docker registry, you can pull deepo images from the China registry mirror by specifying the full path, including the registry, in your docker pull command, for example:

          Now you can try this command:

          This should work and enables Deepo to use the GPU from inside a docker container. If this does not work, search the issues section on the nvidia-docker GitHub — many solutions are already documented. To get an interactive shell to a container that will not be automatically deleted after you exit do

          If you want to share your data and configurations between the host (your machine or VM) and the container in which you are using Deepo, use the -v option, e.g.

          This will make /host/data from the host visible as /data in the container, and /host/config as /config . Such isolation reduces the chances of your containerized experiments overwriting or using wrong data.

          Please note that some frameworks (e.g. PyTorch) use shared memory to share data between processes, so if multiprocessing is used the default shared memory segment size that container runs with is not enough, and you should increase shared memory size either with —ipc=host or —shm-size command line options to docker run .

          Step 2. Obtain the all-in-one image from Docker Hub

          Now you can try this command:

          If you want to share your data and configurations between the host (your machine or VM) and the container in which you are using Deepo, use the -v option, e.g.

          This will make /host/data from the host visible as /data in the container, and /host/config as /config . Such isolation reduces the chances of your containerized experiments overwriting or using wrong data.

          Please note that some frameworks (e.g. PyTorch) use shared memory to share data between processes, so if multiprocessing is used the default shared memory segment size that container runs with is not enough, and you should increase shared memory size either with —ipc=host or —shm-size command line options to docker run .

          You are now ready to begin your journey.

          Note that docker pull ufoym/deepo mentioned in Quick Start will give you a standard image containing all available deep learning frameworks. You can customize your own environment as well.

          Unhappy with all-in-one solution?

          If you prefer a specific framework rather than an all-in-one image, just append a tag with the name of the framework. Take tensorflow for example:

          Step 1. pull the all-in-one image

          Step 2. run the image

          Build your own customized image with Lego-like modules

          Step 1. prepare generator

          Step 2. generate your customized Dockerfile

          For example, if you like pytorch and lasagne , then

          or with CUDA 11.1 and CUDNN 8

          This should generate a Dockerfile that contains everything for building pytorch and lasagne . Note that the generator can handle automatic dependency processing and topologically sort the lists. So you don’t need to worry about missing dependencies and the list order.

          You can also specify the version of Python:

          Step 3. build your Dockerfile

          This may take several minutes as it compiles a few libraries from scratch.

          Comparison to alternatives

          . modern-deep-learning dl-docker jupyter-deeplearning Deepo
          ubuntu 16.04 14.04 14.04 18.04
          cuda X 8.0 6.5-8.0 8.0-10.2/None
          cudnn X v5 v2-5 v7
          onnx X X X O
          theano X O O O
          tensorflow O O O O
          sonnet X X X O
          pytorch X X X O
          keras O O O O
          lasagne X O O O
          mxnet X X X O
          cntk X X X O
          chainer X X X O
          caffe O O O O
          caffe2 X X X O
          torch X O O O
          darknet X X X O
          paddlepaddle X X X O
          . CUDA 11.3 / Python 3.8 CPU-only / Python 3.8
          all-in-one latest all all-py38 py38-cu113 all-py38-cu113 all-py38-cpu all-cpu py38-cpu cpu
          TensorFlow tensorflow-py38-cu113 tensorflow-py38 tensorflow tensorflow-py38-cpu tensorflow-cpu
          PyTorch pytorch-py38-cu113 pytorch-py38 pytorch pytorch-py38-cpu pytorch-cpu
          Keras keras-py38-cu113 keras-py38 keras keras-py38-cpu keras-cpu
          MXNet mxnet-py38-cu113 mxnet-py38 mxnet mxnet-py38-cpu mxnet-cpu
          Chainer chainer-py38-cu113 chainer-py38 chainer chainer-py38-cpu chainer-cpu
          Darknet darknet-cu113 darknet darknet-cpu
          paddlepaddle paddle-cu113 paddle paddle-cpu
          . CUDA 11.3 / Python 3.6 CUDA 11.1 / Python 3.6 CUDA 10.1 / Python 3.6 CUDA 10.0 / Python 3.6 CUDA 9.0 / Python 3.6 CUDA 9.0 / Python 2.7 CPU-only / Python 3.6 CPU-only / Python 2.7
          all-in-one py36-cu113 all-py36-cu113 py36-cu111 all-py36-cu111 py36-cu101 all-py36-cu101 py36-cu100 all-py36-cu100 py36-cu90 all-py36-cu90 all-py27-cu90 all-py27 py27-cu90 all-py27-cpu py27-cpu
          all-in-one with jupyter all-jupyter-py36-cu90 all-py27-jupyter py27-jupyter all-py27-jupyter-cpu py27-jupyter-cpu
          Theano theano-py36-cu113 theano-py36-cu111 theano-py36-cu101 theano-py36-cu100 theano-py36-cu90 theano-py27-cu90 theano-py27 theano-py27-cpu
          TensorFlow tensorflow-py36-cu113 tensorflow-py36-cu111 tensorflow-py36-cu101 tensorflow-py36-cu100 tensorflow-py36-cu90 tensorflow-py27-cu90 tensorflow-py27 tensorflow-py27-cpu
          Sonnet sonnet-py36-cu113 sonnet-py36-cu111 sonnet-py36-cu101 sonnet-py36-cu100 sonnet-py36-cu90 sonnet-py27-cu90 sonnet-py27 sonnet-py27-cpu
          PyTorch pytorch-py36-cu113 pytorch-py36-cu111 pytorch-py36-cu101 pytorch-py36-cu100 pytorch-py36-cu90 pytorch-py27-cu90 pytorch-py27 pytorch-py27-cpu
          Keras keras-py36-cu113 keras-py36-cu111 keras-py36-cu101 keras-py36-cu100 keras-py36-cu90 keras-py27-cu90 keras-py27 keras-py27-cpu
          Lasagne lasagne-py36-cu113 lasagne-py36-cu111 lasagne-py36-cu101 lasagne-py36-cu100 lasagne-py36-cu90 lasagne-py27-cu90 lasagne-py27 lasagne-py27-cpu
          MXNet mxnet-py36-cu113 mxnet-py36-cu111 mxnet-py36-cu101 mxnet-py36-cu100 mxnet-py36-cu90 mxnet-py27-cu90 mxnet-py27 mxnet-py27-cpu
          CNTK cntk-py36-cu113 cntk-py36-cu111 cntk-py36-cu101 cntk-py36-cu100 cntk-py36-cu90 cntk-py27-cu90 cntk-py27 cntk-py27-cpu
          Chainer chainer-py36-cu113 chainer-py36-cu111 chainer-py36-cu101 chainer-py36-cu100 chainer-py36-cu90 chainer-py27-cu90 chainer-py27 chainer-py27-cpu
          Caffe caffe-py36-cu113 caffe-py36-cu111 caffe-py36-cu101 caffe-py36-cu100 caffe-py36-cu90 caffe-py27-cu90 caffe-py27 caffe-py27-cpu
          Caffe2 caffe2-py36-cu90 caffe2-py36 caffe2 caffe2-py27-cu90 caffe2-py27 caffe2-py36-cpu caffe2-cpu caffe2-py27-cpu
          Torch torch-cu113 torch-cu111 torch-cu101 torch-cu100 torch-cu90 torch-cu90 torch torch-cpu
          Darknet darknet-cu113 darknet-cu111 darknet-cu101 darknet-cu100 darknet-cu90 darknet-cu90 darknet darknet-cpu

          We appreciate all contributions. If you are planning to contribute back bug-fixes, please do so without any further discussion. If you plan to contribute new features, utility functions or extensions, please first open an issue and discuss the feature with us.

          Deepo gpu что это

          Это приложение для Linux под названием Deepo, последний выпуск которого можно загрузить как Deepov2.0.0.zip. Его можно запустить онлайн в бесплатном хостинг-провайдере OnWorks для рабочих станций.

          Загрузите и запустите онлайн это приложение под названием Deepo с OnWorks бесплатно.

          Следуйте этим инструкциям, чтобы запустить это приложение:

          — 1. Загрузил это приложение на свой компьютер.

          — 2. Введите в нашем файловом менеджере https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.

          — 3. Загрузите это приложение в такой файловый менеджер.

          — 4. Запустите онлайн-эмулятор OnWorks Linux или Windows или онлайн-эмулятор MACOS с этого веб-сайта.

          — 5. В только что запущенной ОС OnWorks Linux перейдите в наш файловый менеджер https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.

          — 6. Скачайте приложение, установите его и запустите.

          СКРИНШОТЫ

          Загрузите веб-инструмент или веб-приложение Deepo

          Загрузите веб-инструмент или веб-приложение Deepo

          ОПИСАНИЕ

          Deepo — это серия образов Docker, которые позволяют быстро настроить среду исследования глубокого обучения, поддерживают почти все широко используемые инфраструктуры глубокого обучения, поддерживают ускорение графического процессора (включая CUDA и cuDNN), также работают в режиме только процессора и работают на Linux (версия CPU / версия GPU), Windows (версия CPU) и OS X (версия CPU). Их генератор Dockerfile, который позволяет вам настраивать вашу собственную среду с помощью модулей, подобных Lego, и автоматически разрешает зависимости за вас. Для пользователей в Китае, которые могут страдать от медленной скорости при извлечении образа из общедоступного реестра Docker, вы можете извлекать образы deepo из зеркала реестра Китая, указав полный путь, включая реестр, в вашей команде docker pull. Это должно работать и позволяет Deepo использовать графический процессор из контейнера докеров.

          Похожие публикации:
          1. Из за чего взрываются конденсаторы
          2. Как отправить фото в ватсап самому себе
          3. Как удалить задачу в планировщике заданий
          4. Как удалить лд плеер

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *