因为LZ是使用GPU服务器跑TensorFlow，而TensorFlow默认的是占用所有GPU，于是为了不影响其他同学使用GPU，于是就试验和总结了一下TensorFlow指定GPU的方法。。环境系统：Ubuntu14.04TensorFlow：v1.3GPU 8个GTX1080，第一列的0~7的数是GPU的序号一.设置指定GPU1.一劳永逸的方法，直接在~/.bashrc中设置环境变量 CUD
转载
2024-05-07 13:13:33
813阅读
最近在学习JAVA 注解这块总是一知半解、模模糊糊的，特地抽出时间对注解知识做个全面梳理，希望对其他初级学习者能有所帮助，文章转载并手动试验代码。什么是注解Annotation（注解）就是java提供了一种元程序中的元素关联任何信息和着元数据的途径和方法。Annotation（注解）是一个接口，程序可以通过反射来获取程序元素的Annotation对象，然后通过Annotation对象来获取注解里面
每次装环境，都得百度，索性自己写个参考吧。配置深度学习环境三部曲：1.Nvidia驱动安装（推荐高一些的版本，但别最高版本，难度：难搞）2.Cuda、CuDNN安装（按需求来）3.Anaconda 本文主要介绍Cuda和CuDNN的安装（会涉及多个Cuda安装）装Cuda总路线：下载Cuda--->安装--->配置环境变量装多个Cuda：安装类似总路线，仅仅环境变量那里需要修
内容出处：1. 前言这是一份简单的CUDA编程入门，主要参考英伟达的官方文档进行学习，本人也是刚开始学习，如有表述错误，还请指出。官方文档链接如下：An Even Easier Introduction to CUDA | NVIDIA Technical Blogdeveloper.nvidia.com/blog/even-easier-introduction-cuda/本文先从一份简单的C+
GPU架构SM（Streaming Multiprocessors）是GPU架构中非常重要的部分，GPU硬件的并行性就是由SM决定的。以Fermi架构为例，其包含以下主要组成部分：CUDA coresShared Memory/L1CacheRegister FileLoad/Store UnitsSpecial Function UnitsWarp SchedulerGPU中每个SM都设计成支持
转载
2024-07-19 15:17:14
169阅读
10系的显卡换成30系显卡后，之前配好的深度学习环境出现了兼容问题，索性重装系统，从零开始配环境，过程中也出现了各种对新显卡不兼容的情况，以下的配置是本人摸索最终成功的版本，特此记录一下。 首先就是安装ubuntu18.
转载
2024-04-02 17:41:50
783阅读
1 CUDA安装CUDA软件的安装参照Nvidia网站的“NVIDIA CUDA Installation Guide for Linux”文档进行。1.1 安装前的检查1.1.1 确认具备支持cuda的NVIDIA 显卡输入lspci | grep -i nvidia，确认计算机搭载Nvidia的
转载
2024-04-25 13:29:41
639阅读
首先，如果没有安装显卡驱动，请下载先安装独立显卡驱动，如果已经安装好显卡驱动，请直接忽视安装显卡驱动。1、显卡驱动安装安装完ubuntu16.04系统之后，直接更新系统并重启。在多显卡的笔记本中，可能需要在BIOS系统里选择”自由选择显卡“，这样系统才能识别nvidia的显卡，并进行驱动更新。我这里是运用ppa更新的最新驱动，使用起来能够得到挺好的体验，并能够实现双显卡的自由切换。 首先，通过快
其实在C++ AMP之前已经有了两个异构编程框架：CUDA与OpenCL。CUDA（Compute Unified Device Architecture）是显卡厂商Nvidia于2007年退出的业界第一款异构并行编程框架。在Nvidia的大力支持下，CUDA拥有良好的开发环境，丰富的函数库，优秀的性能。但是CUDA只能被用于在Nvidia的显卡上进行异构编程，有先天的局限性。OpenCL(Ope
文章结构GPU配置1.安装NVIDIA显卡驱动2.CUDA安装2.1显卡驱动版本与CUDA版本的对应关系2.2tensorflow-gpu版本与cuda版本的对应关系2.3.开始安装3.cuDNN的安装 GPU配置注意：如果只是想进行深度学习框架GPU版本的安装，安装完显卡驱动后，留意下驱动最大支持的CUDA版本，直接跳到Anaconda的安装，不需另外安装CUDA、cuDNN，因为Anacon
转载
2024-05-25 20:31:15
795阅读
文章目录前言一、查看windows的CUDA版本二、使用步骤1.各个GPU版本tensorflow对应的CUDA版本2.安装对应的版本的CUDA，我这里选择安装cuda11.0的2.安装对应的版本的CUDNN，我这里下载的是v8.0.53.在Anaconda里安装tensorflow(1)打开anaconda自带的Anaconda Prompt(2)创建新的环境，我命名为“tf2.4”，pyth
转载
2024-05-06 14:46:32
399阅读
1、为什么要装CUDA，CUDNN：先来讲讲CPU和GPU的关系和差别吧。截图来自（CUDA的官方文档）： 从上图可以看出GPU（图像处理器，Graphics Processing Unit）和CPU（中央处理器，Central Processing Unit）在设计上的主要差异在于GPU有更多的运算单元（如图中绿色的ALU），而Control和Cache单元不如CPU多，这是因为GPU在进行并行
转载
2024-04-16 17:23:18
236阅读
使用VS2013编译CUDA程序时，可能会遇到以下问题：1、error MSB3721: "D:\Program Files\NVIDIA GPU Computing\Toolkit\CUDA\v7.0\bin\nvcc.exe" -gencode=arch=compute_52,code=\"sm_52,compute_52\" --use-local-env --cl-version 2013
转载
2024-07-31 20:49:30
179阅读
从这部分开始 结合虫子的demo程序给大家分析下cuda的性能与可行性。一。先概述下实现流程。 CUDA在执行的时候是让host里面的一个一个的kernel按照线程网格（Grid）的概念在显卡硬件（GPU）上执行。每一个线程网格又可以包含多个线程块（block），每一个线程块中又可以包含多个线程（thread）。每一个kernel交给每一个Grid来完成。当要执行这些任务的时候，每一个Grid又
前言很多时候配置深度学习的环境都会遇到这样一个问题，就是参考的不同的开源代码所用的环境不一定相同，特别是CUDA环境，一般会有CUDA9.0、CUDA10.0、CUDA10.1等版本。所对应的cuDNN也会不同。本文是在已安装CUDA10.0+cudnn7.6.4的基础上，加装CUDA9.0+cudnn7.3.1。一、gcc降级由于CUDA 9.0仅支持gcc6.0及以下版本，而Ubuntu 18
1.CUDA对应的NVIDIA驱动版本对照表，参考一下表格2.显卡驱动安装，参考这里我这里选择安装的显卡驱动是NVIDIA-Linux-x86_64-410.78.run，安装是否成功，可以输入这个命令nvidia-smi，如果有显示GPU信息，那就是安装成功了。3.cuda安装装cuda首先需要降级：sudo add-apt-repository ppa:ubuntu-toolchain-r/t
转载
2024-07-22 12:41:25
2205阅读
GPU 的硬件基本概念Nvidia的版本： 实际上在 nVidia 的 GPU 里，最基本的处理单元是所谓的 SP(Streaming Processor)，而一颗 nVidia 的 GPU 里，会有非常多的 SP 可以同时做计算;而数个 SP 会在附加一些其他单元，一起组成一个 SM(Streaming Multiprocessor)。几个 SM 则会在组成所谓的 TPC(Texture Pr
转载
2024-07-03 21:41:57
76阅读
一、典型GPU程序构成一个典型GPU程序有如下几个部分：①CPU在GPU上分配内存②CPU将CPU中的数据copy到GPU中③调用内核函数来处理数据④CPU将GPU中的数据copy到CPU中 *可以看出，四个步骤中有两个是数据的copy，因此如果你的程序需要不断地进行copy，那么运行效率会比较低，不适合利用GPU运算。一般情况下，最好的方式是，让GPU进行大量运算，同时保证计算量与通信
转载
2023-09-08 18:30:55
181阅读
安装流程：Cuda 10.1，cuDNN 7.6.4，Tensorflow 2.21. Cuda安装 目前的深度学习框架大都基于NVIDIA 的GPU 显卡进行加速运算，因此需要安装NVIDIA 提供的GPU 加速库CUDA 程序。在安装CUDA 之前，请确认本地计算机具有支持CUDA 程序的NVIDIA 显卡设备，如果计算机没有NVIDIA 显卡，如部分计算机显卡生产商为AMD，以及部分MacB
转载
2024-05-25 12:30:35
3433阅读
安装之前，先简单了解一下CUDA和cuDNN：CUDA (ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学
转载
2024-05-16 10:42:25
1719阅读
