一、准备（安装Ubuntu 20.04，需U盘一枚，空闲大小>镜像大小）首先去官网下载镜像链接: UBUNTU官网. 制作安装U盘→右键“此电脑”→管理→磁盘管理→右键优盘分区→压缩卷 之后找到刚刚新创建的分区→右键“新建简单卷”，下一步，直到下图所标注位置，改为“FAT32”,最后点完成就可 接下载创建linux系统分区，同样的操作，只是选择空闲的硬盘分区，大小自定。现在找到下载的镜像，将
转载
2024-04-19 15:56:20
317阅读
win10小课堂：玩游戏优化设置教程一、开启“游戏模式”二、禁用Nagle算法三、关闭不相干服务四、禁用全屏优化五、GeForce Experience设置六、关闭 Windows Defender七、关闭Xbox后台录制八、调整显卡控制面板 一、开启“游戏模式”游戏模式在Win10中是默认开启的，但有些系统可能会被关闭，建议自行检查一下。Win10的游戏模式有两个作用，一是游戏时阻止Windo
转载
2024-05-13 19:23:38
507阅读
处理在这个特定的过程中，我决定使用cmake的适当版本配置cmake的最新版本(抱歉，如果这令人困惑)。cmake-gui使用与cmake命令行工具相同的存储库进行编译，但是未设置cmake的默认构建配置来构建cmake-gui(curses界面或Qt界面均未设置)。要使用cmake-gui构建cmake，必须在cmake构建脚本中设置一些变量。您通常可以通过UI来执行此操作，但是也可以通过在构建
进入Anaconda Promt，在这里面创建虚拟环境找到Anaconda目录中的envs，记住这个的路径 一路转到这个envs目录下，在这里面建虚拟环境。每个人的envs文件在的位置不一样，这只是我自己的位置。为什么要在这里面建虚拟环境，因为我的C盘容量不够了，在e盘建的虚拟环境，下载的pytorch也在e盘。 创建虚拟环境，名字是pytorch-GPU，python版本是3.8#创建环境
co
# 如何在 PyTorch 中强制不使用 GPU
PyTorch 是一个广泛使用的深度学习框架，默认情况下，它能够自动识别并使用计算机上的 GPU（图形处理器）以加速计算。然而，有时我们可能需要在 CPU（中央处理器）上运行模型，例如在没有 GPU 的机器上，或者为了调试和测试。在本篇文章中，我将指导你如何在 PyTorch 中不使用 GPU，并确保你了解每一步的细节。
## 流程概述
我们
继caffe-fasterrcnn后，又一个yolo-darknet的配置教程，希望可以帮助大家。注意：1、请严格按照我提供的安装顺序安装，即ubuntu-opencv2.4.10-darknet-cuda7.5-darknet-test2、有些您复制的终端命令如果不能在终端运行，请注意英文全角半角问题，您可以将命令输入终端，无须复制粘贴命令 第一部分：Ubuntu14.04桌面版下载及
大家好，我是张大刀。上文中提到了yolov7的正负样本匹配策略，这里主要从0开始训练自己的数据集。首先大刀是在windows电脑端完成数据集的标注，linux ubuntu系统中完成模型的训练。对windows系统电脑无要求，训练的电脑最好有gpu（没有gpu在cpu下也能训练，就是速度感人）默认大家已经有conda的环境，如果没有的话，请参考(windows 下：linux下：)1.数据标注在w
# 机器学习 不使用GPU
在机器学习领域，GPU已经成为处理大规模数据和复杂计算任务的重要工具。然而，并非所有人都有条件或需求使用GPU来加速机器学习工作。本文将介绍一些不使用GPU的机器学习方法，并展示如何利用CPU完成一些基本的机器学习任务。
## CPU vs GPU
GPU（Graphics Processing Unit）是一种专门用于图形处理的处理器，其并行计算能力远远超过CP
原创
2024-07-09 04:57:07
133阅读
在本文中，我们将探讨“window ollama不使用gpu”的问题，并详细记录解决该问题的过程。从协议背景到性能优化，我们将全面覆盖整个过程。
## 协议背景
Ollama是一款用于处理机器学习模型的工具，它在Windows系统上的运行理应支持GPU加速。但多用户报告称，Ollama在Windows上并没有利用GPU进行加速。这可能是由于软件设置、驱动程序不兼容或环境配置问题等原因。
首先
出品 | AI科技大本营（ID:rgznai100）近日，OpenAI宣布，允许用户创建自定义版的 GPT-3。OpenAI 表示，开发人员可以使用微调来创建针对其应用程序和服务中的特定内容量身定制的 GPT-3 模型，从而在任务和工作负载中实现表面上更高质量的输出。OpenAI 发言人在一封电子邮件中写道：“据 Gartner 称，到 2024 年，80% 的技术产品和服务将由非技术专
引言随着大规模数据集的出现，即使使用诸如随机梯度下降（SGD）等有效的优化方法来训练深层的神经网络也变得特别难。例如，在16张TPUv3芯片上训练BERT和ResNet-50等深度学习模型需要3天，而在8张Tesla P100 gpu上则需要29小时。因此，研究者们对开发用于解决此问题的优化方法有浓厚的兴趣。本文的目的是研究和开发优化技术，以加快训练大型深度神经网络的速度，主要是基于S
1. 环境本实验的操作环境是Win10。硬件是基于单片机STM32F407和4G模组EC20的开发板。2. 准备软件安装包STM32官方有多种开发工具。本文档主要介绍其中三款开发工具。第一个是STM32CubeMX。这款工具可以直观地显示单片机的资源，同时可以提供良好的用户界面，对相关资源初始化。第二个软件是STM32CubeIDE。这个软件可以替代Keil。Keil是付费使用的商业软件，用户使用
经过调查是tensorflow不知道什么时候被替换安装成CPU版本了= =
原创
2022-07-19 11:45:38
288阅读
在使用 Ollama Docker 时，许多用户发现其默认配置并不支持 GPU 的使用，这可能会导致模型推理速度缓慢，从而影响整体业务性能。以下将详细阐述解决“ollama docker 默认不使用 GPU”这一问题的完整过程，其中涵盖了问题的背景、错误现象、根因分析、解决方案、验证测试和预防优化。
## 问题背景
在诸多依赖深度学习的业务场景中，利用 GPU 加速计算已成为提升性能的关键。然
更新最新的软件包信息执行命令 sudo apt-get update 安装Anaconda（自带Python3.6）
下载
Anaconda，本人下载的是Anaconda3-4.3.1-Linux-x86_64.sh
执行命令
bash Anaconda3-4.3.1-Linux-x86_64.sh
安装过程中，基本都是选择yes，安装成功后，会有当前
概述我们都知道CPU适合串行计算，GPU适合大规模并行计算，大脑的硬件就像是一个GPU，大脑的操作系统和所有算法都是运行在GPU上，在高层次的计算上则模拟CPU的串行计算模式，如算术计算，代数计算，自然语言操作等等。所以某种程度来说，这些高层次的计算是模拟计算（用矩阵计算模拟各种单元运算操作），所以效率比较差; 而像图像识别，语音识别是非模拟计算其效率很高。这个和现代计算机刚好相反操作系统和大多数
转载
2024-09-26 15:53:20
60阅读
最近一段时间，认真研究了一下caffe。但是，里面内容过多，集合了CPU版本和GPU版本的代码，导致阅读起来有些复杂。因此，特意对caffe代码进行了重构，搭建一个基于CPU版本的Caffe推理框架。此简化的Caffe推理框架具有以下特点：只有CPU推理功能，无需GPU；只有前向计算能力，无后向求导功能；接口保持与原版的Caffe一致；精简了大部分代码，并进行了详尽注释。通过对Caffe的重构，理
ffmpegFFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。采用LGPL或GPL许可证。它提供了录制、转换以及流化音视频的完整解决方案。它包含了非常先进的音频/视频编解码库libavcodec，为了保证高可移植性和编解码质量，libavcodec里很多code都是从头开发的。多媒体视频处理工具FFmpeg有非常强大的功能包括视频采集功能、视频格式转换、视频抓图
导读浏览器书签虽然不常被提及，但是作为互联网浏览的一部分。没有好的书签功能，网站链接可能会丢失，下次再不能访问。这就是为什么一个好的书签管理器很重要。所有的现代浏览器都提供了一些形式的管理工具，虽然它们严格上来讲功能较少。如果你已经厌倦了这些内置在浏览器中的主流工具，你或许想要寻找一个替代品。这里介绍 Buku：一个命令行下的书签管理器。它不仅可以管理你的书签，还可以给它们加密，将它们保存在一
作为最快的IPC方式，共享内存当然得好好学一下咯。 System V进程间通信方式：信号量、消息队列、共享内存。他们都是由AT&T System V2版本的UNIX引进的，所以统称为System V IPC.除了下面讲的System V IPC，还有mmap也可以将文件进行内存映射，从而实现共享内存的效果。对比可以参考 Link 参考 它们声明在头文件 sy
转载
2024-08-06 13:36:09
160阅读
