不知道最近是不是到了换笔记本的季节了，好多人问我怎么买电脑，买啥配置卡不卡，所以我觉得还是整理一下答案供大家参考。首先请看这10副聊天记录截图，再看下面的一个性能小对比。不想看可以直接跳到最后结论部分。我把结论直接拿到前头了，大家可以先看结论。结论：1. 【能运行】基础办公，office三件套，看腾讯视频，这些能覆盖90%的人的90%需求的事情，其性能需求低到可以忽略不计。但这里说的仅是“能运行”
转载
2024-03-22 07:38:04
483阅读
深度学习怎么跑代码？从事深度学习的研究者都知道，深度学习代码需要设计海量的数据，需要很大很大很大的计算量，以至于CPU算不过来，需要通过GPU帮忙，今天怎么教大家免费使用GPU跑深度学习代码。深度学习怎么跑代码？Colabortory是一个jupyter notebook环境，它支持python2和python3，还包括TPU和GPU加速，该软件与Google云盘硬盘集成，用户可以轻松共享项目或将
转载
2024-05-09 15:42:24
106阅读
【SCRDet++代码调试】一、环境要求二、硬件环境配置1、安装 NVIDIA 图形驱动程序2、安装 CUDA Driver3、CUDA Toolkit4、cuDNN三、软件环境配置1、安装 Anaconda2、Anaconda 中配置 tensorflow 环境四、准备数据集、权重文件1、Pretrain weights2、Compile3、Make tfrecord五、Multi-gpu t
转载
2024-05-09 15:37:13
351阅读
文章目录一、认识RNN模型1. 什么是RNN模型2.RNN模型的作用3. RNN模型的分类二、传统RNN模型1. 传统RNN的内部结构图2. 内部结构分析3. Pytorch中传统RNN工具的使用4. 输出output和hn的区别5. 优缺点三、LSTM模型1. LSTM的内部结构图2. 遗忘门3. 输入门4. 细胞状态5. 输出门6. Bi-LSTM7. Pytorch中LSTM工具的使用:8
转载
2024-06-16 11:36:26
245阅读
首先数据集这一块一定要弄好，按照要求，不然后面训练出来的模型会没办法实现相应的功能(不要乱改数据集，因为里面的demo代码块是相应对应起来的，不能随意更改)。 首先就是电脑问题了，其实这之间我也是猜了很多坑的，首先就是GPU问题，你要看下你的电脑能否有GPU，如果有GPU的话，你就可以使用CUDA以及cudnn来调动电脑的GPU。这个下载一定要注意，你的系统的驱动版本号，可以在NVIDIA里面的系
转载
2024-05-11 23:50:57
102阅读
的一 前言最近写了个又臭又长的代码来验证idea，效果还行但速度太慢，原因是代码中包含了一个很耗时的模块，这个模块需要连续执行百次以上才能得到最终结果，经过实测模块每次执行消耗约20ms，而且两次执行之间没有先后关系，为了保证系统的实时性，我决定将这一部分运算放在GPU上执行。二 环境配置（dirver CUDA + runtime CUDA）要想使用GPU加速计算，首先需要一块性能还可以的Nvi
转载
2024-04-17 15:19:00
139阅读
引言Bert在工业使用中表现相当优异，但是预训练时间非常的长。Bert的作者公开的记录是用了16块TPU训练了三天。 本论文就是针对训练时间上进行的优化，提出了LAMB优化方式，在不损失训练精度的情况下，将BERT的训练时间缩短到了76分钟，如下：背景从上图可以看到，论文作者提出的方法用了1024块TPU，训练时间为76分钟，F1值相对原始的Bert训练有了微小的提升。简单来看，这个缩短的训练时间
转载
2024-05-17 13:43:49
605阅读
在服务器里利用anaconda科学利用GPU以及管理代码一 使用conda产生虚拟环境1 首先在服务器里下载安装anacodna2 .创建python虚拟环境3 使用激活(或切换不同python版本)的虚拟环境4 对虚拟环境中安装额外的包5 关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)6 删除虚拟环境。7 删除环境中的某个包二 使用pycharm连接服务器中的虚拟
转载
2024-08-07 15:39:03
76阅读
Python跑代码需要网络吗？这个问题经常困扰着许多开发者。在这篇博文中，我们将详细探讨运行Python代码是否需要网络，并逐步了解相关的环境预检、部署架构、安装过程、依赖管理、版本管理和最佳实践。
### 环境预检
在运行Python代码之前，我们必须了解硬件和软件环境的要求。我们将用四象限图来分析不同网络状态下Python代码的运行情况，以及进行兼容性分析。
```mermaid
qua
感受：代码、路径方面有点混乱，需要大改，怎么改的过程未及时记录，记录改完后的一些思考，还在慢慢更新中，写的比较乱，还存在许多问题为想明白，已在文中标红，欢迎大佬们评论区或者私信帮我答答疑惑 orz orz orz !paper：CoANet: Connectivity Attention Network for Road Extraction From Satellite
程序员的主要工作之一就是敲代码，而我相信，敲代码对于大多数程序员来说都是比较难过的事情，甚至在IT界还有一个小玩笑，就是只要程序运转起来了，不管怎么奇怪，都不要去动它了，哈哈哈。 话说回来，敲代码除了严谨性，就是要讲究效率，今天就只要推荐几个应用，主要帮助提高敲代码的效率~~1.亿图图示 亿图图示是一款基于矢量的绘图工具，里面有大量的示例库和模板库，可以非常方便的绘制出各种专业级别的组织结构图，商
利用Google Colaboratory运行本地深度学习代码前提条件一、创建Colaboratory二、连接GPU云服务器查看GPU型号三、将本地项目压缩包上传到谷歌云盘并解压3.1上传3.2 解压绑定GoogleDrive开始解压 最近学习使用了Google免费的GPU云服务器用于训练GitHub上的一个深度学习项目，下面记录一下环境配置过程 前提条件拥有谷歌账号，并注册谷歌云盘（注册登录
转载
2024-04-18 16:32:56
130阅读
问题描述在使用服务器多核跑程序的时候，需要把核心的程序抽取出来，然后提供迭代参数。然后就可以使用多核去跑程序了。但是在执行的过程中报错如下：Exception has occurred: TypeError unhashable type: 'list'File "/home/LIST_2080Ti/njh/CHB-MIT-DATA/epilepsy_eeg_classification/prep
1 前言原料：我有两台电脑，一台是Win10系统的小米笔记本12.5（简称为A电脑），一台是Ubuntu系统的小米游戏本（简称为B电脑）。A电脑没有GPU，没有配置任何深度学习环境；而B电脑的GPU是GTX 1060，配置好了深度学习环境，已经能用CUDA跑代码了。A电脑和B电脑使用的IDE都是VS Code。需求：代码调试：因为B电脑有GPU，我希望能够用A电脑调试B电脑的代码。场景1（远程调试
转载
2024-03-27 10:20:35
314阅读
GPU在视频转码中的应用研究进展已有的视频转码软件目前，市场上已经出现了几款优秀的利用GPU进行辅助视频转码的软件，典型的代表包括nVidia的Badaboom，AMD的ATIAvivo，Cyberlink的MediaShow和免费软件MediaCoder。其中，前三者均为商业软件，只有MediaCoder是免费软件。MediaCoder在2008年仍是基于GPL协议的开源软件，后来作者封闭了源代
转载
2024-08-25 16:50:02
56阅读
CUDA编程： GPU与CPU之间使用全局统一内存的完整代码及编译最近碰到一个应用场景，需要从GPU访问host上创建的，一个很大的布隆过滤器（准确说是改进后的布谷鸟过滤器）。由于GPU卡上的显存有限，把整个过滤器复制到GPU卡显然不可能，于是想到用CUDA的全局统一内存来简化程序编写并提高性能。 由于以前没做过CUDA的编程，要从零开始学CUDA，还要进阶到用 统一虚拟内存寻址UVA，再到全局统
转载
2024-03-29 19:25:16
156阅读
目录一、keras代码GPU配置二、tensorflow代码GPU配置三、给算子指定GPU或CPU 当设置的GPU号大于实际的GPU个数时（比如实际只有一个GPU，配置中设置成使用1号GPU），创建会话会失败，提示tensorflow.python.framework.errors_impl.InternalError: Failed to create session.一、keras代
转载
2024-03-21 14:56:31
164阅读
电脑、平板，只要有浏览器就能写代码，页面效果接近桌面版vscode，编译运行代码都在免费的微软服务器上，心动吗？随本文一起行动吧
欢迎访问我的GitHub这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos一图胜千言先上图，下面是欣宸在自己的iPad Pro上用浏览器写代码的实拍，右下方可见S
0 引言由于毕设用到了Marvin，采用的是CUDA框架作为加速器，正好借此学习一下CUDA编程的一些基本知识。各个版本的cuda的下载链接如下。https://developer.nvidia.com/cuda-toolkit-archiveubuntu 下cuda与cudnn安装 1 GPU编程参照了该博客，写得确实是非常之好，从硬件到软件，再到代码实现，由浅入深，由理论到实践，水平
在自己的电脑上跑大模型，到底需要多高的配置？很多小伙伴私信问我这个问题。本期视频我就统一给大家一个答案。不过在此之前，有个问题先得回答一下：ChatGPT用得好好的，为什么要在本地电脑上折腾这些开源大模型或者开源项目？很简单，三个原因：第一、运行更稳，速度更快，还不花钱。过去一年，订阅ChatGPT Plus，以及使用API的费用加在一起，我应该给OpenAI贡献了大几百美金。但是，我对他们的服务
