0. 介绍之前的博客中简单讲到了gprmax3.0安装使用过程中的一些问题（点此进入），pycharm运行gprmax能避免cmd操作中反复复制粘贴的过程，便于模拟，对仿真数据量较大时特别有用，尤其是机器学习、深度学习所需大量数据的仿真，这篇博客主要介绍如何在pycharm中配置gprmax以及其使用方法欢迎交流：1593458764@.com特别说明：由于本人最近闲暇时间太少，不再提供免费安
转载
2024-03-15 11:31:53
548阅读
Windows下在pycharm中的tensorflow和cuda安装教程需要安装的软件：1、CUDA Toolkit： CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。（只有安装cuda才能让显卡支持tensorflow的运行） 2、cuDNN：是NVIDIA打造
转载
2024-05-06 20:45:12
187阅读
由于基于tensorflow的神经网络在CPU上运行速度太慢，在GPU上运行速度会快很多，但是tensorflow在GPU上运行配置比较麻烦，网上的很多教程和自己使用的版本不搭配，所以针对这个情况自己做一个总结，给大家提供参考和交流。之所以说是最简单的方式，只是在配置tensorflow这一步上简单很多，在cpu与gpu上运行操作一样，亲测有效，网上也没有太多的教程，所以分享一下经验。一、anac
说明：第一次接触GPU服务器，从GUP的环境配置到连接pycharm,最后跑通代码。这其中必然踩了坑，饶了路。希望此博客能让跟我一样的小白，少踩雷，少绕路。GPU服务器的环境配置安装xshell、xftp软件下载官网 跳转到免费下载链接-> xshell：配置环境用 xftp： 本地和服务器文件上传下载用打开Xshell，点击左上角“新建”.输入用户名和密码，如果是购买的云服务器，打开云服务
转载
2024-08-30 23:19:41
97阅读
Linux 中安装Gromacs（2022 GPU-CUDA）实机操作：Ubuntu20.04系统(Ubuntu 20.04.4 LTS版本) 安装Gromacs-2022 GPU-CUDA加速版 文章目录前言一、基础软件安装1.gcc下载安装2.g++下载安装2.g++下载安装3.python下载安装4.cmake下载安装二、显卡驱动和CUDA安装1.显卡驱动2.CUDA安装三、Gromacs-
转载
2024-05-08 19:39:11
632阅读
OpenCV4 + CUDA 从配置到代码.....引子一直有人在研习社问我，怎么去做OpenCV + CUDA的加速支持。其实网上用搜索引擎就可以找到一堆文章，但是其实你会发现，按照他们的做法基本都不会成功，原因是因为文章中使用的OpenCV版本太老旧、英伟达GPU的CUDA库也太久远。其实这个都不是主要原因，真实原因是OpenCV4跟之前的版本，编译CUDA的方法不一样了。所以感觉有
转载
2024-02-21 14:11:51
111阅读
conda 搭建tensorflow-GPU和以及VS2022 软件环境配置一、TensorFlow 环境配置安装1. Anaconda下载安装2.conda创建tensorflow环境二、以及VS2022 环境配置2.1 软件安装以及环境配置2.2.1 软件安装2.2.2 软件conda环境配置2.2 Visual S
本文主要内容：PID控制器，MATLAB/Simu link仿真模型的搭建、介绍以及各控制器性能的比较与分析。 一、本文中用到的Simulink模块 以上呢就是本文用到的simulink模块，（）内的是该模块在simulink中的名字，我们在找该模块的时候，直接在simu link中的搜索就行了，如找Manual Switch
1. 工具 ：pycharm专业版如果你已经下载，在help->about查看是不是专业版如果没有，没啥好说的，微信搜素一大堆，百度云下载...建议去吃口饭2.平台：AutoDLAutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL登录-充值-点开算力市场选择合适显卡租用即可，点击“一卡可租”，选什么这东西仁者见仁，也看课题组给不给报销框架看你所求，或可像我这样选择，
转载
2024-08-12 11:02:26
132阅读
Anaconda + PyCharm + PyTorch（GPU） + 虚拟环境声明一、安装 Anaconda二、安装 PyCharm三、创建 虚拟环境 并 安装 PyTorch四、关联 虚拟环境五、致谢 声明感谢 姜小敏 同学对我的支持、鼓励和鞭策！一、安装 Anaconda进入 Anaconda 下载界面 ，单击 Download 下载。下载好之后，进行 安装 。安装路径 全英文 。不勾选
转载
2024-04-26 15:19:43
849阅读
目录前言一、前期准备工作（1）Anaconda的下载（2）PyCharm的下载（3）Github代码下载（4）数据下载二、配置环境（1）环境文件（2）查看训练结果和损失函数（3）在PyCharm中运行与修改三、结果展示 前言本文创作来源于B站上的一个搭建深度学习环境视频，我将从零开始教大家搭建一个基础的深度学习案例环境以及解答本人在搭建时遇到的一系列问题。本文将以Github上的Pix2Pix为
目录 Pycharm版本分布为什么我的Pycharm不能新建flask项目应该选择什么样的Python解释器环境如何修改颜色方案如何修改字体如何关闭那些烦人的代码提示/语法风格检测/波浪线如何安装package为什么安装package很慢如何格式化代码如何创建一个自己的package这些自动补全你知道吗? Pycharm版本分布pycharm-professional专业版: 试用30天,收
转载
2024-08-22 12:38:54
94阅读
一，分析代码运行时间1，测算代码单次运行时间# 平凡方法import time
tic = time.time()
much_job = [x**2 for x in range(1,1000000,3)]
toc = time.time()
print('used {:.5}s'.format(toc-tic))# 快捷方法(jupyter)%%time
much_job = [x**2 for
P31 GPU加速_2想要在GPU上运行，只需要定义几处，跟 第一种方法 需要修改的位置是一样的：不同之处在于：在最前面，需要加第20行：如果使用gpu，就用“cuda”，如果使用cpu，就直接用“cpu”：使用GPU加速的第二种方法： .to(device)：先定义：device = torch.device(“cpu”)在损失函数、网络模型两个位置，可以简略地写：如62和66行，不必再返回给原
转载
2023-07-23 21:41:19
131阅读
1 引言算法在工程化过程中，最躲不开就是算法的优化问题。优化分很多个方向，最简单的实现方式是并行化加速。如：一个向量相加，在cpu中你是串行一个元素一个元素的加减，如果采用并行化加速，你可以一次操作，可以将向量加法完成。当然，并行化的实现方式大概分两类：(1) cpu多线程的方法，如：openmp，(2)异构计算的方法。如gpu加速，fpga加速，NPU加速等。cpu多线程的方法的必要条件就是你得
转载
2024-03-28 17:08:07
285阅读
目录1.NVDIA概述2.FFmpeg集成到GPU3.FFmpeg uses Video Codec SDK4.ffmpeg对NVIDIA GPU的编译步骤 4.1configure命令4.2 make4.3 ffmpeg测试4.4 编解码器使用方法4.5 程序开发使用方法5.源码分析5.1 h264部分5.2h265部分1.NVDIA概述FFmpeg可通过Nvidia的GPU进行加速，
转载
2024-03-20 21:19:16
211阅读
这是我们正在撰写的系列文章中的第一篇。所有帖子都在这里：1.加快算法速度，第1部分—PyTorch2.加快算法速度，第2部分-Numba3.加快算法速度，第3部分—并行化4.加快算法速度，第4部分--Dask这些与Jupyter Notebooks配套，可在此处获得：[Github-SpeedUpYourAlgorithms]和[Kaggle]（编辑-28/11/18）-添加了“torch.
转载
2024-05-08 12:46:39
53阅读
1 使用单块GPU训练模型2 使用多卡(多GPU)训练模型2.1 nn.DataParallel原理2.2 实现代码(亲测有效)2.3 贴图展示2.4 模型保存和加载 1 使用单块GPU训练模型下面代码主要实现： 如何将tensor放入指定GPU上计算、如何将py文件放入指定GPU上执行import os
import torch
from torchvision import models
转载
2023-10-03 18:11:21
124阅读
由于项目需要，翻译了一部分可以用于我现在项目的opencv函数，记录于此，原始英文文档来自于。getCudaEnableDeviceCount：返回已安装CUDA设备的数量; 2. setDevice：设置adevice并为当前线程初始化它; 3. getDevice：返回当前设备索引设置或默认初始化; 4. resetDevice：在当前进程中显式地销毁和清除与当前设备相关联的所有资源;
转载
2024-06-24 18:03:26
245阅读
Numba是一个可以利用GPU/CPU和CUDA 对python函数进行动态编译，大幅提高执行速度的加速工具包。利用修饰器@jit,@cuda.jit,@vectorize等对函数进行编译JIT：即时编译，提高执行速度基于特定数据类型集中于数值计算(高效编译math，cmath，sub-numpy)Numba是一个开源的JIT编译器，可以将python或者numpy 的一些数学计算编译为运算速度极
转载
2023-07-02 14:16:25
114阅读
