外出游玩了几天，早上6点多回到了成都，在租的房子里稍微整理洗漱了下继续去教研室自学。上午一直在看并行状态的创建。由于MATLAB2008的Stateflow工具箱创建并行进程后并不是根据拖动即时调整状态的序号，而是需要取消并行再次选择使用并行，额外耗费了点时间。这个序号可以在仿真的时候直观地看到它的作用：两个并行状态，确认先进入哪一个。p.s.所用的资料(基于MATLAB7.x+SIMULINK_
# PaddleNLP Taskflow GPU解决方案
## 引言
在自然语言处理任务中，GPU的加速可以显著提高训练和推断的效率。PaddleNLP是一个基于深度学习框架PaddlePaddle的自然语言处理工具库，提供了丰富的预训练模型和任务流程，可以帮助用户快速完成各种NLP任务。本文将介绍如何使用PaddleNLP Taskflow GPU解决方案来加速NLP任务的训练和推断。
##
原创
2024-06-02 03:31:49
153阅读
在Windows下安装TensorFlow-GPU版一、准备工作1、确定TensorFlow版本2、确定Python、cuda、cuDNN的版本二、开始安装1、安装Anaconda2、安装Python方法一：安装包安装方法二：通过Anaconda安装3、安装CUDA4、安装cuDNN5、安装TensorFlow三、踩坑总结四、参考文章 安装TensorFlow需要有相适应版本的Python、c
转载
2024-04-27 20:48:40
1177阅读
专栏介绍：Paddle Fluid 是用来让用户像 PyTorch 和 Tensorflow Eager Execution 一样执行程序。在这些系统中，不再有模型这个概念，应用也不再包含一个用于描述 Operator 图或者一系列层的符号描述，而是像通用程序那样描述训练或者预测的过程。本专栏将推出一系列技术文章，从框架的概念、使用上对比分析 TensorFlow 和 Paddle Fluid，为
转载
2024-05-10 12:37:14
119阅读
随着AlphaGo连续大战两位最强围棋选手，人工智能火了起来，而这条“狗”的创作框架——tensorflow，也越来越被圈外圈内的人所知。学习tensorflow第一步，当然是安装。本文将详细地介绍如何安装CPU版和GPU版的tensorflowtensorflow分为CPU版和GPU版，GPU效率更好，当然，tensorflow只支持NVIDIA显卡，其他的显卡不支持，如果没有条件就
转载
2024-04-28 08:33:00
51阅读
持续监控GPU使用情况命令：$ watch -n 10 nvidia-smi 一、指定使用某个显卡 如果机器中有多块GPU，tensorflow会默认吃掉所有能用的显存， 如果实验室多人公用一台服务器，希望指定使用特定某块GPU。 可以在文件开头加入如下代码：import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ[
转载
2024-07-22 17:08:16
209阅读
# 使用PaddleNLP的Taskflow在指定GPU上运行
随着深度学习技术的快速发展，自然语言处理（NLP）逐渐成为了一项热门的研究领域。PaddleNLP作为一个强大的NLP工具库，提供了丰富的 API 和功能，使得开发者能够方便地构建和训练NLP模型。在实际应用中，由于GPU能够显著提高计算速度，合理地配置GPU资源变得尤为重要。本文将介绍如何使用PaddleNLP的Taskflow功
物理概念
SP流式单处理器
最基本的处理单元，Streaming Processor，最后具体的指令和任务都是在SP上处理的。GPU进行并行计算，也就是很多个SP同时做处理。现在SP的术语已经有点弱化了，而是直接使用Thread来代替，一个SP对应一个Thread。流式单处理器SP表达的是物理层面概念，线程Thread表达的是逻
文章目录〇、写在前面一、百度简介二、百度飞桨三、快速安装四、快速使用五、线性回归模型1）基于paddlepaddle的代码：2）基于TensorFlow的代码：六、总结参考文章 一、百度简介 百度（纳斯达克：BIDU），全球最大的中文搜索引擎及最大的中文网站，全球领先的人工智能公司，据说是中国第一，世界第二。“百度”二字，来自于八百年前南宋词人辛弃疾的一句词：众里寻他千百度，这句话描述了词人对理
官网教程：快速安装的命令语句：https://www.paddlepaddle.org.cn/官网的详细安装教程：https://www.paddlepaddle.org.cn/documentation/docs/zh/install/conda/linux-conda.html 两个网址都可以，都是官网的方法，实测可行。安装的前提环境是： 先装好系统的NVIDIA显卡驱动先【本人的Ubuntu
转载
2024-09-02 00:04:46
119阅读
多线程单线程程序只有一个“手指”。但多线程的程序有多个“手指”。每个“手指”仍然移动到控制流语句定义的下一行代码，但这些“手指”可以在程序的不同地方，同时执行不同的代码行你可以使用 Python 的threading 模块，在单独的线程中执行延迟或安排的代码。这个单独的线程将因为**time.sleep()**调用而暂停。同时，程序可以在原来的线程中做其他工作要得到单独的线程，首先要调用 thre
转载
2024-07-09 18:04:07
75阅读
前言1.PaddleOCR是百度开源的一个很活跃的OCR库，从训练到推理部署都有很完整的文档教程，在新的V2.3上，服务器端的CPU的推理速度有220%的提升，之前想用PaddleOCR做过医疗化验文字识别与关键字提取，因为速度和精度的问题，后来就放弃，当新更新的V2之后的版本有这么明显的提升，就入手试试。 2.这里面只配置PaddleOCR的C++ 推理，环境：Win10, VS2019专业版，
转载
2024-05-10 20:40:25
387阅读
我们发现paddledetection只是修改配置文件就可以训练，在代码是怎么实现的，yaml为什么可以自动实例1.代码梳理train.py 132行 开始加载配置文件cfg = load_config(FLAGS.config)paddet/core/workpace.pydef load_config(file_path):
"""
Load config from file.
最近有一个项目需要用到文字识别，但是又是内网项目，不能用在线的第三方接口。在Github找了一些包，都对比了一番最终还是决定使用百度开源的PaddleOCR机器配置：12核CPU、16GB DDR4内存、RTX 2060-6G、1TB固态硬盘、1TB机械硬盘环境：系统Centos 7.9、Docker CE 20.10、Python3.7安装CentOS和Docker的过程就略过了，这也不是本文讨
转载
2024-04-12 19:25:11
1363阅读
# 使用PaddleNLP Taskflow实现UIE
## 引言
欢迎来到PaddleNLP Taskflow的实践指南！在本文中，我将指导你如何使用PaddleNLP Taskflow实现UIE（User Intent Extraction，用户意图提取）任务。不用担心，我会一步一步地向你介绍整个过程，并提供相应的代码示例和解释。
## 步骤概览
首先，让我们来看一下实现UIE任务的整个流
原创
2024-01-13 05:07:37
315阅读
最近看到stackoverflow上对python闭包的讨论，很有意思，在此记录一下。原文可以去http://stackoverflow.com/questions/233673/lexical-closures-in-python看
问题起源是有个程序员提了这么个问题;flist =[]
for i in xrange(3):
def func(x):
return x * i
转载
2024-09-09 13:03:40
44阅读
有些服务器上可能安装了多块GPU供大家共同使用，为了不产生冲突，有时需要按情况指定自己的程序具体在哪些GPU上运行。（注意：本文主要参考了，我这里主要是记录一下，以后自己再用到的时候方便查找）下面是实验室GPU的情况：下面是具体的方法：1. 在python代码中通过CUDA_VISIBLE_DEVICES来指定比如，我要使用上面编号为“3”的GPU来运行我的程序，则需要在自己的程序中加入
转载
2023-10-02 20:54:36
712阅读
可能是本人不太聪明的原因，在看到这个位姿初始化函数内容的时候，我卡了很久，总感觉乱七八糟的，不过看了很多大佬的博客以后再加上多花时间，最后终于对这个函数有了一个粗略的认知，在这里写一下个人理解，有错误望批评指正，谢谢大家。正文：首先我们知道，这个函数是在回调函数laserCloudInfoHandler()中的，订阅的是作者自定义的一个cloud_info数据类型的数据，这里面包含了imu的原始数
这一篇随笔只是记录这段时间学习OpenGL内容的笔记，便于自己回顾，并没有指导他人学习的作用。 想要学习OpenGL请移步官方教程！ 核心模式与立即渲染模式(固定渲染管线)的选择 早期的OpenGL使用立即渲染模式（Immediate mode，也就是固定渲染管线），这个模式下绘制图形很方便。OpenGL的大多数功能都被库隐藏起来，开发者很少能控制OpenGL如何进行计算的自由。而开发者
在当今的 IT 世界中，越来越多的应用程序开始利用 GPU 的强大计算能力来提高性能。特别是在 AI 和深度学习领域，使用 GPU 启动 ollama 的需求日益增加。如何高效地使用 GPU 启动 ollama 并解决相关问题，成为了许多开发者关注的焦点。
## 背景定位
在高性能计算的应用场合，GPU 通常用来处理大量的并行计算任务。ollama 的启动和运行也不例外，若能借助 GPU，将大
