写在前面一些废话接触深度学习已经有一段时间，之前一直在windows下使用Theano，但是发现Theano天书般的源码真是头大，在看到tensorflow中文教程后，发现它竟然逻辑清晰，教程丰富，实在是居家旅行必备良药啊![偷笑][偷笑][偷笑]所以决定利用国庆假期学习ubuntu和TensorFlow的安装，结果入坑无数，同时搞坏了一块1T硬盘(花了450大洋啊，心在滴血…)。初步估算，整个
转载
2024-06-29 21:58:57
55阅读
引用参考： 一. 安装环境Ubuntu16.04.3 LSTGPU: GeForce GTX1060Python: 3.5
CUDA Toolkit 8.0 GA1 (Sept 2016)cuDNN v6.0
转载
2024-06-17 17:32:27
0阅读
摘要：本文详细介绍了在Ubuntu 18.04下如何配置深度学习GPU（显卡）环境，包括了显卡驱动下载安装，环境配置等。按照本教程的步骤在多台服务器上安装都取得了成功，是在多种方法的比较之下个人整理的认为最新的简洁有效的做法，其要点如下：安装显卡驱动安装Cuda 10.0安装cuDNN前言GPU作为深度学习的一个强有力工具，特别擅长处理矩阵并适用于深度学习等专业应用程序。一般地，深度学习的模型可以
转载
2024-04-04 06:49:15
1591阅读
经历了半天得研究，终于把conky的配置文件搞明白了，于是自己改了一个，主要把ATI相关的性能显示出来特此记录备份。ps:ATI显卡在linux上就是悲剧！ 补充说明： aticonfig命令提供了对显卡各种参数的详细设置与显示，为了得到显卡温度始终频率等信息，必须使用命令初始化一下，主要就是aticonfig自动备份xorg的配置文件：sudo ati
转载
2024-03-15 20:28:07
80阅读
Ubuntu16.04安装NVIDIA显卡驱动一、查看显卡型号1.方法12.方法2二、下载显卡驱动三、安装显卡驱动1.BIOS禁用secure boot2.卸载旧版NVIDIA驱动程序3.禁用nouveau4.进入命令行界面并停止可视化桌面5.给run文件赋予执行权限6.安装驱动7.安装过程选项8.打开可视化桌面并检验安装结果 一、查看显卡型号1.方法1输入以下命令lspci |grep -i
转载
2024-06-12 09:19:05
524阅读
先介绍一下我自己的配置环境Ubuntu 16.04Intel i7 CPU16G内存GTX980Ti 显卡1、安装NVIDIA显卡驱动（1）先在NVIDIA官网上下载对应的驱动程序，可根据自己的GPU的型号下载相应的.run文件例如NVIDIA-Linux-x86_64-3xx.xx.run形式的文件名自己电脑的GPU型号查询可在终端输入：nvidia-smi查询。大概在中间位置。也可以输入： n
转载
2024-05-05 15:49:30
89阅读
文章目录PreparationStep1: 安装Nvidia驱动Step2 安装CudaStep3: 安装CudnnStep4: 安装Tensorflow-gpu包Step5: 测试案例IssuesIssue1Issue2Issue3Issue4Other: Linux 服务器版 NVIDIA 驱动安装1. Download Linux Server Version Drive2. Instal
转载
2024-09-01 22:43:35
123阅读
一、并行编程模型介绍共享内存模型： 并行程序中的进程或线程可以通过对共享内存区的读写操作来实现互相间的通信。该模型关注并行任务的划分以及映射到进程或线程的指派分配。适用于共享存储多处理器。该类型主要有OpenMP、基于POSIX线程库的多线程程序等。消息传递模型： 各个并行任务之间不能通过程序地址的访问获得另一任务的数据，必须显式提出数据通信请求才能在任务间交互信息。该模型关注数据的分布情况。
转载
2024-04-24 10:53:20
294阅读
简介这是这个系列的第一篇入门文章，这个系列的博客不会讲解太多的东西，毕竟官方文档就是最好的教程，这个系列的博客主要是写一些 cuda 代码跑起来试试，记录下自己的学习收获。 官方文档就是最好最权威的学习资源CUDA Toolkit Documentation v11.7.0运行本文的cuda代码，需要搭建GPU环境，参考博客 环境搭建此外作为入门，个人觉得这篇文章是很不错的 ，强烈建议先看完下面这
转载
2024-05-23 11:31:00
50阅读
本文主要讨论：解释型语言中的GPU编程ThrustRTC 项目, 以及如何在Python中使用CUDA模板库可以看作是ThrustRTC这个项目： fynv/ThrustRTCgithub.com
的一个引言。解释型语言与GPU编程众所周知，C++ 是CUDA的默认语言。在解释型语言（在以人工智能为代表的领域）如此流行的今天，我们发现，以CUDA为代表的GPU并行编程依然
转载
2024-06-29 16:29:28
88阅读
2.1 CUDA编程模型概述CUDA编程模型提供了一个计算机架构抽象作为应用程序和硬件之间的桥梁。通信抽象是程序与编程模型实现之间的分界线，它通过专业的硬件原语和操作系统的编译器或库来实现。利用编程模型所编写的程序指定了程序的各组成部分是如何共享信息及相互协作的。编程模型从逻辑上提供了一个特定的计算机架构，通常它体现在编程语言或编程环境中。CUDA另外利用GPU架构的计算能力提供了以下几个特有功能
转载
2024-06-29 09:04:06
49阅读
二.安装过程1、检查自己的电脑环境是否具备安装CUDA的条件1) 验证自己的电脑是否有一个可以支持CUDA的GPU你可以电脑的配置信息中找到显卡的具体型号，如果你是双系统，在Windows下的设备管理器中也可以查到显卡的详细信息；你也可以在ubuntu的终端中输入命令：$ lspci | grep -i nvidia ， 会显示出你的NVIDIA GPU版本信息，不过不是很详细。 然后去
转载
2024-04-29 17:26:25
425阅读
之前写过关于windows下安装支持GPU的matconvnet以及tensorflow的博客，具体参照: 这次稍微记录下ubuntu下安装支持gpu版的tensorflow吧，毕竟我觉得还是挺简单的。。系统：Ubuntu16.04########################################## START####################################
转载
2024-03-28 11:24:39
701阅读
在Ubuntu系统中搭建GPU版pytorch环境1 搭建pytorch的GPU环境1.1 重装ubuntu自带的显卡驱动自带的显卡驱动可能没有办法使用nvidia-smi命令查看显卡信息打开终端，检测N卡和推荐驱动的输入：ubuntu-drivers devices安装推荐的驱动sudo ubuntu-drivers autoinstall安装完成后重启电脑现在输入nvidia-smi指令便不会
转载
2023-08-03 19:28:45
278阅读
容器将应用程序封装到隔离的虚拟环境中，以简化数据中心的部署。通过将所有应用程序依赖项 (例如二进制文件和库) 都包括在内，应用程序容器能在任何数据中心环境中无缝地运行。英伟达基于Docker 提供的NVIDIA-Docker可用于容器化 GPU 加速的应用程序。这意味着无需进行任何修改即可轻松容器化和隔离加速的应用程序，并将其部署到任何受支持的、可使用 GPU 的基础架构上。 管理和监控加速的数据
转载
2023-07-11 20:21:04
314阅读
0. 综述目前，知道3种安装N卡驱动的方法： 1. PPA源：最简便，但未必有最新驱动（亲测），或可能遇到问题（风闻）。sudo add-apt-repository ppa:xorg-edgers/ppa #添加ppa源
sudo add-apt-repository ppa:graphics-drivers/ppa #添加ppa源
sudo apt-get update #更新ap
转载
2024-08-07 14:25:04
176阅读
GPU和CPU之间的构架：
转载
2021-07-21 10:02:51
260阅读
一，关于编程模型首先要了解什么是异构架构计算：即GPU和CPU协同工作，CPU端称为主机端用host表示，GPU端称为设备端用device表示。GPU和CPU连接一般协议是PCI-E，最新的协议有NVme，延迟更小。程序执行流程主要分为六个大的部分：在host端分配内存，进行数据初始化。在device端分配内存。将数据从host拷贝到device。用CUDA核函数在device端完成指定的运算。将
转载
2024-04-15 12:50:35
71阅读
近几年比较火的一个东西就是大规模、大数据等概念了。用到的工具除了hadoop等分布式平台外，还有一种是gpu，前者更多是用来做真正大规模的数据吧，比如大规模的网络数据的，但是如果数据是图像数据的话，可以用gpu来做。gpu卡是由很多个处理单位组成，每个处理单元就像cpu cores一样，这个单元叫SM，不同的gpu卡有不同的SM版本。每个SM均像一个多核的cpu一样，有存储和寄存器以及计算单元。每
转载
2024-07-28 10:59:24
64阅读
参考自《GPU高性能运算之CUDA》主编：张舒。1、主机与设备 CUDA编程模型将CPU作为主机（Host），GPU作为协处理器（co-processor）或者设备（Device）。在一个系统中可以存在一个主机或若干个设备。 CPU和GPU各司其职。CPU负责逻辑性较强的事物处理和串行计算，GP
转载
2024-04-22 23:04:06
24阅读
