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
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
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
1.Keras 简介Keras 是一个高层神经网路的API , 特点就是简单易用keras 是目前流行的深度学习框架里面，最简单的。keras后台调用了 Tensorflow，Microsoft-CNTK 和 Theano2.线性回归模型代码如下：注意。plt.scatter 是绘制散点图，plt.plot是绘制经过点的曲线import keras
import numpy as np
impor
转载
2024-07-29 23:39:07
104阅读
我们在配置深度学习环境的时候，除了安装各种库和框架外，如果需要 GPU 加速，还需要配置 CUDA。那 CUDA 是什么？它的作用是什么？CUDA 编程介绍什么是 CUDA？CUDA (Compute Unified Device Architecture) 是通用的并行计算平台和编程模型，利用 Nvidia GPU 中的并行计算引擎能更有效地解决复杂的问题，如矩阵和线性代数等相关运算。为什么需要
转载
2024-05-23 11:51:29
304阅读
直接上干货吧。笔记本配置：Lenovo拯救者R720，8G，128G+1T,GTX10501.安装CUDA8.0下载软件后就可以开始安装了，由于本子默认显卡驱动高于CUDA8.0中的版本，所以会出现以下不兼容提示 此时，点击继续即可，注意：在后面的【
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
身为程序猿，C 语言大家一定都不陌生了，还记得当年在黑窗口中第一次显示出 hello, wordl! 时激动的心情吗？平时我们在写 C 程序时都用 IDE（集成开发环境），写好源代码之后点一下按钮，一键运行。但是不同的 IDE 会出现不同的按钮，甚至还有多个按钮，什么先点编译，后点运行（当时老师就是这么说的，咱也不知道为什么，照着做就是了）。 随着越来越深入了解计算机，我逐渐地明白了其中
转载
2024-10-12 07:12:45
126阅读
1 运行环境 = 操作系统 + 硬件
2 Windows 克服了 CPU 以外的硬件差异
3 不同操作系统的 API 不同
4 FreeBSD Port 帮你轻松使用源代码
5 利用虚拟机获得其他操作系统环境
6 提供相同运行环境的 Java 虚拟机
7 BIOS 和引导
1 运行环境 = 操作系统 + 硬件操作系统和硬件决定了程序的运行环境。同一类型的硬件可以选择安装多种操作系统。
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
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
1.创建实例恒源云提供的GPU很多，从单卡到多卡价格不等，经常有特惠价格：这里考虑性价比，以A5000单卡为例：购买时候我选择的镜像是Pytorch1.8版本，购买实例后，实例就启动了2.Pycharm远程连接GPU2.1配置远程文件连接个人习惯是在本地Pycharm上编写代码，然后使用云GPU运行代码。注意哦，只有Professional版本才支持远程开发功能。打开Pycharm，工具->
目录如何在GPU上训练pytorch代码？1.需要将哪些数据送入gpu里呢？2. 如何将这三个部分送入gpu呢？如何确认程序是否在GPU上跑——查看GPU使用情况在Python代码中指定GPU设置定量的GPU使用量设置最小的GPU使用量PyTorchGPU利用率较低问题原因： 1.1 GPU内存占用率问题1.2 GPU利用率问题问题原因分析与总结记录：3.1 模型提速技巧如何在GPU上训
转载
2024-05-03 22:37:00
356阅读
第一次安装的时候真的是纯小白，各种概念都不懂，只知道使用GPU跑代码需要安装CUDA。弯路走了不少，前前后后被虐了一周，安装的非常艰辛，且混乱；第二次安装是在同学电脑上，又绕了些弯路，不过这次只花了半天时间，当时非常自豪来着。这次是第三次安装，有了第二次的经验，安装的非常非常顺利，可谓一气呵成。现在把过程发过来。步骤简述：1.确认有Nvidia GPU2.升级驱动程序3.安装CUDA4.安装GPU
转载
2024-05-09 16:09:29
460阅读
深度学习是一个对计算有着大量需求的领域，从一定程度上来说，GPU的选择将从根本上决定深度学习的体验。因此，选择购买合适的GPU是一项非常重要的决策。那么2020年，如何选择合适的GPU呢？这篇文章整合了网络上现有的GPU选择标准和评测信息，希望能作为你的购买决策的参考。1 是什么使一个GPU比另一个GPU更快？有一些可靠的性能指标可以作为人们的经验判断。以下是针对不同深度学习架构的一些优先准则：C
转载
2024-04-27 07:35:39
32阅读
我使用的YOLO的GPU版本工程是代码链接是：yolo-windows-master，其博客地址是：CPU版本的博客地址是：1、GPU配置，其中yolo使用的GPU版本的，其网上下载的代码基本是用CUDA7.5计算版本的，如果自己系统装的不是这个版本的则会出现加载工程失败，其错误信息如下：此时双击上面的无法加载cuda属性表的错误，这个属性表是我们在安装CUDA时会在系统目录下自动生产相应版本的。
转载
2024-03-25 17:42:25
96阅读
实时监控python进程中某个函数使用nvidia GPU情况的python代码代码import os
import copy
import pynvml
import time
import threading
def monitor_gpu_usage(func):
"""
`@monitor_gpu_usage`是一个装饰器，它的主要功能是监控并打印出装饰的函数在执行过
转载
2024-06-17 10:47:34
310阅读
首先，让我们来看看市面上有哪些双核心手机处理器。提到双核，可能大家首先想到的就是nVIDIA的Tegra 2。作为业界新人，nVIDIA必须要有一些别人不具备的优势，才能站稳脚跟，而nVIDIA选择的优势就是速度。Tegra 2是一款早在2010年1月就发布的双核手机处理器，为nVIDIA赚足了眼球，甚至俨然成了双核的代名词。Tegra 2是nVIDIA在ARM SoC领域的第二款作品，由于第一款
转载
2024-10-28 08:25:21
69阅读
（2017年）百度将高性能计算引入深度学习：可高效实现模型的大规模扩展RingAllreduce；适用于单机多卡/多机多卡；关键在于认识到机器硬件拓扑，然后根据拓扑去构建使得最大的边延迟最小的方案；（Step1, Step2, Step3那种AllReduce，在多机通过交换机互联情况下，也可以和机器数目无关）；最后再进行5轮类似的传输，所有GPU上就都有了各段之和； NCCL是最快的！
引言gan在 keras和 TensorFlow两个框架的入门后，这次补充一下 gan和 dcgan在 pytorch框架的代码。顺带安利一下怎么将 cpu的代码修改成使用 cuda进行加速的代码，还有怎么将运行在 cpu的模型参数保存下来接着到 gpu的环境下加载运行 （代码链接在后面，有个案例在手还是挺有用的，说不定哪天就用上了!）然后也顺
