请先阅读如下两篇文章,并先读完我的文章再决定你是否要动手安装，因为有很多坑：免费使用谷歌GPU 这里谷歌是需要那啥的，这里出现那两个关键字文章会发布不了，大家都懂，考虑到大家能否出去的问题，所以选择写百度的文章，这里默认你已经有了百度AI Studio的账户，如果没有自行注册。1.登陆百度 AI Studio 并按照教程创建新项目2.创建自己的数据集 这里上传需要以压缩包的形式3.启动项目并进入
转载
2023-12-27 15:43:48
57阅读
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
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
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
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
用免费GPU线上跑SD项目实践 DataWhale组织了一个线上白嫖GPU跑chatGLM与SD的项目活动，我很感兴趣就参加啦。之前就对chatGLM有所耳闻，是去年清华联合发布的开源大语言模型，可以用来打造个人知识库什么的，一直没有尝试。而SD我前两天刚跟着B站秋叶大佬和Nenly大佬的视频学习过，但是生成某些图片显存吃紧，想线上部署尝试一下。参考：DataWhale 学习手册链接1 学习简介本
作者：凌逆战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(重要的事情说三遍)的计算量，以至于CPU算不过来，需要通过GPU帮忙，但这必不意味着CPU的性能没GPU强，CPU是那种综合性的，GPU是专门用来做图像渲染的，这我们大家都知道，做图像矩阵的计算GPU更加在行，应该我们一般把深度学习程序让GPU来计算，事实也证明GPU的计算速度比CPU块，但是(但是前面的话都
转载
2024-03-08 08:59:47
118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
# 用GPU跑Python代码的科学探索
在机器学习、深度学习和科学计算的领域中，CPU（中央处理单元）对于执行计算任务一直扮演着重要的角色。但是，随着数据量的增加和计算复杂度的提升，GPU（图形处理单元）的出现为我们提供了一个高效的计算替代方案。GPU的并行处理能力使得它在处理大量数据和复杂的计算时展现了出色的性能。
## 什么是GPU？
GPU最初设计用于处理图形渲染，如3D游戏中的图像
原创
2024-09-29 06:22:26
53阅读
将作为一名程序员，进一步确定的目标是成为一个架构师，那么能耗必须考虑。 写代码与能耗的关系不言自明，现在假设将网络视频监控的监控识别算法放在客户端，既不利于算法的保护，也不利于算法的优化，更不利于降低能耗。 谈到能耗，每一台服务器都是吃电器，如果我不是老板，就不考虑耗电的情况，但是如果作为这个公司的一员，也
转载
2024-04-25 15:12:07
120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
最近想要实现一个基于caffe框架的深度学习案例，而caffe一般需要在ubuntu系统中运行，且使用GPU运行效率更高，然而博主原主机机箱不支持显卡添置和更换。 因此，博主萌生出另配置一台台式机及入坑Linux系统的想法，在这里也与大家分享一下一些心得，另外本台式机也比较适合一般娱乐使用，可以为想要配置台式电脑的朋友提供参考，节约一些时间。进入正题，首先罗列一下配置清单。机箱 首先说一下机箱的选
（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！
**嵌入式学习笔记三C语言实现GPIO口控制**关于实现PC机与Nano的远程通信和程序的交叉编译，有如下的教程： 1.PC与Nano远程通信 2.PC和Nano实现程序的程序编译 文章目录嵌入式学习笔记三C语言实现GPIO口控制前言一、Linxu应用层控制GPIO二、使用GPIO库实现IO口控制三、Nvidia Nano的GPIO编号总结 前言在学习完PC和Nano的通信和程序交叉编译后，开始学
转载
2024-07-09 19:35:46
45阅读
PyTorch 之所以会成为和 Tensorflow 并驾齐驱的两大深度学习框架，除了 PyTorch 有极其好用的动态计算图技术外，还在于它的相对开放和自由。此外，PyTorch 还添加了对C/C++/Java等语言的支持，这意味着我们可以先通过Python调试好模型后，再把模型送到 C/Java 为主的应用环境里，为程序赋能。 接下来的这篇文章将介绍如何在 Ubuntu 环境下部署 C/C++
win10使用tensorflow和tensorflow-gpu时踩过的坑最初要使用tensorflow-gpu是因为要使用inception-resnet-v2，这个模型在cpu上跑，速度实在是太慢，两天跑1000个batch的样子，实在难受。于是搬出了我四年前的电脑（NIVIDA 840M）来准备用GPU跑。遇到了一些坑，一一解决了，记录一下。first最开始的时候，以为安装了tensorfl
转载
2024-04-03 08:53:05
138阅读
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
可以直接查看最新的： 最近开始学习图像处理方面深度学习的有关内容，先是在Windows上安装CUDA和TensorFlow等，慢慢了解了一些东西。后来遇到一些事情，比如要用Torch，还是转到了Linux平台。Linux我还是习惯Ubuntu，一直都用这个。因为不同发行版包管理和许多配置文件路径等不尽相同，换的话真的麻烦。 现在问题是，我在有了Windows的情况下，如何远程到
# 如何使用GPU加速普通的Python代码
## 引言
随着机器学习和深度学习的快速发展，使用GPU加速计算已经成为提高计算速度和效率的关键。GPU（Graphics Processing Unit）在进行图形渲染时具有强大的并行计算能力，因此也被广泛应用于科学计算和数据分析领域。本文将介绍如何使用GPU加速普通的Python代码，通过解决一个实际问题来展示GPU的优势和使用方法。
##
原创
2023-09-07 18:48:16
4037阅读
