CPU架构和工作原理
CPU的运行原理控制单元在时序脉冲的作用下，将指令计数器里所指向的指令地址(这个地址是在内存里的)送到地址总线上去，然后CPU将这个地址里的指令读到指令寄存器进行译码。对于执行指令过程中所需要用到的数据，会将数据地址也送到地址总线，然后CPU把数据读到CPU的内部存储单元(就是内部寄存器)暂存起来，最后命令运算单元对数据进行处理加工。周而复始，一直这样执行下去。cpu、进程
转载
2024-09-02 17:16:27
39阅读
GIL 的存在一直是富有争议的，它导致 Python 程序无法真正利用现代操作系统的多进程特性。需要注意的是，对于 I/O 图形处理、NumPy 数学计算这样的耗时操作都发生在 GIL 之外，实际上基本不受影响，真正受影响的都是 Python 字节码的执行，GIL 会导致性能瓶颈的出现。总之，只有在使用纯 Python 做 CPU 密集的多线程运算时 GIL 会是问题。GIL是什么Pyt
转载
2024-06-01 15:02:32
79阅读
ConWeilin caffe训练MTCNN总体步骤和tensorflow配置类似TensorFlow配置MTCNN 工程版本参考https://github.com/CongWeilin/mtcnn-caffe 整个工程目录大致是这样的：P-Net训练1、将准备好的数据集放入./prepare_data/WIDER_train 文件夹下； wider_face_train.txt是对应的标签文件
转载
2024-04-07 08:44:02
97阅读
# 用CPU跑Python
Python是一种广泛使用的高级编程语言，以其简洁和易于学习的特性而受到开发者的喜爱。在执行Python代码时，CPU（中央处理单元）作为计算机的核心组件，承担着大部分的计算任务。在本文中，我们将讨论如何在CPU上高效地运行Python代码，并提供一些实用的示例。
## CPU基础知识
让我们先简要了解一下CPU的基本工作原理。CPU负责执行程序中的指令，处理数据
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
307阅读
安装Ubuntu16.04+OpenCV3.3.1+ROS kinetic安装Ubuntu16.04 1. 下载ubuntu的ISO文件这一步相对简单，网络上面有很多的链接下载。这里贴一个ubuntu的官方网站链接，可以下载到ubuntu 16.04的iso文件https://wiki.ubuntu.com/XenialXerus/ReleaseNotes?_ga=2.66502190.169
目录一、创建新环境二、导入Pytorch库三、新建项目四、测试五、准备数据集六、修改配置文件七、训练八、实例测试九、结束语默认大家都装好了Anaconda和Pycharm，且知晓基本操作一、创建新环境打开cmd窗口，输入conda create -n yolov5 python=3.7，回车等待一会，输入y，回车再等待一会，出现done，说明新环境创建成功！名字可以随便取，但是建议跟我取一样的，建
转载
2024-01-16 19:47:41
530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
对于安装来说CPU版本和GPU版本在WIN7和WIN10环境下安装没有差别，IDE用Pycham（用各种补丁破解结果启动的时候闪退。。。试用吧。。。）。1.安装CPU版本 CPU版本的安装相对来说非常简单，只需要注意两点，1是当前Tensorflow是1.12.0版本，不支持最新的Python 3.7.1版本；2.安装顺序最好是Python→Tensorflow→Pycham。这样最后安装Py
达最近读到这样一篇好文章，从底层硬件角度出发剖析了一下CPU对代码的识别和读取，内容非常精彩，读完感觉大学里学到的很多东西瞬间联系起来了，这里分享给大家，希望能认真读完并有所收获。首先要开始这个话题要先说一下半导体。啥叫半导体？半导体其实就是介于导体和绝缘体中间的一种东西，比如二极管。电流可以从A端流向C端，但反过来则不行。你可以把它理解成一种防止电流逆流的东西。当C端10V，A端0V，二极管可以
Batch Normalization原理：概念的引入：Internal Covariate Shift ： 其主要描述的是：训练深度网络的时候经常发生训练困难的问题，因为，每一次参数迭代更新后，上一层网络的输出数据经过这一层网络计算后，数据的分布会发生变化，为下一层网络的学习带来困难（神经网络本来就是要学习数据的分布，要是分布一直在变，学习就
转载
2024-09-26 11:20:55
107阅读
目前的深度神经网络如果应用到无人车领域，需要令人惊叹的计算能力。今天NVIDIA DGX-1这样的单台计算机的运算能力，与2010年世界上最大的超级计算机的计算性能相当。（https://www.nvidia.com/en-us/data-center/dgx-systems/）即使是这样的技术进步，也难以满足现代神经网络和大规模数据训练对计算能力的需求（图1）。 图 1. 神经网络对计
转载
2023-11-20 21:32:36
271阅读
RNN循环神经网络前言一、Slot Filling(槽填充)1.Chatbot简介2.Chatbot结构3.槽的性质二、RNN(循环神经网络)1.为什么要使用RNN?2.RNN的基本结构3.Bidirectional RNN(双向神经网络)4.RNN的缺点三、LSTM(长短期记忆网络)1.LSTM的优缺点2.LSTM的结构1.遗忘门2.输入门3.输出门总结 前言本篇文章将会介绍另外一种神经网络，
转载
2024-10-25 15:13:37
90阅读
一、主要函数 align/ ：用于人脸检测与人脸对齐的神经网络 facenet ：用于人脸映射的神经网络 util/plot_learning_curves.m:这是用来在训练softmax模型的时候用matlab显示训练过程的程序二、facenet/contributed/相关函数： 1、基于mtcnn与facenet的人脸聚类 代码：facenet/contributed/cluster.py
Ubuntu18.04.2使用GPU跑程序最简单的方法！安装CUDA9.0 以及CUDNN7.1还有Tensorflow 对应GPU版本亲测有效！注意！别的系统不一定适用但大部分流程相同今年考了研究生，研究课题需要跑网络，代码以及数据都准备好，用我自己的CPU跑了一下，7个小时才跑完一边！我的笔记本是某想G50，14年本科大一时候买的，现在已经不堪入目了，好在导师有独显GPU，就让我使用，但是装了
转载
2023-11-02 11:00:31
230阅读
进程和线程今天我们使用的计算机早已进入多CPU或多核时代，而我们使用的操作系统都是支持“多任务”的操作系统，这使得我们可以同时运行多个程序，也可以将一个程序分解为若干个相对独立的子任务，让多个子任务并发的执行，从而缩短程序的执行时间，同时也让用户获得更好的体验。因此在当下不管是用什么编程语言进行开发，实现让程序同时执行多个任务也就是常说的“并发编程”，应该是程序员必备技能之一。为此，我们需要先讨论
转载
2024-07-29 09:50:03
61阅读
jupyter是日常数据分析中重要的工具之一，这款工具是以网页形式打开，可以在网页中直接编辑、运行，方便与他人分享，目前市面上数据分析课程授课大多是使用jupyter展示。文档保存为后缀名为.ipynb的JSON格式文件，此外，还可以导出为：HTML、LaTeX、PDF。这里假定大家已经安装了jupyter，不再重复安装过程。具体可以参考官方文档：https://jupyter.org/。建议通过
CPU对我们来说既熟悉又陌生，熟悉的是我们知道代码是被CPU执行的，当我们的线上服务出现问题时可能首先会查看CPU负载情况。陌生的是我们并不知道CPU是如何执行代码的，它对我们的代码做了什么。本文意在简单解释我们代码的生命周期，以及代码是如何在CPU上跑起来的。编译-让计算机认识我一个漂亮 control+c 加上一个漂亮的 control+v，啪～，我们愉快的写下了代码，当代码被保存后，它就被存
转载
2024-08-23 11:34:20
455阅读
时间片即CPU分配给各个程序的时间，每个线程被分配一个时间段，称作它的时间片，即该进程允许运行的时间，使各个程序从表面上看是同时进行的。如果在时间片结束时进程还在运行，则CPU将被剥夺并分配给另一个进程。如果进程在时间片结束前阻塞或结束，则CPU当即进行切换。而不会造成CPU资源浪费。在宏观上：我们可以同时打开多个应用程序，每个程序并行不悖，同时运行。但在微观上：由于只有一个CPU，一次只能处理
转载
2024-06-18 07:02:13
93阅读
Ubuntu16下配置Anaconda虚拟环境下的TensorFlow(GPU加速版本)写在前面综合了几位同学的建议之后决定针对深度学习只了解算法结构和熟悉常用框架，会跑包即可有空的话对于机器学习的经典算法（SVM，BP神经网络，K-means）还需仔细阅读推导，并阅读Caffe源码tensorflow的社区资源丰富，且机器人相关环境大多基于Linux所以深度学习框架配置的博客目前只打算写一篇，即
