nvidia——cuda初探

首先向大家推荐一本好书:Matthew Scarpino的 OpenCl IN ACTION。

大约在去年这个时候,浪潮集团来我校讲解并行计算,超级计算等等的概念。当时正巧在学习linux,所以对并行计算的概念理解为“linux下的C并行计算”,当然,并行计算是什么当时是不知道的。(虽然现在读了两三本书,但也不敢说对这个多么了解)

当时的学习后了解到的是,借用学校(或是浪潮集团)的一个api接口,在程序之前加上几句模板式的语句便可以来大大提高计算速度。虽然很想利用一下学校给提供的良好条件,但是一直没有真正找到办法来接触了解,原因之一便是网络的不便(不得不提,现在学校360°wifi覆盖!!!赞!!)

于是便想到了OpenCl。正巧图书馆里面有这样一本不错的书,便拿了仔细学学吧。

本人用的显卡是nvidia公司GTX765M的,win10系统。从nvidia官网下载了大约两个半天(这个下载实在太慢了,有需要又嫌时间长不想自己下载的可以留邮箱^_^)

于是开始了坎坷的安装过程。

第一次把安装目录放到了D,也就是平时放一些软件的盘。出现sample文件夹下为空;新建项目的时候对于opencl自带的头文件,比如CL/cl.h。一直显示 : error C1083:无法打开包括文件:”CL/cl.h”:No such file or directory

我了解这是由于疏忽未加头文件的地址。

具体为:在项目->属性->C/C++附加包含目录 和 链接器->附加库目录 这两个地方把头文件所在的文件夹位置配置好。

如我的include文件夹位置是:D:\cuda_sdk\toolkit\include

就写到这里就好了。

几次波折,这个地方都没有写正确,但是我不了解是这里出的问题,就不断的重装,全部卸载后安装到C盘,还是不行。现在想想也是蛮有意思的。

后来找到问题的原因就是上面的那个头文件位置,而且本人亲身经历证明安装到非C盘是毫无问题的(我全部都是选择安装到了D,就是说只要有的选就不在C)。

下一步在有时间继续研究OpenCl的同时找机会研究一下环境变量跟VS这个IDE的各种奇怪组织形式。这里写图片描述

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值