gpu

最新推荐文章于 2024-09-02 01:12:36 发布

pythonSuperman

最新推荐文章于 2024-09-02 01:12:36 发布

阅读量97

点赞数 2

分类专栏：代码理解文章标签：深度学习人工智能计算机视觉

本文链接：https://blog.csdn.net/llf000000/article/details/138194056

版权

代码理解专栏收录该内容

25 篇文章 0 订阅

订阅专栏

设置GPU和设备

# GPU = "0,1,2,3"
GPU = str(args.gpu)
os.environ["CUDA_VISIBLE_DEVICES"] = GPU # 这里用来选择四张卡，可以改变
device = torch.device("cuda:{}".format("0")) # 这里只能设置为0，不能改变

检查GPU是否可用

import torch
torch.cuda.is_available() # 判断是否可以使用gpu计算

显示当前可用的GPU数量

import torch
torch.cuda.device_count()  # 显示gpu数量

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

pythonSuperman

关注关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
gpu

【代码】gpu。
复制链接

扫一扫

专栏目录

V100 GPU服务器安装GPU驱动教程

weixin_43178406的博客

11-20

5万+

本文主要介绍了V100 GPU服务器安装GPU驱动教程，希望能对安装V100 GPU服务器的同学们有所帮助。文章目录 1. 背景描述 2. 下载GPU驱动文件 4. 安装系统库文件 5. 禁用系统自带的nouveau驱动 6. 安装NVIDIA驱动 7. 检验GPU驱动效果

GPU

KingOfMyHeart的博客

08-01

9342

一、GPU简介 1.GPU是什么： GPU是图形处理器（Graphics Processing Unit），计算机显卡的处理器. 2.GPU产生背景：在GPU出世之前，处理2D、3D图像都依赖于CPU，这样会使”日理万机“的CPU更加劳累不堪，再加上一些设计上的原因和面对日益复杂的3D图像，常常出现显卡等待CPU处理数据的情况，GPU应运而生。 3.GPU解决什么问题：密集型数据处理和大型并行...

参与评论您还未登录，请先登录后发表或查看评论

Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）

热门推荐

weixin_43412762的博客

03-30

12万+

Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）

GPU相关

红豆的博客

06-21

311

一、Nividia系列 Tesla M40 Tesla P100 Tesla T4 Tesla V100 二、CUDA 三、CUDA-tensorflow版本四、如何查看系统有几个GPU 五、nvidia-smi命令 nvidia-smi +-----------------------------------------------------------------------------+ | NVIDIA-SMI 440.64.00 Driver Version...

关于GPU（二）

幽冥之花的博客

09-03

971

深度学习硬件环境的搭建和配置选择在硬件环境的选择上，并不是一定选择最贵的就会有最好的效果，很多时候可能付出了2倍的成本，但是性能的提升却只有10%。深度学习的计算环境对不同部件的要求不同，因此这里先简要讨论一下硬件的合理搭配。另外，虽然目前有一些云服务供应商提供GPU计算能力，并且一键部署，听起来不错，但是基于云计算的GPU实例受到两个限制：首先，普通的廉价GPU实例内存稍小，比如AWS的G2实例目前只支持单GPU 4GB的显存；其次，支持较大显存的实例费用比较高，性价比不高。比如AWS的P2实例使

GPU虚拟化、GPU直通、GPU共享的区别.pdf

07-14

GPU 虚拟化、GPU 直通、GPU 共享的区别 GPU 虚拟化、GPU 直通、GPU 共享是三种不同的 GPU 使用模式，下面我们将详细介绍这三种模式的定义、特点和差异。一、GPU 直通 GPU 直通是指将 GPU 设备直通给虚拟机，...

检测CPU和GPU处理图片的时间对比.rar_C++_CPU和GPU检测_cuda_gpu 图片时间

09-14

在计算机科学领域，CPU（中央处理器）和GPU（图形处理器）在处理图像数据时各有优势。本项目旨在探讨和比较CPU与GPU在处理图片任务上的性能差异，特别地，通过C++编程语言并利用CUDA（Compute Unified Device ...

gpu.js：GPU加速JavaScript

02-02

GPU.js GPU.js是一个JavaScript加速库，用于Web和NodeJavaScript中的GPGPU（GPU上的通用计算）。 GPU.js会自动将简单JavaScript函数转换为着色器语言，并对其进行编译，使其在您的GPU上运行。如果没有GPU，则这些...

compare_pcl_gpucpu-master.zip_pcl cuda_pcl GPU_pcl GPU加速_pcl gp

07-13

在本压缩包“compare_pcl_gpucpu-master.zip”中，包含的是关于PCL（Point Cloud Library）如何利用CUDA进行GPU加速的相关教程和示例。PCL是一个开源的C++库，专门用于处理3D点云数据，广泛应用于机器人、自动驾驶、...

AI自动采集教学行为——用AI来做机器学习部分和深度学习部分（含torch和cuda）包含机器学习模型和bert模型的使用

东方

08-30

579

这个错误是由于 .whl 文件名中的空格导致的。Python 的 pip 工具不允许 .whl 文件名中包含空格。python 机器学习文本分类，读取合并后的excel，‘句子’列是输入，‘标注’列是输出，怎么写代码需要什么库要最简单的。重命名文件：将 .whl 文件名中的空格替换为下划线 _ 或直接删除空格。提取“句子”列，‘标注’列和‘上下文情境’这三列。按顺序把excel中的这三列拼接在一起。本来走的是autodl的设备，合并输出成一个xlsx文件。之后会报错，需要重命名。要遍历当前文件夹下从。

深度学习100问27:什么是截断的BPTT

yyq916的博客

08-31

368

截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。

深度学习基础—池化

sniper_fandc的博客

08-30

579

最大池化的直观理解就是区域内最大值可能就是我们想要提取的重要特征，比如边缘检测，通常边缘附近是数值变化较大的地方，比如由亮变暗，像素值由大变小，如果过滤器覆盖了边缘，就会找到像素值大的特征值提取出来，从而保留重要的边缘信息，减少不是边缘的冗余信息。假设输入的图片是4*4的灰度图片（二维，只有一个通道），过滤器选择2*2，步长选择2，这样的效果就是将4*4的图片分为4块，因此结果是2*2的图像。由于卷积运算的重叠性，很多计算的特征是冗余的，而池化就可以将较大且特征较弱的图转化为较小且特征较强的图。

【学习笔记】第三章深度学习基础——Datawhale X李宏毅苹果书 AI夏令营

MoyiTech

08-27

550

梯度为0的点我们统称为临界点，包括局部极小值、鞍点等局部极小值和鞍点的梯度都为0，那如何判断呢？先请出我们损失函数：L(θ)，θ是模型中的参数的取值，是一个向量。由于网络的复杂性，我们无法直接写出损失函数，不过我们可以写出损失函数的近似取值。根据宋浩老师所讲的大学一年级高等数学的知识，我们可以通过三阶泰勒展开对损失函数在θ附近的取值进行近似：其中，θ是模型中的参数的取值，θ’是在θ附近的取值。H是海森矩阵，Hij是L对θi和θj的二阶偏导数。

深度学习100问24:什么是语言模型

yyq916的博客

08-30

652

原来呀，它悄悄地学习了好多好多的文本数据，就像读了无数本故事书一样。比如说，你给它一个句子的开头几个词，它就能像个聪明的小侦探一样，猜猜后面最有可能出现啥词。- 机器翻译：在翻译的世界里，它就像一个热心的小助手。帮助翻译系统更好地理解原文的意思，然后生成更通顺的目标语言文本。不管是搞笑的故事、严肃的论文，还是浪漫的诗歌，它都能应付得来，具有很强的通用性。能更好地理解你输入的查询意图，然后给你提供更准确的搜索结果。能理解你的问题，然后给出合理又好玩的回答。能生成超级自然的文本，就像真正的人写出来的一样。

深度学习100问22:什么是RNN训练过程中的反向传播算法

yyq916的博客

08-30

356

有了这些梯度，小朋友就知道该怎么调整自己的“思考方式”了（更新网络的权重和偏置）。比如，如果发现某个线索（参数）对错误的影响很大，那就多调整一下这个线索的用法。在这个过程中，小朋友会计算出每个步骤对最终错误的“贡献”有多大，也就是计算损失函数对每个参数的梯度。想象一下，RNN 就像是一个在学习猜谜语的小朋友。反向传播呢，就是这个小朋友发现自己猜错了之后，想办法找出自己哪里错了并且改正的过程。总的来说，反向传播就是 RNN 自我改进的一种方法，通过从错误中学习，不断调整自己，变得越来越厉害。

深度学习100问33:如何避免梯度消失

yyq916的博客

08-31

363

可以用一些聪明的自适应学习率优化算法，像 Adam、Adagrad 等，它们能根据模型的训练情况自动调整学习率，可贴心啦。像 Xavier 初始化和 He 初始化这些方法，可以根据网络的结构自动调整权重的初始值，让信号在网络里能更好地传播，就像给信号铺了一条顺畅的路。首先呢，选个好的“调味料”，也就是激活函数。当输入是正数的时候，它的梯度始终是 1，不会像有些传统激活函数那样，想象一下在一条长长的路上修一些小道，这样信号就可以直接从一层传到更深的层，不用经过好多层，就不会出现梯度慢慢消失的问题啦。

深度学习100问15:什么是交叉熵误差

yyq916的博客

08-30

833

真实的情况呢，就像是有个“标准答案”，知道红球出现的真正概率分布。而你的猜测呢，就是你给出的预测概率分布。要是差得远呢，交叉熵误差就大。对于不同的情况，比如有好几个类别要猜的时候，就用这个公式：。别被它吓到，其实就是把每个情况的真实概率和预测概率用一种特别的方式算一下差距，然后加起来。- 在分类问题里呀，交叉熵误差就像个严格的老师，它当损失函数，让模型不断学习，变得更聪明，好让预测结果更接近真实结果。- 如果模型猜错了，交叉熵误差会狠狠地“惩罚”它，这样模型就会赶紧改正，更快地学会正确的玩法。

小白学深度学习：知识蒸馏研究综述

gangyikeji的博客

08-30

1106

知识蒸馏是一种教师-学生(Teacher-Student)训练结构，通常是已训练好的教师模型提供知识，学生模型通过蒸馏训练来获取教师的知识。它可以以轻微的性能损失为代价将复杂教师模型的知识迁移到简单的学生模型中。知识蒸馏与迁移学习思想较为相似，然而它们有以下四点的不同：知识蒸馏中的知识通常是在同一个目标数据集上进行迁移，而迁移学习中的知识往往是在不同目标的数据集上进行转移。知识蒸馏的两个网络可以是同构或者异构的，而迁移学习通常是在单个网络上利用其它领域的数据知识。

3. 循环神经网络（RNN）与长短期记忆网络（LSTM）