留存记录:Graph500-2.1.4教程

原教程地址 https://blog.csdn.net/bless_forever/article/details/79919541

在GitHub上下载graph500-3.0.0本地编译总有问题,在网上搜到教程:https://blog.csdn.net/bless_forever/article/details/79919541
版本为2.1.4发现可以使用,留存记录,原博文为:
原文网址:https://github.com/liujunming/Tools/blob/master/Graph500%E6%95%99%E7%A8%8B.txt

wget https://github.com/graph500/graph500/archive/graph500-2.1.4.tar.gz
tar -xvf ./graph500-2.1.4.tar.gz
mv graph500-graph500-2.1.4/ graph500-2.1.4/
cd ./graph500-2.1.4/
cp ./make-incs/make.inc-gcc ./make.inc
edit your make.inc and remove -DUSE_MMAP_LARGE -DUSE_MMAP_LARGE_EXT from there 
make
./seq-csr/seq-csr -s 22 -e 16

衡量指标:harmonic_mean_TEPS
参考资料:
https://github.com/graph500/graph500/tree/graph500-2.1.4
https://graph500.org/?page_id=12
https://stackoverflow.com/questions/41994040/how-to-compile-dan-run-graph500-benchmark

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
这是一个最短路径问题,可以使用Dijkstra算法或者Floyd算法进行求解。以下是使用Dijkstra算法的示例代码: ```python import heapq # 构建有向图 graph = { 'S': {'A1': 6, 'A3': 3}, 'A1': {'S': 6, 'A2': 3, 'A3': 6, 'B1': 5, 'B2': 4}, 'A2': {'A1': 3, 'B1': 6, 'B2': 6, 'C1': 7, 'C2': 8, 'T': 3}, 'A3': {'S': 3, 'A1': 6, 'B1': 7, 'B2': 4}, 'B1': {'A1': 5, 'A2': 6, 'A3': 7, 'B2': 7, 'C1': 7, 'C2': 8}, 'B2': {'A1': 4, 'A2': 6, 'A3': 4, 'B1': 7, 'C1': 8, 'C2': 9}, 'C1': {'B1': 7, 'B2': 8, 'A2': 7, 'C2': 5, 'T': 5}, 'C2': {'B1': 8, 'B2': 9, 'A2': 8, 'C1': 5, 'T': 6}, 'T': {'A2': 3, 'C1': 5, 'C2': 6} } def dijkstra(graph, start, end): # 初始化距离列表和堆 distances = {node: float('inf') for node in graph} distances[start] = 0 heap = [(0, start)] # 初始化前驱节点列表 previous_nodes = {node: None for node in graph} while heap: # 弹出堆中距离最小的节点 (distance, current_node) = heapq.heappop(heap) # 如果该节点已经访问过,则跳过 if distance > distances[current_node]: continue # 遍历该节点的所有邻居 for neighbor, weight in graph[current_node].items(): new_distance = distance + weight # 如果新的距离比之前的距离更小,则更新距离和前驱节点 if new_distance < distances[neighbor]: distances[neighbor] = new_distance previous_nodes[neighbor] = current_node heapq.heappush(heap, (new_distance, neighbor)) # 构建路径 path = [] current_node = end while current_node is not None: path.insert(0, current_node) current_node = previous_nodes[current_node] return distances[end], path start = 'S' end = 'T' distance, path = dijkstra(graph, start, end) print(f'最短路径为:{" -> ".join(path)},长度为:{distance}') ``` 在上述代码中,我们首先构建了一个有向图,然后使用Dijkstra算法求解经过指定节点的最短路径。其中,使用了堆来维护当前距离最小的节点,以提高算法的效率。最后,输出了最短路径及其长度。
评论 4
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