- 博客(467)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 04、cuda reduce了解内存使用
从数组规约中了解内存使用情况1、从cpu计算到GPU计算，加快计算速度2、从全局内存、共享内存、动态共享内存、原子函数，不断加速计算和减少内存使用3、数组规约的加速示例4、进一步研究，还可以从线程束方面进行规约计算。
2024-01-18 17:06:25
357
原创 03、cuda矩阵转置了解内存使用
从矩阵转置的角度，了解全局内存和共享内存的运行如果编译器能够判断一个全局内存变量在整个核函数的范围都只可读，自动会用函数__ldg() 读取全局内存，从而对数据进行缓存，缓解非合并访问带来的影响。通常不能满足读取和写入都是合并的情况下，一般来说应当尽量做到合并地写入。一些架构下，需要显示使用函数__ldg()在矩阵转置问题中，对全局内存的读和写这两个操作，总有一个是合并的，一个是非合并的。利用共享内存可以改善全局内存的访问模式，使得对全局内存的读和写都是合并的。
2024-01-18 16:57:40
1279
原创 01、cuda基本概念
以下信息介绍来自樊哲勇的cuda书籍，仅自己学习记录GPU（graphics processing unit），图形处理器，俗称显卡，但并不是显卡，显卡中包含GPU。1）与CPU的区别CPU有更多晶体管，用于数据缓存和流程控制，只有少数几个逻辑计算单元，适合完成简单的逻辑计算GPU有数千个核心，适合大规模矩阵运算。常见的GPU系列：2）CPU+GPU 异构计算平台CPU：host ，主机GPU：device 设备3）计算性能浮点数运算峰值：内存带宽（显存）
2024-01-18 16:33:53
928
原创 model introduction
文本分类方法模型主要分为两个大类，一类是传统的机器学习方法（具体可以再分为四类），另一类是新兴的深度学习模型。由于每个算法其实都非常复杂，在此仅做简单介绍，建议需要使用时一定要再深入学习理解。从 1961 到 2020 文本分类算法的发展历史图上黄色代表浅层学习模型，绿色代表深层学习模型。可以看到，从 1960 年代到 2010 年代，基于浅层学习的文本分类模型占主导地位。自 2010 年代以来，文本分类已逐渐从浅层学习模型变为深层学习模型。
2024-01-16 10:38:05
833
原创 text expressing
文本是一种非结构化的数据信息，是不可以直接被计算的。文本表示的作用就是将这些非结构化的信息转化为计算机可以理解的结构化的信息 ，这样就可以针对文本信息做计算，来完成后面的任务。在向量空间模型中，文本可以选择字、词组、短语、甚至“概念”等多种元素表示。这些元素用来表征文本的性质，区别文本的属性，因此这些元素可以被称为文本的特征。在文本数据集上一般含有数万甚至数十万个不同的词组，如此庞大的词组构成的向量规模惊人，计算机运算非常困难。进行特征选择，对文本分类具有重要的意义。
2024-01-16 10:27:07
821
原创 text classification 简介
后来伴随着统计学习方法的发展，特别是 90 年代后互联网在线文本数量增长和机器学习学科的兴起，逐渐形成了一套解决大规模文本分类问题的经典做法，也即特征工程 + 浅层分类模型。深度学习模型是大数据喂出来的，输入的信息越多，DNN 的性能就越好。文本分类最初是通过专家规则进行分类，利用知识工程建立专家系统，这样做的好处是比较直观地解决了问题，但费时费力，覆盖的范围和准确率都有限。特定领域的文本（例如金融和医学文本）包含许多特定的单词或领域专家，可理解的语，缩写等，这使现有的预训练单词向量难以使用。
2024-01-16 10:17:07
1363
原创 Linux实操常用命令
当前服务器下，传输到另一个服务器中，另一个服务器中需要chmod 777 target_path,权限修改。采用pgrep [任务号] 或 jobs -l 查询代码进程。// 列出home下面所有一级目录的一级目录文件大小。//查看当前目录下各个文件及目录占用空间大小。记录在使用终端时，经常使用到的一些命令。4、删除服务器中一个运行的程序。1、当前Linux系统的版本。//查看系统中文件的使用情况。7、scp 跨服务器传输文件。2、查看系统中有哪些用户。3、查看PID对应的用户。5、压缩 、解压文件。
2024-01-16 09:55:09
329
原创 4.36 构建onnx结构模型-Where
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Where结点进行分析。
2023-12-31 11:00:56
465
原创 4.35 构建onnx结构模型-Layernorm
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Layernorm结点进行分析。
2023-12-31 10:50:12
592
原创 4.34 构建onnx结构模型-Gemm
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Gemm结点进行分析。
2023-12-31 10:44:52
599
原创 4.33 构建onnx结构模型-Expand
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Expand结点进行分析。
2023-12-31 10:37:35
441
原创 4.32 构建onnx结构模型-Erf
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Erf结点进行分析。
2023-12-31 10:28:57
453
原创 4.31 构建onnx结构模型-Tile
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Tile结点进行分析。
2023-12-30 13:30:59
462
原创 4.30 构建onnx结构模型-TopK
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以TopK结点进行分析。
2023-12-30 13:28:06
474
原创 4.29 构建onnx结构模型-Unary
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Abs结点进行分析。
2023-12-30 13:21:00
414
原创 4.28 构建onnx结构模型-Unfold
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Unfold结点进行分析。
2023-12-30 13:15:59
420
原创 4.27 构建onnx结构模型-Unsuqeeze
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Unsuqeeze结点进行分析。
2023-12-30 12:56:10
436
原创 4.26 构建onnx结构模型-Suqeeze
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Suqeeze结点进行分析。
2023-12-30 12:50:12
383
原创 4.25 构建onnx结构模型-Split
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Slice结点进行分析。
2023-12-30 12:04:50
534
原创 4.24 构建onnx结构模型-Slice
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Slice结点进行分析。
2023-12-30 12:01:21
561
原创 4.23 构建onnx结构模型-Shape
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Shape结点进行分析。
2023-12-30 11:54:09
436
原创 4.22 构建onnx结构模型-Scatter
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Scatter结点进行分析。
2023-12-30 11:47:20
409
原创 4.21 构建onnx结构模型-Resize
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Resize结点进行分析。
2023-12-30 11:42:06
391
原创 4.20 构建onnx结构模型-Reduce
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Reduce结点进行分析。
2023-12-30 11:17:13
374
原创 4.19 构建onnx结构模型-Range
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Range结点进行分析。
2023-12-30 10:46:23
429
原创 4.18 构建onnx结构模型-Pad
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Pad结点进行分析。
2023-12-30 10:38:27
442
原创 4.17 构建onnx结构模型-Or
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Or结点进行分析。
2023-12-30 10:25:57
344
原创 4.16 构建onnx结构模型-And
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以And结点进行分析。
2023-12-29 19:38:25
405
原创 4.15 构建onnx结构模型-Max
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Max结点进行分析。
2023-12-29 19:23:58
339
原创 4.14 构建onnx结构模型-Min
构建onnx方式通常有两种：1、通过代码转换成onnx结构，比如pytorch —> onnx2、通过onnx 自定义结点，图，生成onnx结构本文主要是简单学习和使用两种不同onnx结构，下面以Min结点进行分析。
2023-12-29 19:10:36
417
原创 3.pytorch cifar10
下载的数据是numpy格式，shape：HWC， 会转换成tensor，shape：CHWtorchvision 下载不是图像原始数据，是经过处理转换的numpyplt.imshow（），输出的是HWC 格式图像信息。
2023-12-26 14:42:39
879
原创 2.pytorch iris data
该数据集包含了 150 个鸢尾花的数据，其中每个数据点都有 4 个变量（萼片长度、萼片宽度、花瓣长度、花瓣宽度）和一个目标变量（花的种类）。该数据集最初由 R.A. Fisher 在 1936 年发布。iris数据集的主要应用场景是分类问题，在机器学习领域中被广泛应用。通过使用iris数据集作为样本集，我们可以训练出一个分类器，将输入的新鲜鸢尾花归类到三种品种中的某一种。iris数据集的特征数据已经被广泛使用，也是许多特征选择算法和模型选择算法的基础数据集之一。
2023-12-26 14:41:15
831
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人