wishchinYang的专栏

在使用VS2015导入老版本的caffe程序时候，导入一个solution的多个工程，其中一个project不能导入，出现：无法读取文件 cuda8.0.props错误，问题：新的win10 系统安装的CUDA是10.1版本，应该安装cuda8.0版本；解决：安装cuda8.0，可以和cuda10并存，安装时候不要安装驱动程序....

训练好的Caffe网络结构，可以固定下来，直接载入程序作为数据库接口使用。本文使用Eric构建运行于Python环境下的图片识别应用程序。若从0开始，一般可以使用最简单的六层网络，使用Caffe可以仅配置参数就可以构建简单的CNN，一般的六层网络是这样设置的：InPut——>Conv层——>Pooling层——>Conv层——> Pooling层/ ReLU整流层+pooling层——>全链接层——>softMax层——>输出类别概率。

sudo ln -s /usr/local/cuda-8.0 cuda则重新建立指向cuda-8.0的cuda文件件超链接

需要添加lib库路径： 在 /etc/ld.so.conf.d/加入文件 cuda.conf

1. 进行语句测试时候，出现问题，      设置环境变量CUDA_VISIBLE_DEVICES参考： cuda设置指定可见方法     在/etc/profile文件或者～/.bashrc末尾添加以下行：       export CUDA_VISIBLE_DEVICES=0,1 ##仅显卡设备0,1GPU可见。可用的GPU可通过nvidia-smi -L命令查看2

NVIDIA作为老牌显卡厂商，在AI领域深耕多年。功夫不负有心人，一朝AI火，NVIDIA大爆发，NVIDIA每年送给科研院所和高校的大量显卡，大力推广Physix和CUDA，终于钓了产业的大鱼。       由弱到强理一下NVIDIA的现有产品线，在AMD锐龙发力之后，NVIDIA已经取代Intel，称为新的牙膏厂。       在与人工智能与机器人有关的平台上，NVIDAI产品线...

Eclipse在使用Tensorflow-CUDA10 的时候，出现错误;参考链接：https://blog.csdn.net/qq_20373723/article/details/80065936官方文档：https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html#downloading ...

文链: https://blog.csdn.net/hjxu2016/article/details/69389597在sudo ldconfig时遇到usr/local/cuda-8.0/lib64/libcudnn.so.5 不是符号连接的问题，解决办法也很简单，重新建立链接并删除原链接首先找到usr/local/cuda-8.0/lib64/目录，搜索 libcudnn 然...

参考这个:GeForce MX150显卡+Ubuntu16.04安装NVIDIA驱动+CUDA9.0+cuDNN7.0.51.下载合适版本的最合适的驱动 我的是430的驱动CUDA支持版本的对应列表:CUDA 版本，显卡驱动，Ubuntu版本，GCC版本之间的对应关系2.sudo apt-get purge nvidia*lsmod | grep nou...

一：使用GPU进行点云分割，理论上可以极大地加快分割速度；于是对PCL1.7.1进行了编译，回到32位。这难道是显卡驱动有问题？还是CUDA有问题，我只能孤独地在黑夜里提心吊胆地摸索着前行，一步一磕绊，痛苦不堪.....路慢慢其修远兮，不想探索了！！！先放下，哪天想起来或者发现自己的错误在哪里了，再回头解决.

使用apt-get进行安装sudo apt install nvidia-cuda-toolkit

Ubuntu安装OpenCv，出现：qmake: could not exec '/usr/lib/x86_64-linux-gnu/qt4/bin/qmake': No such file or directory

右键工程点击：Building Dependency右击：Build Customizations点击选项：CUDA 7.5

近日，通过释放一组名为cuDNN的库，Nvidia将GPU与机器学习联系的更加紧密。据悉，cuDNN可以与当下的流行深度学习框架直接整合。Nvidia承诺，cuDNN可以帮助用户更加聚焦深度神经网络，避免在硬件性能优化上的苦工。当下，深度学习已经被越来越多的大型网络公司、研究员，甚至是创业公司用于提升AI能力，代表性的有计算机视觉、文本检索及语音识别。而包括计算机视觉等流行的领域都使用了图形处理单元(GPU)，因为每个GPU都包含了上千的核心，它们可以加快计算密集型算法。

0.这个尽量不要手动安装， Github上有人已经写好了完整的安装脚本：https://github.com/jayrambhia/Install-OpenCV

简介：CUDA ，MPI，Hadoop都是并行运算的工具。CUDA是基于NVIDIA GPU芯片计算。阐述：GPU有很多个核(几百个)，每个核可以跑一个线程，多个线程组成一个单位叫做块。举个例子：有三个向量 int a, b, c; 我们要计算a和b的向量之和存放到c中。一般C语言：for(int i=0; iCUDA编程做法：GPU中的每个线程(核)有一个独立序号

在开始学习之前，首先要做的就是找到一本好的教材，要知道一本好的教材可以让我们更加轻松地入门。在看了一些个CUDA编程相关的教材之后，我向大家推荐的一本教材叫做《GPU高性能编程CUDA实战》。本教材相比其他的教材而言，它讲得比较细，对于一些我们可能不太明白的知识点做了详细的说明。而且这本教材以层层深入的方式向我们展示了GPU的世界，从而引领我们进入CUDA编程的大门。       其他的教材的

CUDA IT168的文章系列：文章有代码CUDA基本使用方法在介绍OpenCV中GPU模块使用之前，先回顾下CUDA的一般使用方法，其基本步骤如下：1.主机代码执行；2.传输数据到GPU；3.确定

工欲善其事，必先利其器。有一个好的计算工具是必须的！并行计算：让处理的速度变得更快： 相对于串行计算，并行计算可以划分成时间并行和空间并行。时间并行即流水线技术，空间并行使用多个处理器执行并发计算，当前研究的主要是空间的并行问题。以程序和算法设计人员的角度看，并行计算又可分为数据并行和任务并行。数据并行把大的任务化解成若干个相同的子任务，处理起来比任务并行简单。

IT168 CUDA专题: http://www.it168.com/tag/3263_1.shtml异构技术构建云计算平台：http://tech.it168.com/a2011/1215/1289/000001289157.shtmlGPU优化与实例分析：http://tech.it168.com/a2011/1215/1289/000001289225.shtml

SIFT的计算复杂度较高。SiftGpu的主页：SiftGPU: A GPU Implementation of ScaleInvariant Feature Transform (SIFT)

SiftGPU的原始库可以编译通过。但不能使用，在使用时引出了一连串96个编译错误。

使用VS编译OpenCV编译源代码时候，对Cmake生成的工程文件编译，会出现 nvcc fatal : Unsupported gpu architecture 'compute_11' 问题。原因是CUDA7.5不支持较为古老的显卡版本，因此1.1,2.0,2.1，之类的显卡选项是多余的。

在使用网络预测图像时，prediction = net.predict( [input_image] )出现： net.image_dims[0] 不是整数情况，

对机器学习、深度学习的一些介绍，包括若干深度学习的经典模型； Caffe 的 优势 （模块化、速度、社区支持等）、 基本结构 （网络定义、层定义、Blob等）和 用法 （模型中损失函数、优化方法、共享权重等的配置、应用举例、参数调优的技巧），以及 未来方向 （CPU/GPU 并行化、Pythonification、Fully Convolutional Networks等）。

原文链接：NVIDIA链接：http://www.nvidia.cn/object/tesla_build_your_own_cn.html