如何压缩PDF文件大小，满足各种上传大小要求

最新推荐文章于 2024-07-08 11:00:36 发布
最新推荐文章于 2024-07-08 11:00:36 发布
阅读量1.5k 收藏
点赞数

介绍


今天我们来说一个小技巧，就是对PDF文件大小的压缩。那么这个问题是怎么来的呢，我们在系统上传PDF文件的时候，由于系统限制，PDF大小受到了限制，我们需要对PDF进行压缩小一点进行上传，才能满足系统的要求。那么下来就看看，怎么进行操作吧!

软件


福昕阅读器

下载


这个软件在360软件管家就有，免费的，大家可以自行下载

图文教程


1. 使用福昕阅读器打开我们的原本的PDF论文，点击菜单栏-文件，选择打印

2. 选择福昕阅读器进行打印

3. 设置打印参数，降低图片的分辨率。这里有很多层次的分辨率，分辨率越高，文件的内存就越大，所以选择自己适合的分辨率就好。

4. 选择确定

5. 进行打印

6. 打印完成比较一下大小，看看是不是变化了，那么此时已经从7.69MB变成了539k，已经缩小到了1MB，足够你上传系统了。

7. 怎么样，学会了吗？这么好的技巧赶紧来试试吧！

注：测试结果，有的文件有明显变小(有位图)，但有的文件也会不变或明显变大(如矢量图找多时)。没有万能的方法，此法不行可尝试其它方法。如把PDF拆分成单页，找出体积大的单页，将矢量图单图压缩或转换成低质量图片，再合成新的图片。

猜你喜欢

10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑

系列教程：微生物组入门 Biostar 微生物组  宏基因组

专业技能：学术图表 高分文章 生信宝典 不可或缺的人

一文读懂：宏基因组 寄生虫益处 进化树

必备技能：提问 搜索  Endnote

文献阅读 热心肠 SemanticScholar Geenmedical

扩增子分析：图表解读 分析流程 统计绘图

16S功能预测   PICRUSt  FAPROTAX  Bugbase Tax4Fun

在线工具：16S预测培养基 生信绘图

科研经验：云笔记  云协作 公众号

编程模板: Shell  R Perl

生物科普:  肠道细菌 人体上的生命 生命大跃进  细胞暗战 人体奥秘  

写在后面

为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外5000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。PI请明示身份，另有海内外微生物相关PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍未解决群内讨论，问题不私聊，帮助同行。

学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”

点击阅读原文，跳转最新文章目录阅读

https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA

刘永鑫Adam
关注
20.3 CUDA Core vs Tensor Core：选错硬件慢5倍！大模型时代核心选型指南
最新发布
yonggeit的博客
03-19 212
CUDA Core 架构原理, Tensor Core 加速机制, 混合精度计算, 矩阵运算优化, 硬件选型策略。
Tensor Core 基本原理 CUDA Core Tensor Core RT CoreAI 工作负载 线程束（Warp） CNN GEMM 混合精度训练
万有文的博客
05-01 3480
当 NVIDIA 的架构演进到 Volta 架构时，它标志着对深度学习优化的重大突破。Volta 架构的一个显著特点是引入了大量的 Tensor Core，这一变化对于加速深度学习应用产生了革命性的影响。在 Tensor Core 出现之前，CUDA Core 是实现深度学习加速的核心硬件技术。CUDA Core 可以处理各种精度的运算。如上图 Volta 架构图所示，左侧有 FP64、FP32 和 INT32 CUDA Cores 核心，右侧则是许多 Tensor Core 核心。CUDA Core。
深入理解混合精度训练：从 Tensor Core 到 CUDA 编程
旷视开发者技术社区
12-20 3493
背景近年来，自动混合精度（Auto Mixed-Precision，AMP）技术在各大深度学习训练框架中作为一种使用简单、代价低廉、效果显著的训练加速手段，被越来越广泛地应用到算法研究中。...
GPU(国内外发展，概念参数（CUDA,Tensor Core等），类别，如何选型，NPU,TPU)
weixin_48878618的博客
10-06 5604
从目前的市场看，人工智能（大模型）发展的快慢主要取决于算力，其次是算法。而算力又受限于GPU。
人工智能-基础篇07篇-N卡，显卡，GPU, GPU Core，AMD CU, CUDA Core, Tensor Cire介绍
GIS摆渡人
10-12 550
而AMD CU则是AMD公司特有的计算单元概念，类似于GPU Core，用于描述AMD GPU中的计算能力。实际上，N卡是指英伟达（NVIDIA）公司生产的显卡，而显卡是指通用的图形处理器（Graphics Processing Unit，GPU）。总的来说，N卡和显卡是指英伟达公司生产的显卡产品和通用的图形处理器，它们具有强大的计算能力和图形处理功能。CUDA Core和Tensor Core是英伟达GPU中的计算单元，用于执行通用计算和深度学习计算任务。
GPU深度学习性能的三驾马车：Tensor Core、内存带宽与内存层次结构
Baihai_IDP的博客
12-04 1069
今天，我们为大家带来的这篇文章，作者的核心观点是：Tensor Core、内存带宽和内存层次结构是影响 GPU 深度学习性能的几个最关键因素。 作者详细解析了矩阵乘法运算在深度学习中的重要性，以及 Tensor Core 如何通过特有的矩阵乘法计算单元极大地提升计算性能。同时，作者还分析了内存带宽对性能的制约作用，
使用cutlass实现多种精度的GEMM，支持cuda core与tensor core
weixin_42764932的博客
03-27 2689
使用cutlass实现多种精度的GEMM，附有完整代码与cmakelist
Tensor Core的一些概念理解
Briwisdom的博客
01-14 1684
对CUDA Core来说，GPU并行模式实现深度学习模型的功能过于通用，比如常见的conv/GEMM操作，被编码为FMA（fused multiply-add）实现，硬件层面会把数据按照：寄存器-ALU-寄存器-ALU-寄存器，方式来回搬运。: 在CUDA架构中，共享内存是一个非常快速的内存类型，它位于每个线程块内部并为该线程块内的所有线程提供服务。理想的情况是，同一时钟周期内的所有线程访问的地址分布在不同的banks上，这样每个线程的访问都可以在一个时钟周期内被处理，从而实现最大的吞吐量。
TensorRT及CUDA自学笔记005 GPU架构和线程束
weixin_43111445的博客
02-24 627
每一个SM包含整数个CUDA core、共享内存\L1缓存（shared memory\L1cache）、注册文件（Register File）、加载和存储单元（Load\Store Units）、特殊函数单元SFU（Special Function Unit）、Warps调度（Warps Scheduler）
支持 CUDA的设备计算能力多处理器数和 CUDA 核心数
05-16
支持 CUDA的设备计算能力多处理器数和 CUDA 核心数
CUDA与TensorRT(5)之TensorRT介绍
qq_42692305的博客
01-22 3077
CUDA与TensorRT(5)之TensorRT介绍
令人头秃的cudaTensorCoreGemm详解
jianjianheng的博客
08-27 6833
我曾被cudaTensorCoreGemm的代码苦苦折磨了一个月，官方文档也不够详细，代码虽然很多注释也不太好理解，于是决定自己写一个cudaTensorCore的详解。本文主要对cudaTensorCore中的compute_gemm函数进行分析。 Compute_gemm函数流程图如下图所示： Cuda wmma API主要用于使用SM中WARP和TensorCore加速矩阵乘加运算，标准公式如下（大写字母均为矩阵）： D=α×A×B+β×C 其中A矩阵为M×K，B...
Nvidia CUDA Core-CUDA HGEMV优化
https://www.zhihu.com/people/mu-zi-zhi-6-28
10-10 846
在深度学习模型特别是LLM（Large Language Model）的推理优化中，HGEMV（Half-precision General Matrix Vector Multiplication）半精度矩阵向量乘法的优化日趋重要。然而Cublas没有提供直接计算HGEMV的API，只能使用cublasGemmEx等相关API来间接调用Tensor Core计算HGEMV。
GPU 张量核心（Tensor Core）技术解读
07-08 5053
一文理解 GPU 张量核心（Tensor Core）
CUDA与TensorRT模型部署优化与模型部署一百问
lovely_yoshino的博客
10-17 5181
Tensor Core 是 NVIDIA 的一些新架构（如 Volta、Turing 和 Ampere）中引入的专门硬件单元，用于高效地执行深度学习中的矩阵运算。
CUDA 9中张量核（Tensor Cores）编程
吴建明wujianming_110117
06-03 3139
CUDA 9中编程张量核（Tensor Cores） Programming Tensor Cores in CUDA 9 一．概述 新的Volta GPU架构的一个重要特点是它的Tensor核，使Tesla V100加速器的峰值吞吐量是上一代Tesla P100的32位浮点吞吐量的12倍。Tensor内核使人工智能程序员能够使用混合精度来获得更高的吞吐量，而不牺牲精度。 Tensor核心已经在许多深度学习框架（包括Tensorflow、PyTorch、MXNet和Caffe2）中支持深度学习训练，无论是在
NVIDIA Tensor Core / DLA 资料汇总
xuke_2018的博客
07-22 1004
Tensor Core / DLA 资料
Tensor core原理
weixin_39326879的博客
06-28 8874
Tensor core是nvidia底层执行运算的硬件单元，不同于nvidia以往的cuda core(全浮点型），Tensor core是近几年推出来的、混合精度的、将累加和累乘放在一起的计算硬件；混合精度指的是在输入、输出的时候使用FP16,计算的时候使用FP32；在GPU编程中，"kernel"一词有特定的含义，与计算机操作系统中的内核不同。在GPU编程中，"kernel"是指在并行计算中由多个线程同时执行的函数。它是在GPU上执行的并行计算任务的入口点。
cuda core与tensorcore
01-04
### CUDA 核心与 Tensor 核心的区别及用途 #### CUDA 核心的特点及其应用领域 CUDA 核心是 NVIDIA GPU 中最基本的处理单元，负责执行浮点和整数运算。这些核心广泛应用于图形渲染以及通用计算任务中。对于深度学习而言，CUDA 核心可以支持神经网络中的各种操作，如激活函数、池化层等非矩阵乘法密集型的任务。 ```cpp // 示例：使用 CUDA 核心实现简单的向量加法 __global__ void vectorAdd(const float* A, const float* B, float* C, int numElements) { int idx = blockDim.x * blockIdx.x + threadIdx.x; if (idx < numElements) C[idx] = A[idx] + B[idx]; } ``` #### Tensor 核心的功能特性及其应用场景 Tensor 核心专为加速机器学习工作负载而设计，特别是针对张量（多维数组）间的快速矩阵运算进行了优化。自 Volta 架构引入以来，经过多次迭代改进，在最新的 Hopper 架构下已经进化至第四代[^2]。相比于传统 CUDA 核心，Tensor 核心能够显著提高涉及大量并行线性代数运算的工作效率，例如卷积神经网络训练过程中的前向传播与反向传播阶段。 ```cpp // 使用 wmma 库调用 Tensor 核心进行矩阵乘法 #include <cuda_fp16.h> #include <mma.h> using namespace nvcuda; void matrixMultiplication() { // 定义矩阵维度和其他参数... // 加载输入数据到共享内存 __shared__ half shared_A[...], shared_B[...]; // 创建 fragment 对象存储中间结果 wmma::fragment<wmma::matrix_a, 16, 16, 16, half, wmma::row_major> a_frag; wmma::fragment<wmma::matrix_b, 16, 16, 16, half, wmma::col_major> b_frag; wmma::fragment<wmma::accumulator, 16, 16, 16, float> c_frag; // 将数据加载到 fragments 并执行 MMA 操作 wmma::load_matrix_sync(a_frag, shared_A, ...); wmma::load_matrix_sync(b_frag, shared_B, ...); wmma::mma_sync(c_frag, a_frag, b_frag, c_frag); // 存储最终结果 wmma::store_matrix_sync(..., c_frag, ..., wmma::mem_row_major); } ``` 通过上述对比可以看出，虽然两者都属于 GPU 计算资源的一部分，但在具体功能定位上存在明显差异——CUDA 核心更侧重于满足多样化的一般性需求；而 Tensor 核心得益于其高度专业化的设计理念，在特定类型的高性能计算场景尤其是现代深度学习框架内展现出无可比拟的优势。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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