自己将官方的nvdia解码工程进行大量的删减和重新封装，实现为一个可以重复使用的硬件解码类，并将ffmpeg整合到其中，实现rtsp拉流，在GPU中完成nv12到rgba的转换
2023/9/17 12:31:54
126.82MB
1
ExportingloadedCOCOweightsasTFcheckpoint(yolov3.ckpt)andfrozengraph(yolov3_gpu_nms.pb).
2023/9/16 13:32:26
219.95MB
1
环境：Keras+python3+tensorflow—GPU+jupyternotebook运行本代码实现调用本机摄像头，实时对目标进行检测，识别。
2023/9/13 23:09:55
18KB
1
DeepResolution2.0基于深度学习的多元曲线分辨率2.0DeepResolution已经提出了基于深度学习的多元曲线分辨率2.0（DeepResolution2.0）方法来自动解析GC-MS数据。
它在解析重叠峰方面具有出色的性能，适用于大规模数据分析。
与经典的多曲线分辨率方法相比，它具有快速，准确和全自动的特点。
＃安装##python和TensorFlowPython3.6.5，可从TensorFlow（2.0.0-GPU版本），可在##安装依赖包软件包主要包括：numpy，Scipy，Matplotlib，pandas和os。
这些软件包包含在集成工具Anaconda＃存储库并直接运行下载模型并直接运行由于模型超出了限制，我们已将所有模型和一些GC-MS数据上传到百度SkyDrive和google驱动器。
（KEY：Deep）
它在解析重叠峰方面具有出色的性能，适用于大规模数据分析。
与经典的多曲线分辨率方法相比，它具有快速，准确和全自动的特点。
＃安装##python和TensorFlowPython3.6.5，可从TensorFlow（2.0.0-GPU版本），可在##安装依赖包软件包主要包括：numpy，Scipy，Matplotlib，pandas和os。
这些软件包包含在集成工具Anaconda＃存储库并直接运行下载模型并直接运行由于模型超出了限制，我们已将所有模型和一些GC-MS数据上传到百度SkyDrive和google驱动器。
（KEY：Deep）
2023/8/16 2:10:44
1KB
1
由于文件大于220M不能直接上传，所以上传一个百度云的链接。
提示：我的环境是CUDA9.1+win10+vs2013+GPU只有环境一样的才能直接运行，不过想学的也可以作为参考。
不强迫.
提示：我的环境是CUDA9.1+win10+vs2013+GPU只有环境一样的才能直接运行，不过想学的也可以作为参考。
不强迫.
2023/8/14 7:23:54
140B
1
googleEfficientDet算法中文版paper.将高效网络骨架与我们提出的BiFPN和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP来获得更好的精度。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。
2023/7/30 7:35:17
559KB
1
《计算机组成与设计：硬件/软件接口（原书第5版）》是计算机组成与设计的经典畅销教材，第5版经过全面更新，关注后PC时代发生在计算机体系结构领域的革命性变革——从单核处理器到多核微处理器，从串行到并行。
本书特别关注移动计算和云计算，通过平板电脑、云体系结构以及ARM（移动计算设备）和x86（云计算）体系结构来探索和揭示这场技术变革。
与前几版一样，本书采用MIPS处理器讲解计算机硬件技术、汇编语言、计算机算术、流水线、存储器层次结构以及I/O等基本功能。
《计算机组成与设计：硬件/软件接口（原书第5版）》特点 更新例题、练习题和参考资料，重点关注移动计算和云计算这两个新领域。
涵盖从串行计算到并行计算的革命性变革，第6章专门介绍并行处理器，每章中都涉及并行硬件和软件的相关主题。
全书采用Intel Core i7、ARM Cortex-A8和NVIDIA Fermi GPU作为实例。
增加“运行更快”这一新实例，说明正确理解硬件技术的重要性，它能使软件性能提高200倍。
讨论并强调计算机体系结构的“8个伟大思想”——通过并行提高性能、通过流水线提高性能、通过预测提高性能、面向摩尔定律的设计、存储器层次、使用抽象简化设计、加速大概率事件和通过冗余提高可靠性。
本书特别关注移动计算和云计算，通过平板电脑、云体系结构以及ARM（移动计算设备）和x86（云计算）体系结构来探索和揭示这场技术变革。
与前几版一样，本书采用MIPS处理器讲解计算机硬件技术、汇编语言、计算机算术、流水线、存储器层次结构以及I/O等基本功能。
《计算机组成与设计：硬件/软件接口（原书第5版）》特点 更新例题、练习题和参考资料，重点关注移动计算和云计算这两个新领域。
涵盖从串行计算到并行计算的革命性变革，第6章专门介绍并行处理器，每章中都涉及并行硬件和软件的相关主题。
全书采用Intel Core i7、ARM Cortex-A8和NVIDIA Fermi GPU作为实例。
增加“运行更快”这一新实例，说明正确理解硬件技术的重要性，它能使软件性能提高200倍。
讨论并强调计算机体系结构的“8个伟大思想”——通过并行提高性能、通过流水线提高性能、通过预测提高性能、面向摩尔定律的设计、存储器层次、使用抽象简化设计、加速大概率事件和通过冗余提高可靠性。
2023/7/29 6:01:19
11.38MB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
基于MediaPipe的v0.8.2的代码的gpu手跟踪Demo。
引用了我自己编译打包的aar。
aar为9.3M,包含arm64和v7a的so注意：我在索尼手机上测试，发现启动会黑屏，但点击home键后返回就好了。
引用了我自己编译打包的aar。
aar为9.3M,包含arm64和v7a的so注意：我在索尼手机上测试，发现启动会黑屏，但点击home键后返回就好了。
2023/7/27 6:45:10
28.17MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB