编译好的Windows平台tensorflow2.3-gpu版本支持cuda11cudnn8python3.8avx2支持一切算力的GPUpip安装即可
2022/9/4 17:13:05
506.68MB
1
Ubuntu16.04安装tensorflow-gpu所需的cuda9.0以及cudnn7.0，官网不能断点续传，因而在这放一个网盘链接。
只是网盘链接，文件比较大。
只是网盘链接，文件比较大。
2022/9/4 12:40:08
68B
1
win10编译源码后的tensorflow1.12.0，具有头文件include，lib，dll。
并且包含所用的cuda库。
完全可以用，并且实验成功。
假如下载后，不会用的可以联系我，全程教你！
并且包含所用的cuda库。
完全可以用，并且实验成功。
假如下载后，不会用的可以联系我，全程教你！
2018/2/17 7:30:36
304.2MB
1
matlab简单图像处理代码3D-connect-component-label-with-GPUThisismy3Dparallelalgorithm,butitisnotperfect.Itprovidesawayforyoutooptimizeit.Ihopesomeonecangiveagoodopinion???由于医学项目中需要实现3D连通域算法，matlab有自带的3D连通域算法，挺快的???但是要实现c++版本，2d连通域实现的算法思路上就是twopassmethod，???当时我为了快速实现，就直接写了一个广度搜索的3d连通域算法???于是，我想能不能实现一个并行的3D连通域算法呢，于是我google，发现了几篇很好的withgpu的2DCCL，但并没有3DParallel，发现主要思想还是twopassmethod，不过因为并行，所以需要考虑每个像素点的独立，在这里进行了处理论文分别是：????ParallelgraphcomponentlabellingwithGPUs
2019/1/6 1:36:31
45KB
1
针对FDK算法重建图像异常耗时的成绩,提出了一种极坐标反投影快速重建算法。
根据三角函数对称性,64幅预处理后的投影数据在反投影过程中同时运算;在极坐标反投影数据映射到笛卡尔坐标时,利用像素位置相关参数的对称性,在不使用查表方法的情况下,使双线性插值的计算量大大减少。
实验结果表明,采用这两种措施实现了FDK算法优化,与传统的FDK算法相比,重建速度提高8倍,采用CUDA技术,实现GPU对其加速,速度提高40倍,且均不产生新的误差。
根据三角函数对称性,64幅预处理后的投影数据在反投影过程中同时运算;在极坐标反投影数据映射到笛卡尔坐标时,利用像素位置相关参数的对称性,在不使用查表方法的情况下,使双线性插值的计算量大大减少。
实验结果表明,采用这两种措施实现了FDK算法优化,与传统的FDK算法相比,重建速度提高8倍,采用CUDA技术,实现GPU对其加速,速度提高40倍,且均不产生新的误差。
2016/4/5 16:13:47
1012KB
1
《实时碰撞检测算法技术》详细阐述了与碰撞检测问题相关的高效解决方案及相应的数据结构和算法，主要包括：碰撞检测系统中的设计问题、数学和几何学入门、包围体、基本图元测试、层次包围体技术、空间划分、BSP树层次结构、凸体算法、基于GPU的碰撞检测、数值健壮性、几何健壮性以及优化操作。
另外，《实时碰撞检测算法技术》还提供了相应的算法、代码以及伪代码，以协助读者进一步理解计算方案的实现过程。
,《实时碰撞检测算法技术》适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
另外，《实时碰撞检测算法技术》还提供了相应的算法、代码以及伪代码，以协助读者进一步理解计算方案的实现过程。
,《实时碰撞检测算法技术》适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
2020/6/20 20:44:57
41.67MB
1
递归神经网络(RNN)近些年来被越来越多地应用在机器学习领域，尤其是在处理序列学习任务中，相比CNN等神经网络功能更为优异。
但是RNN及其变体，如LSTM、GRU等全连接网络的计算及存储复杂性较高，导致其推理计算慢，很难被应用在产品中。
一方面，传统的计算平台CPU不适合处理RNN的大规模矩阵运算；
另一方面，硬件加速平台GPU的共享内存和全局内存使基于GPU的RNN加速器的功耗比较高。
FPGA由于其并行计算及低功耗的特性，近些年来被越来越多地用来做RNN加速器的硬件平台。
对近些年基于FPGA的RNN加速器进行了研究，将其中用到的数据优化算法及硬件架构设计技术进行了总结介绍，并进一步提出了未来研究的方向。
但是RNN及其变体，如LSTM、GRU等全连接网络的计算及存储复杂性较高，导致其推理计算慢，很难被应用在产品中。
一方面，传统的计算平台CPU不适合处理RNN的大规模矩阵运算；
另一方面，硬件加速平台GPU的共享内存和全局内存使基于GPU的RNN加速器的功耗比较高。
FPGA由于其并行计算及低功耗的特性，近些年来被越来越多地用来做RNN加速器的硬件平台。
对近些年基于FPGA的RNN加速器进行了研究，将其中用到的数据优化算法及硬件架构设计技术进行了总结介绍，并进一步提出了未来研究的方向。
2017/3/13 16:19:19
1.39MB
1
对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空结合特征学习，所用环境为tensorflow-GPU-1.5.0keras2.1.6资源包含KSC和PU两个高光谱数据集
2016/3/20 12:27:20
87.4MB
1
内核链接：https://pan.baidu.com/s/1iKff1QLvsVurWgXlkEqfuA?pwd=1234NBMiner_42.2发布，解锁LHR版本显卡百分百算力。
ETH、ETC5月25日更新42.2版本提升稳定性，更新支持所有GPU。
5月11日更新41.3版本:提高LHR解锁器的稳定性。
修复AMDGPU上的崩溃2022年5月8日，NBMiner发布NBMiner_41.0版本，在最新的内核中加入了100％LHR解锁器，适用于Windows和Linux版本。
旧版驱动和内核会导致6G显卡显存不足outofmemory
ETH、ETC5月25日更新42.2版本提升稳定性，更新支持所有GPU。
5月11日更新41.3版本:提高LHR解锁器的稳定性。
修复AMDGPU上的崩溃2022年5月8日，NBMiner发布NBMiner_41.0版本，在最新的内核中加入了100％LHR解锁器，适用于Windows和Linux版本。
旧版驱动和内核会导致6G显卡显存不足outofmemory
2018/5/15 23:08:16
57.56MB
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