陈国良院士的并行计算系列丛书（全四部含源码）1--《并行计算+结构·算法·编程》（修订版2003）陈国良2--《并行计算机体系结构》陈国良3--《并行算法的设计与分析》第3版+陈国良编著+2009+源代码4--《并行算法实践》附上源码打包

OSWorkflow是opensymphony组织开发的一个工作流引擎，目前的版本是2.8。
OSWorkflow用纯Java语言编写，并且开放源代码。
它最大的特点就是极其的灵活。
它面向的人群是具有技术背景的软件开发人员。
OSWorkflow不提倡用可视化工具定义流程。
用户可以根据自己的实际需求，来设计出完全符合自身业务逻辑的系统，而并不需要使用复杂的代码去实现。
换句话说OSWorkflow让我们真正解放了，使得我们从底层的代码堆中爬了出来，轻松地用一套通用的引擎机制去实现各种业务流程。
OSWorkflow提供我们所有工作流OSWorkflow开发指南Version1.0October15,2007Somanyopensourceprojects.WhynotOpenyourDocuments?中可能用到的元素例如：步骤（step）、条件（conditions）、循环（loops）、分支（spilts）、合并（joins）、角色（roles）、函数（function）等等。
首先我们来谈谈步骤：步骤是工作流中很重要的概念。
如果我们把工作流比喻成一条从起点站驶向终点站的公共汽车路线，那么步骤就相当于汽车站台。
而汽车有的正在排队等候进站，有的还没有进站，有的刚出站，这样就形成了所谓的“已完成”、“正在处理”、“已添加至处理队列”、“未处理”等状态。
另外一个重要的概念就是动作，动作就是工作流中每一步骤中"需要处理的事情"，每一个动作执行完毕以后都有一个结果。
公共汽车停站下客就好比一个动作，动作完成以后，开向下一站，或者加油，或者返程等等就是一个结果。
当然，实际上的工作流远比这辆汽车来的复杂，它涉及到的结果还包括原地踏步停留在同一步骤，或者是流转到另外的步骤中去，或者是流转到一个分支中去，或者汇集到一个合并中等。
如果动作被设置成为auto，那么只要触发器满足条件或者有来自外部的事件工作流便可自动执行。
在许多流程中，如果遇到并行处理某些事情，这就是分支。
分支一般是指并行处理多件事情而没有先后顺序。
若有一条分支进行了回退处理，整个流程都将回退。
与之相对的，合并就是把几条符合条件的分支聚合起来，使得事情变成"殊途同归"。
这也是非常常见的流程，同时也是最复杂的一种流程。
在步骤、动作和结果中都提供了函数功能，函数按执行的先后时机可分为pre-functions和post-functions。
顾名思义，pre-functions就是在事情发生之前执行的，而post-functions就是在事情发生以后执行的。
验证器是用来验证用户输入的数据是否合法的。
它也可以被应用在步骤，动作或结果中。
动作的执行结果可以是有条件的（conditional）也可以是无条件的（unconditional）。
对于有条件结果，可以允许有多个条件。
引擎将首先检查是否有满足的条件，它会逐一进行检查，直到符合的条件被找到才能执行。
如果没有一个条件被满足，那么最终引擎将产生无条件结果。
在每个步骤中调用工作流的人被称之为调用者（caller），而每个步骤都也会有一个所有者（owner），以代表在当前步骤中负责执行动作的角色或用户。
当前用户在执行当前步骤的时候，这些步骤被保留在当前表中(current)，而一旦步骤被执行完毕，引擎会马上将这个当前步骤从当前表中移到历史表中（history）。
5OSWorkfow的高级特性有发送邮件，注册器功能，通用动作和全局动作,触发器和定时器等等，以下会一一讲解。

fftw3工具库使用说明，是一个快速计算离散傅里叶变换的标准C语言程序集，还包含对共享和分布式存储系统的并行变换。

直序扩频信号捕获算法的matlab代码算法：基于FFT的频率并行捕获算法

ZeroMQ（也说明ØMQ，0MQ或ZMQ）是一个高性能的异步消息库，旨在使用分布式或并行应用程序。
它提供了一个消息队列，但不同于面向消息的中间件，一个ZeroMQ系统可以在没有专用运行消息代理。
jzmq安装包，本人也有资源。

《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。

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

共轭梯度法求解偏微分方程MPI并行的c++实现

不完全信息系统中基于并行矩阵的近似计算方法

Parallel_Programming_in_Fortran95_using_OpenMP中文版pdf

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。