Sciblog支持信息和代码此仓库包含支持我的博客的项目，其他信息和代码：。
您可以找到我在发表的所有帖子的列表。
笔记本项目：在这个项目中，我们解释什么是卷积以及如何使用带有MNIST字符识别数据集的MXNet深度学习库来计算CNN。
这里是。
：在本项目中，我们使用PyTorch解释迁移学习的基本方法（微调和冻结），并分析在哪种情况下更好地使用每种方法。
这里是。
：在这些笔记本中，我们展示了如何使用Char-CNN和VDCNN模型执行字符级卷积以进行情感分析。
这里是。
：在本笔记本中，我们展示了许多简单的技术来生成图像，文本和时间序列中的新数据。
这里是。
降：在本项目中，我们使用sklearn和CUDA展示t-SNE算法的示例。
我们使用CNN从图像生成高维特征，然后展示如何将其投影并可视化为二维空间。
这里是。
：在本笔记本中，我们使用GPU上的LightGBM（也可在CPU上）设计实时欺诈检测模型。
然后使用Flask和websockets通过API对模型进行操作。
这里是。
：在本笔记本中，我们演示如何创建图像分类API。
该系统与使用CNTK深度

从软件编码，硬件实现，操作系统支持的角度介绍OpenCL+GPU并行编程和CPU多线程并行编程的不同点,以加深听众对OpenCL+GPU并行编程的理解。

教程中的英文很简单，我相信学OpenCL的人都能看得懂，而且看原汁原味的英文表述，更有利于我们了解各种术语的来龙去脉。
我把这些教程翻译成自己的中文表述，主要是强化理解需要，其实我的英文很烂。
在计算机术语中，并行性是指：把一个复杂问题,分解成多个能同时处理的子问题的能力。
要实现并行计算，首先我们要有物理上能够实现并行计算的硬件设备，比如多核CPU，每个核能同时实现算术或逻辑运算。
通常，我们通过GPU实现两类并行计算：任务并行：把一个问题分解为能够同时执行的多个任务。
数据并行：同一个任务内，它的各个部分同时执行。
下面我们通过一个农场主雇佣工人摘苹果的例子来描述不同种类的并行计算。
1.摘苹果的工人就

Graphicsprogrammingisthemagicbehindvideogames,film,andscientificsimulation.Everyexplosion,dustparticle,andlensflareyouseeonacomputerscreenisprocessedthroughagraphicscard.Inaddition,becausemodernoperatingsystemsusethegraphicsprocessingunit(GPU)todrawtheircontent,everypixelyouseeisrenderedthroughtheGPUandthroughsoftwaredevelopedbyagraphicsprogrammer.It’sabroadtopic,butonethathastraditionallybeentheprovinceofaselectfew.Eventoexperiencedsoftwaredevelopers,renderingisoftenconsideredadarkart,fullofcomplexmathematicsandesoterictools.Furthermore,therapidpaceofadvancementmakesmoderngraphicsprogrammingamovingtarget,andestablishingafootholdcanbedifficult.

所支持的Unity版本5.0.2及以上版本现在Android，iOS和Linux就绪！Cocuy是Unity的实时2D流体模拟系统。
使用GPU的强大功能，实时模拟游戏中的烟雾，火焰，墨水或其他任何液体。
Cocuy使用非常简单，并附带了各种示例场景和完整的源代码访问，以便您可以充分利用它。

HypeLCNN概述该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中）使用Tensorflow1.x开发（在1.10至1.15版上测试）。
该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。
主要特点：支持超参数估计基于插件的神经网络实现（通过NNModel接口）基于插件的数据集集成（通过DataLoader接口）培训的数据有效实现（基于内存的有效/基于内存/记录的）能够在经典机器学习方法中使用数据集集成神经网络的培训，分类和指标集成胶囊网络和神经网络的示例实现基于CPU/GPU/TPU（进行中）的培训基于GAN的数据增强器集成交叉折叠验证支持源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践注意：数据集文件太

运行TensorFlow-GPU提示缺少cusolver64_100.dll，，cusparse64_100.dll，，curand64_100.dll丢失的解决方法。
下载后放在安装目录下面，如C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v10.0\bin。
。
亲测CUDA10可用，其他版本不保证

我们在安卓上进行性能测试时，如果想获取CPU以及内存等常用性能指标，linux系统自身就提供了现成的方法，谷歌官方甚至公司内部也都提供了大量功能强大的分析工具。
而相比之下，想要获取GPU的相关指标则没那么容易，甚至我们对GPU应该使用什么指标衡量都几乎一无所知。
这一方面是由于系统没有提供相关接口与命令，另一方面似乎业界目前对于GPU的关注度不足，相关积累与沉淀较少，鉴于此，个人感觉GPU测试这一块也可以作为终端专项后面需要关注及攻克的课题。
通过这两天的调研，笔者将GPU的测试方法简单的分为两类：安卓官方提供的工具及方法；
GPU厂商提供的工具及方法。
下面将具体介绍这两类测试分析方法。
google

MatConvNet是一个实现卷积神经网络（CNN）的MATLAB工具箱，用于计算机视觉应用。
用这个工具箱，能很方便地在MATLAB中用GPU来进行训练。

变电站指针式仪表目标检测数据集，voc2007格式，500张，可用于gpu资源比较小的目标检测训练，已训练好的模型下载地址：https://download.csdn.net/download/qq_35206320/11994813

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。