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
CUDA平行最短路径运用CUDA平台的NVIDIAGPU上的并行最短路径算法
2015/3/14 16:06:21
13KB
1
随着人工智能的火热，机器游戏变得越来越熟悉。
机器博弈是人工智能领域最具挑战性的研究方向之一。
亚马逊国际象棋是机器游戏领域的一个重点研究方向，由于其本身动作空间可能概率的复杂性，第一步便超过2000个动作，因而常被用来研究与机器博弈相关的算法。
本文针对亚马逊国际象棋环境，对比分析了不同算法在效率上的优缺点，主要对蒙特卡洛博弈算法及其并行优化进行介绍和总结，在此基础上，对关于亚马逊棋蒙特卡洛博弈算法并行优化的研究前景进行了展望。
主要内容为关于亚马逊棋的蒙特卡洛博弈算法的并行优化综述，对相关内容进行了调研和总结，首先是引言部分，简要介绍亚马逊棋的相关知识，其次介绍应用于亚马逊棋的相关博弈算法，如：极大化极小法(MiniMax)、Negamax算法、PVS算法和Alpha-Beta等搜索算法。
适用于研究计算机领域、人工智能领域的用户下载研究使用，该文章为原创，严禁盗用抄袭，如有发现，将追究侵权责任，同时涉及学术不端问题。
此前将该文档借与他人浏览，所发布本文档目的在于：避免被学术不端者盗用。
机器博弈是人工智能领域最具挑战性的研究方向之一。
亚马逊国际象棋是机器游戏领域的一个重点研究方向，由于其本身动作空间可能概率的复杂性，第一步便超过2000个动作，因而常被用来研究与机器博弈相关的算法。
本文针对亚马逊国际象棋环境，对比分析了不同算法在效率上的优缺点，主要对蒙特卡洛博弈算法及其并行优化进行介绍和总结，在此基础上，对关于亚马逊棋蒙特卡洛博弈算法并行优化的研究前景进行了展望。
主要内容为关于亚马逊棋的蒙特卡洛博弈算法的并行优化综述，对相关内容进行了调研和总结，首先是引言部分，简要介绍亚马逊棋的相关知识，其次介绍应用于亚马逊棋的相关博弈算法，如：极大化极小法(MiniMax)、Negamax算法、PVS算法和Alpha-Beta等搜索算法。
适用于研究计算机领域、人工智能领域的用户下载研究使用，该文章为原创，严禁盗用抄袭，如有发现，将追究侵权责任，同时涉及学术不端问题。
此前将该文档借与他人浏览，所发布本文档目的在于：避免被学术不端者盗用。
2019/2/12 7:57:37
293KB
1
在计算机处理器发展为包含越来越多的核心的时期，多线程是创建可伸缩性、高效的、高响应性应用程序的关键因素。
如果你没有正确地使用多线程，它会导致难以捉摸的问题，需要你花费大量时间去解决。
因此，现代应用程序开发人员必须深入理解多线程。
本书是一本通俗易懂的C#多线程编程指南，通过70多个容易理解的示例，循序渐进地讲解C#5.0中的异步及并发编程，引导读者了解Windows下C#多线程编程的多样性。
通过阅读本书，你将学到：使用原始线程、异步线程，以及协调它们工作使用任务并行库设计自己的异步API使用C#5.0异步语言特性使用I/O线程提高服务器应用程序功能使用PLINQ并行化LINQ查询使用Windows8异步API使用ReactiveExtensions运行异步操作并管理选项
如果你没有正确地使用多线程，它会导致难以捉摸的问题，需要你花费大量时间去解决。
因此，现代应用程序开发人员必须深入理解多线程。
本书是一本通俗易懂的C#多线程编程指南，通过70多个容易理解的示例，循序渐进地讲解C#5.0中的异步及并发编程，引导读者了解Windows下C#多线程编程的多样性。
通过阅读本书，你将学到：使用原始线程、异步线程，以及协调它们工作使用任务并行库设计自己的异步API使用C#5.0异步语言特性使用I/O线程提高服务器应用程序功能使用PLINQ并行化LINQ查询使用Windows8异步API使用ReactiveExtensions运行异步操作并管理选项
2017/5/18 20:15:30
267KB
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
针对用电过程中的盗电窃电问题，基于数据挖掘的思想提出了一种自动检测窃电行为的方法。
通过分析用户用电数据的特点，在循环神经网络（RNN）算法的基础上引入长短期记忆单元（LSTM），通过输入门、输出门与遗忘门等函数选择性地保留记忆单元的输入输出信息，改善算法训练时的梯度消失现象。
将RNN网路改进为并行化网络，将长时间序列的输入特征向量进行片段化处理，克服RNN网络在处理长序列时的信息丢失缺点。
使用国家电网的公开数据集进行仿真实验。
结果表明，在相同的时间复杂度下，相较于传统RNN网络，改进算法对窃电行为的识别精度提升到了92.85%，模型的交叉熵损失下降为0.253，AUC增长至0.871，算法的综合功能显著提升。
通过分析用户用电数据的特点，在循环神经网络（RNN）算法的基础上引入长短期记忆单元（LSTM），通过输入门、输出门与遗忘门等函数选择性地保留记忆单元的输入输出信息，改善算法训练时的梯度消失现象。
将RNN网路改进为并行化网络，将长时间序列的输入特征向量进行片段化处理，克服RNN网络在处理长序列时的信息丢失缺点。
使用国家电网的公开数据集进行仿真实验。
结果表明，在相同的时间复杂度下，相较于传统RNN网络，改进算法对窃电行为的识别精度提升到了92.85%，模型的交叉熵损失下降为0.253，AUC增长至0.871，算法的综合功能显著提升。
2021/9/2 6:54:54
1.41MB
1
ParaPIV是一种基于PIVlab的粒子图像测速(PIV)并行处理工具。
它旨在在大规模并行机或多核计算机上无效地处理PIV图像。
由于PIV利用图像相关性来获得速度场，后处理总是很耗时，特别是对于湍流。
得益于MATLAB和现代先进计算机的分布式计算工具箱，ParaPIV能够在几分钟或几秒钟内计算出一万个图像帧。
使用6核inteli7CPUPC，ParaPIV分别比PIVlab1.32和PIVlab1.41快38倍和6.7倍。
要激活并行计算功能，请在MATLAB中打开ParaPIV，单击Analysis-＞ParallelComputing，然后选择要使用的CPU核数。
单击开始按钮启动并行池并等待几分钟。
并行池启动后，照常点击分析所有帧按钮，图像将在多核上传输和分析。
可以通过任务管理器监控CPU
它旨在在大规模并行机或多核计算机上无效地处理PIV图像。
由于PIV利用图像相关性来获得速度场，后处理总是很耗时，特别是对于湍流。
得益于MATLAB和现代先进计算机的分布式计算工具箱，ParaPIV能够在几分钟或几秒钟内计算出一万个图像帧。
使用6核inteli7CPUPC，ParaPIV分别比PIVlab1.32和PIVlab1.41快38倍和6.7倍。
要激活并行计算功能，请在MATLAB中打开ParaPIV，单击Analysis-＞ParallelComputing，然后选择要使用的CPU核数。
单击开始按钮启动并行池并等待几分钟。
并行池启动后，照常点击分析所有帧按钮，图像将在多核上传输和分析。
可以通过任务管理器监控CPU
2020/4/15 10:44:26
9.75MB
1
C#写的中小学排课软件，VS2010,WinForm全部源代码和Setup项目，立即可以编译运行或打安装包。
软件大量使用范型技术，抽象排课的数据及操作，代码极其精炼，功能强大。
软件使用复杂的数据结构，得到极高效率，特别是手工调课时能够瞬时检测出冲突、汇集所有关联元素的规则并评估。
软件基于引擎驱动界面的架构，引擎处理所有逻辑并触发界面的更新。
软件是一个强大的无流程软件，系统操作是并行的，任意时辰可以增删改任意数据，系统智能处理既有课表。
软件有清晰的分层，容易阅读、修改：UI层、业务逻辑层、AI模块（智能分析）、DAC层(使用ACCESS)。
软件大量使用范型技术，抽象排课的数据及操作，代码极其精炼，功能强大。
软件使用复杂的数据结构，得到极高效率，特别是手工调课时能够瞬时检测出冲突、汇集所有关联元素的规则并评估。
软件基于引擎驱动界面的架构，引擎处理所有逻辑并触发界面的更新。
软件是一个强大的无流程软件，系统操作是并行的，任意时辰可以增删改任意数据，系统智能处理既有课表。
软件有清晰的分层，容易阅读、修改：UI层、业务逻辑层、AI模块（智能分析）、DAC层(使用ACCESS)。
2020/9/23 13:40:48
1.6MB
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