众所周知，opengl在GPU以及CPU显卡软件的各种程序编译中起着决定性的作用，很多挖矿软件亦是运用opengl的强大调动CPU或者GPU的浮点指令集合，从而实现算力提升的目标。
然而很多老旧CPU和GPU却不曾拥有这一功能，为此intel公司针对旗下的CPU扩展了sdk_for_opencl，以此解决相应问题。
软件很好用，大家可以试试，很快解决opengldrivers缺失的问题。

DeepLearningToolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。
您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。
应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。
对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-Keras和Caffe导入的模型执行传输学习。
了解深度学习工具箱的基础知识深度学习图像从头开始训练卷积神经网络或使用预训练网络快速学习新任务使用时间序列，序列和文本进行深度学习为时间序列分类，回归和预测任务创建和训练网络深度学习调整和可视化绘制培训进度，评估准确性，进行预测，调整培训选项以及可视化网络学习的功能并行和云中的深度学习通过本地或云中的多个GPU扩展深度学习，并以交互方式或批量作业培训多个网络深度学习应用通过计算机视觉，图像处理，自动驾驶，信号和音频扩展深度学习工作流程深度学习导入，导出和自定义导入和导出网络，定义自定义深度学习图层以及自定义数据存储深度学习代码生成生成MATLAB代码或CUDA®和C++代码和部署深学习网络函数逼近和聚类使用浅层神经网络执行回归，分类和聚类时间序列和控制系统基于浅网络的模型非线性动态系统;使用顺序数据进行预测。

Nbody问题采用treecode算法在GPU上的并行实现

目标检测NMS-GPU和Cython（非极大值抑制）在window下的编译文件，包括soft_NMS实现。
小批量情况下Cython速度高于GPU

GPUPerf是一款GPU-VDI资源监控工具，windows下exe文件。
GPU-VDI资源监控工具-GPUPerf_3.0.zip

AES加密解密GPU程序使用cuda编写GPU程序，实现对AES的加密解密，可以读取文本文档进行加密解密，符合AES标准

tensorflow_gpu-2.3.1-cp37-cp37m-win_amd64.whl，本文件为python3.7版本对应的tensorlow的gpu版本的轮子文件，可以通过pip安装

NUMBA开源编译把常用FOR循环变成并行计算的3个例子。
包含利用CPU，GPU的方式。
有需要的同学可以参考。

**DFace**是个开源的深度学习人脸检测和人脸识别系统。
所有功能都采用　**[pytorch](https://github.com/pytorch/pytorch)**　框架开发。
pytorch是一个由facebook开发的深度学习框架，它包含了一些比较有趣的高级特性，例如自动求导，动态构图等。
DFace天然的继承了这些优点，使得它的训练过程可以更加简单方便，并且实现的代码可以更加清晰易懂。
DFace可以利用CUDA来支持GPU加速模式。
我们建议尝试linuxGPU这种模式，它几乎可以实现实时的效果。

CUDA并行程序设计GPU编程指南ShaneCook著-中文扫描539页完整版pdf+高质量英文完整原版591页非扫描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。