cuda

課程大綱 本課程將介紹平行計算的基礎觀念和電腦系統架構，並教授針對不同平行計算環境所設計的程式語言，包括多核心系統使用的 Pthread、OpenMP, 叢集計算使用的MPI, GPU使用的CUDA, 以及分散式系統使用的MapReduce計算框架。修課同學必須使用 這些平行計算的語言和工具完成5個程式作業，並且以程式的執行效能結果作為學習的評量標準。 【課程說明 Course Description】 本課程將介紹平行計算的基礎觀念和電腦系統架構，並教授針對不同平行計算環境所設計的程式語言，包括多核心系統使用的 Pthread、OpenMP, 叢集計算使用的MPI, GPU使用的CUDA, 以及分散式系統使用的MapReduce計算框架。修課同學必須使用 這些平行計算的語言和工具完成5個程式作業，並且以程式的執行效能結果作為學習的評量標準。 Part I Introduction - Introduction to Parallel Computers - Introduction to Parallel Computing Part II Parallel Programming - Message-Passing Programming (MPI) - Shared Memory Programming (Pthread and OpenMP) Part III

https://blog.csdn.net/la9881275/article/details/86720752 Ubuntu16.04系统安装 拿到Ubuntu镜像制作装机优盘，这里就不写了。 我的优盘之前已经做成了Ubuntu16.04启动盘，装机一切顺利。 遇到的第一个问题是wifi无法启用，这个问题原本根据其他博客介绍通过禁用联想的ideapad驱动项可以解决，但是Ubuntu16.04这个版本没能给Y7000的无线网卡RTK8822BE安装合适的驱动，因此尝试自己安装，试过集中方案，均告失败，看到有个博客说用Ubuntu16.04.5这个版本可以一切OK，所以考虑换版本 但安装该版本后，wifi虽然能用，但是显卡存在问题，开机进入不了桌面，只显示背景，按ctrl+alt+f1和鼠标操作都没有反应，经过尝试可以通过在开机grub界面，按e， 在“quiet splash”后添加“nomodeset”，之后F10，重新启动正常进入Ubuntu系统。 这里这个参数好像是让系统使用集显。但要注意后面这个参数还需要修改。 让这个设置一直有效的方法是 sudo gedit /etc/default/grub 然后在里面进行修改，之后保存关闭文件，采用下面指令使其生效： sudo update-grub 此外，我还试过Ubuntu16.04其他版本，都有问题。 注意：经过尝试

测试环境： OS: Win10 CUDA: 11.0 pytorch: 1.7.1 GPU: 3060Ti python：3.8 Detectron: 0.3（笔者可以在win环境成功编译安装detectron2 Detectron2模型数量虽然比mmdetection少，不过有些论文还是用Detectron2做的，因此有必要了解一下如何用Detectron2训练自定义数据集。 关于mmdetection下训练coco格式的自定义数据请移步笔者另一篇博文： mmdetection-v2.3安装配置及训练自定义数据集 以笔者目前的经验来看，要想对自己领域内的图像做目标检测任务，最好的方法是制作成COCO格式数据集，个人习惯用labelimg先制作成voc格式，然后用脚本转换为coco格式，转换脚本可见笔者的github库： https://github.com/ouening/OD_dataset_conversion_scripts 。制作成COCO格式的好处是目前大部分OD框架都支持该数据格式，直接调用API或者简单修改就可以用，当然VOC格式也是基本都支持的，但是COCO在指标评价上更加丰富，VOC只有传统的mAP，COCO指标有AP,AP0.5,AP0.75,APs,APm,APl,AR1,AR10,AR100等。 下面以AdelaiDet（基于Detectron2

跑代码的时候遇到和这位博主几乎一模一样的问题，安装的也是同一版本。目前清华源已经停止服务，如果要自己下载pytorch包的话估计只能在官网下载了。 原文：https://blog.csdn.net/summer2day/article/details/88652934 pytorch的安装 （1）版本查看 查看cuda版本cat /usr/local/cuda/version.txt 查看cudnn版本cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 去官网找到适合的版本用conda安装 http://webcache.googleusercontent.com/search?q=cache:https://pytorch.org/get-started/previous-versions/ (python版本，64或者32位，cuda，cudnn的版本） （2）设置镜像 因为Anaconda.org的服务器在国外。可以用清华TUNA镜像源，包含Anaconda仓库的镜像，将其加入conda的配置。否则速度会很慢并且经常失败，其中出现”CondaHTTPError: HTTP None None for url……”这类错误时。 # 添加Anaconda的TUNA镜像 $ conda config --add

这一系列基本上是属于我自己进行到了那个步骤就做到那个步骤的 由于新装了GPU (GTX750ti)和CUDA9.0、CUDNN7.1版本的软件，所以希望TensorFlow能在GPU上运行，也算上补上之前的承诺 说了下初衷，由于现在新的CUDA版本对TensorFlow的支持不好，只能采取编译源码的方式进行 所以大概分为以下几个步骤 1.安装依赖库（这部分我已经做过了，不进行介绍，可以看前边的依赖库，基本一致） sudo apt-get install openjdk-8-jdk jdk是bazel必须的 2.安装Git（有的就跳过这一步） 3.安装TensorFlow的build工具bazel 4.配置并编译TensorFlow源码 5.安装并配置环境变量 1.安装依赖库 2.安装Git 使用 sudo apt-get install git git clone --recursive https://github.com/tensorflow/tensorflow 3. 安装TensorFlow的build工具bazel 这一步比较麻烦，是因为apt-get中没有bazel这个工具 因此需要到GitHub上先下载，再进行安装 下载地址是https://github.com/bazelbuild/bazel/releases 选择正确版本下载