cuda

1.BrokenPipeError 执行以下命令时： a,b = iter(train_loader).next() 报错：BrokenPipeError: [Errno 32] Broken pipe 错误原因 ：子进程原因 On Windows the subprocesses will import (i.e. execute) the main module at start. You need to insert an if __name__ == '__main__': guard in the main module to avoid creating subprocesses recursively. 解决方法： Please see my edited response where I did exactly that. The requirement for wrapping the code inside of if __name__ == '__main__' code isn't immediately obvoius, as it is only required for Windows machines.就是说在windows下必须将上面的代码打包在if __name__ == '__main__'语句下面。这时不会报错了。 还有人说：I also

1.前言 想必热爱游戏的同学小时候，都幻想过要是自己要是能像鸣人那样会多重影分身之术，就能一边打游戏一边上课了，可惜漫画就是漫画，现实中并没有这个技术，你要么只有老老实实的上课，要么就只有逃课去打游戏了。虽然在现实中我们无法实现多重影分身这样的技术，但是我们可以在计算机世界中实现我们这样的愿望。 2.计算机中的分身术 计算机中的分身术不是天生就有了。在1971年，1971年，英特尔推出的全球第一颗通用型微处理器4004，由2300个晶体管构成。当时，公司的联合创始人之一戈登摩尔就提出大名鼎鼎的“摩尔定律”——每过18个月，芯片上可以集成的晶体管数目将增加一倍。最初的主频740kHz(每秒运行74万次)，现在过了快50年了，大家去买电脑的时候会发现现在的主频都能达到4.0GHZ了(每秒40亿次)。但是主频越高带来的收益却是越来越小: 据测算，主频每增加1G，功耗将上升25瓦，而在芯片功耗超过150瓦后，现有的风冷散热系统将无法满足散热的需要。有部分CPU都可以用来煎鸡蛋了。 流水线过长，使得单位频率效能低下，越大的主频其实整体性能反而不如小的主频。 戈登摩尔认为摩尔定律未来10-20年会失效。 在单核主频遇到瓶颈的情况下，多核CPU应运而生，不仅提升了性能，并且降低了功耗。所以多核CPU逐渐成为现在市场的主流，这样让我们的多线程编程也更加的容易。 说到了多核CPU就一定要说GPU

ubuntu16.04安装CUDA 8.0（很详尽，包括一些坑的解决方法） 参考文章： （1）ubuntu16.04安装CUDA 8.0（很详尽，包括一些坑的解决方法） （2）https://www.cnblogs.com/left4back/p/10952845.html 备忘一下。 来源： oschina 链接： https://my.oschina.net/u/4437884/blog/4694824

PyTorch–Tensor 几乎所有的深度学习框架背后的设计核心都是张量和计算图， PyTorch 也不例外 一.Tensor的简介 Tensor，又名张量，可能对这个名词似曾相识，因它不仅在PyTorch中出现过，它也是Theano、TensorFlow、 Torch和MxNet中重要的数据结构。关于张量的本质不乏深度的剖析，但从工程角度来讲，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）和更高维的数组（高阶数据）。Tensor和Numpy的ndarrays类似，但PyTorch的tensor支持GPU加速。 本节将系统讲解tensor的使用，力求面面俱到，但不会涉及每个函数。对于更多函数及其用法，读者可通过在IPython/Notebook中使用函数名加 ? 查看帮助文档，或查阅PyTorch官方文档 [1] 。 # Let's begin from __future__ import print_function import torch as t 二.Tensor基础操作 学习过Numpy的读者会对本节内容感到非常熟悉，因tensor的接口有意设计成与Numpy类似，以方便用户使用。但不熟悉Numpy也没关系，本节内容并不要求先掌握Numpy。 从接口的角度来讲，对tensor的操作可分为两类： torch

说明: screen 与 tmux 都是可以实现远程离线训练模型的工具, 可以使训练命令在服务器后台运行,当前ssh断掉连接也不会影响训练指令. 但是最近发现若是在screen中使用虚拟环境,tensorflow占用了GPU但是未使用GPU计算, 并且若是使用theano可能会报如下错误: You forced the use of gpu device gpu,but CUDA initialization failed with error: cuda unavailable 原因: 会话环境可能改变了环境变量 LD_LIBRARY_PATH 解决方案: 先在screen会话外的命令行中确认能运行的环境的LD_LIBRARY_PATH是多少 即: echo $LD_LIBRARY_PATH 然后进入screen会话中定义该环境变量,PATH为上面echo输出的正常变量地址 即: export LD_LIBRARY_PATH="PATH" 并且虚拟环境名称与会话名称最好不同 来源： oschina 链接： https://my.oschina.net/u/3726752/blog/4287303