cuda

####配置：Ubuntu16.04+MatlabR2016b+cuda8.0+cudnn5.1+caffe 配置caffe真的不是很容易，特别是对初次接触Linux的同学，各种报错(ノ_；＼( ｀ロ´)，搞了好几天才解决 caffe安装可能出现的问题 ####可能会出现的问题 问题1."libcudart.so.8.0 cannot open shared object file: No such file or directory" 解决方法： 解决办法是将一些文件复制到/usr/local/lib文件夹下： 注意自己CUDA的版本号！ sudo cp /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/lib/libcudart.so.8.0 && sudo ldconfig sudo cp /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/lib/libcublas.so.8.0 && sudo ldconfig sudo cp /usr/local/cuda-8.0/lib64/libcurand.so.8.0 /usr/local/lib/libcurand.so.8.0 && sudo ldconfig 问题2."libcudnn.so.5 cannot

Pytorch已经可以自动回收我们不用的显存，类似于python的引用机制，当某一内存内的数据不再有任何变量引用时，这部分的内存便会被释放。但有一点需要注意，当我们有一部分显存不再使用的时候，这部分释放的显存通过Nvidia-smi命令是看不到的，举个例子： device = torch.device('cuda:0') # 定义两个tensor dummy_tensor_4 = torch.randn(120, 3, 512, 512).float().to(device) # 120*3*512*512*4/1000/1000 = 377.48M dummy_tensor_5 = torch.randn(80, 3, 512, 512).float().to(device) # 80*3*512*512*4/1000/1000 = 251.64M # 然后释放 dummy_tensor_4 = dummy_tensor_4.cpu() dummy_tensor_2 = dummy_tensor_2.cpu() # 这里虽然将上面的显存释放了，但是我们通过Nvidia-smi命令看到显存依然在占用 torch.cuda.empty_cache() # 只有执行完上面这句，显存才会在Nvidia-smi中释放 Pytorch的开发者也对此进行说明了，这部分释放后的显存可以用

由于现在神经网络这个东西比较火，准确的说是深度学习这个东西比较火，我们实验室准备靠这个东西发几个CCF A类的文章，虽然我不太懂这东西，兴趣也一般都是毕竟要跟随主流的，于是今天安装起了 Tensorflow 这个深度学习的框架。 安装好以后运行一个Demo ,如下： import tensorflow as tf a =tf.constant(2 ) b =tf.constant(20 ) with tf.Session() as sess: print (sess.run(a*b)) 运行结果如下： 2018-05-03 19:57:44.151803: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA 2018-05-03 19:57:44.251905: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:892] successful NUMA node read from SysFS had negative value (-1), but

pytorch官网： http://pytorch.org/ 上只有PyTroch的ubuntu和Mac版本，赤裸裸地歧视了一把Windows低端用户。 1. Caffe源码： Caffe源码理解之存 储 Caffe2存储 Caffe2中的存储结构层次从上到下依次是Workspace, Blob, Tensor。Workspace存储了运行时所有的Blob和实例化的Net。Blob可以视为对任意类型的一个封装的类，比如封装Tensor, float, string等等。Tensor就是一个多维数组，这个Tensor就类似于Caffe1中的Blob。Caffe2中真正涉及到分配存储空间的调用则在Context中，分为CPUContext和CUDAContext。下面按照从下到上的顺序分析一下Caffe2的存储分配过程。 Context Tensor Blob Workspace 总结 总结 下面是Operator中从创建Blob到实际分配空间的流程，这个图是怎么画出来的呢 : 2.Caffe2 Detectron的使用 初步 关于InferImage： 在 NVIDIA Tesla P100 GPU 上，单张图片的推断时间大概是 130-140ms.当然这与输入图像的参数设置size有关。 2. Detectron 训练 简单介绍在 COCO Dataset 上训练模型. 采用

先贴上链接：https://github.com/facebookresearch/Detectron 。。。Install Caffe2 就问题一大堆了。。。。 首先是下载完caffe2工程后，第一步的make ,就出现“Protocol "https" not supported or disabled in libcurl” 试了很多方法，都不管用，哎。 应该是curl的问题，不管了，反正系统已经重装了，现在一切正常，比以前还顺溜～ 装个这玩意让我火大。直接重装系统！！！！！ 全新的系统：Ubuntu14.04！！！ 显卡：GTX 1080 本以为重装系统的话，cuda这玩意又要倒腾很久，已经做好了长期奋战的准备，结果 - - 时代在进步啊，要是当年有这么好装的话，我也不用装大半个月了。 废话不多说，总结下今天安装 caffe2 的过程。 一、 首先下载依赖项： sudo apt- get update sudo apt-get install -y --no- install - recommends \ build - essential \ cmake \ git \ libgoogle -glog- dev \ libgtest - dev \ libiomp - dev \ libleveldb - dev \ liblmdb - dev \ libopencv -

要阅读 带有插图的文章版本 请前往 http://studyai.com/pytorch-1.4/beginner/fgsm_tutorial.html 如果你正在阅读这篇文章，希望你能体会到一些机器学习模型是多么的有效。研究不断推动ML模型变得更快、更准确和更高效。 然而，设计和训练模型的一个经常被忽视的方面是安全性和健壮性，特别是在面对希望欺骗模型的对手时。 本教程将提高您对ML模型的安全漏洞的认识，并将深入了解对抗性机器学习的热门话题。 您可能会惊讶地发现，在图像中添加不可察觉的扰动会导致截然不同的模型性能。 鉴于这是一个教程，我们将通过一个图像分类器的例子来探讨这个主题。 具体来说，我们将使用第一种也是最流行的攻击方法-快速梯度符号攻击(Fast Gradient Sign Attack ,FGSM)来欺骗MNIST分类器。 威胁模型(Threat Model) 有很多种类的对抗性攻击，每种攻击都有不同的目标和攻击者的知识假设。但是，总体目标 是在输入数据中增加最少的扰动量，以导致期望的错误分类。攻击者的知识有几种假设，其中两种假设是： 白盒子(white-box) 和 黑盒子(black-box)。 白盒子 攻击假定攻击者拥有对模型的全部知识和访问权限，包括体系结构、输入、输出和权重。 黑盒子 攻击假设攻击者只能访问模型的输入和输出，而对底层架构或权重一无所知。

XMR挖矿教程 XMR介绍 门罗币（Monero，代号XMR）是一个创建于2014年4月开源加密货币，它着重于隐私、分权和可扩展性。与自比特币衍生的许多加密货币不同，Monero基于 CryptoNote 协议，并在区块链模糊化方面有显著的算法差异。Monero的模块化代码结构得到了比特币核心维护者之一的Wladimir J. van der Laan的赞赏。Monero在2016年经历了市值（从5百万美元至1.85亿美元)和交易量的快速增长，这部分是因为它在2016年夏季末期得到了主要的暗网市场AlphaBay的采用。截至2017年，Monero是交易量排行第六的加密货币，市值 超过3亿美元。 官网链接请点 此处 。 本地钱包 支持Windows 64 和 32 、Mac OS x 64 、Linux 64 、Freebsd 64 、ARM等。 源代码请访问GitHub仓库 。 开始挖矿 CUDA ccminer ( tsiv ) 源代码地址见 GitHub 。 ccminer -q -o stratum+tcp://xmr-usa.dwarfpool.com:8050 -u YOUR_WALLET -p x ATI miner by Claymore 5% dev-fee 挖矿软件仅支持 Windows 64Bit下载 NsGpuCNMiner.exe -o stratum