墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
247平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Triton 是一种用于并行编程的语言和编译器。它旨在提供一个基于 Python 的编程环境，以高效编写自定义 DNN 计算内核，并能够在现代 GPU 硬件上以最大吞吐量运行。
更多 Triton 中文文档可访问 →triton.hyper.ai/
triton.language.advance(base, offsets)
推进 1 个块指针。
参数**：**
这个函数也可作为 tensor 的成员函数调用，使用 x.advance(...) 的方式而不是 advance(x, ...)。
树莓派+STM32+激光雷达：大学生工训赛智能物流小车全栈开发实录（附避坑指南）
本文详细记录了基于树莓派、STM32和激光雷达的智能物流小车全栈开发过程。文章从系统架构设计、硬件集成、软件框架搭建到机械臂控制与视觉辅助定位，系统阐述了如何构建一个完整的机器人系统，并分享了在电源管理、通信延迟、里程计误差等关键环节的实战避坑指南，为嵌入式与机器人开发提供了宝贵经验。
Triton 语言标准库 API 全指南：triton.language 模块分类详解与源码解析
本篇技术指南以开源仓库 [docs/python-api/triton.language.rst](https://link.gitcode.com/i/16d1a984639412079efed2633c9a3e6e) 的 API 清单为骨架，系统梳理 Triton 内核编程语言 `triton.language`（惯用别名 `tl`）的完整公开接口。文档按语义将接口划分为编程模型、创建、形状操
避坑指南：Abaqus网格划分中90%用户会遇到的5个质量陷阱（附解决方案）
本文深入剖析Abaqus网格划分中90%用户会遇到的5个典型质量陷阱，包括单元扭曲、扫掠网格失败、尺寸梯度控制等，并提供工程级解决方案。通过Python脚本和虚拟拓扑等技巧，帮助用户提升网格质量，确保有限元分析结果的可靠性，适用于CAE工程师和仿真分析师。
CANNBot Triton内存操作API
本文档详细描述 Triton-Ascend 中的内存操作 API，包括 `tl.load`、`tl.store`、`tl.make_block_ptr` 和 `tl.advance`。这些操作是 Triton kernel 与 Global Memory 交互的核心接口，负责从 NPU 全局内存读取数据到 Unified Buffer（UB）以及将计算结果从 UB 写回全局内存。在 Ascend
昇腾Ascend310b部署deepseek-r1-7b的学习记录
9.鲲鹏服务器+昇腾卡（Atlas 300I pro）搭建DeepSeek-R1-Distill-Qwen-7B（自己存档详细版）5.如何使用昇腾Ascend 300I Pro 310P芯片 单卡运行DeepSeek-R1-Distilled-Qwen-7B。6.鲲鹏服务器+昇腾卡（Atlas 300I pro）搭建DeepSeek-R1-Distill-Qwen-7B。7.鲲鹏+昇腾部署DeepSeek-R1-Distill-Qwen-32B+Open-webui。
Linux SMP系统多核启动机制详解
对称多处理(SMP)是现代操作系统支持多核并行计算的基础架构。其核心原理是通过引导处理器(BSP)初始化系统环境后，通过处理器间中断(IPI)机制唤醒应用处理器(AP)。在x86架构中，AP启动时处于实模式，需要特殊的trampoline代码完成保护模式切换和分页设置。这种设计既保证了系统初始化的正确性，又实现了多核并行处理的性能优势。理解SMP启动流程对优化系统启动速度和调试多核问题至关重要，特别是在云计算和嵌入式系统中，高效的SMP初始化能显著提升系统响应能力。本文以Linux内核为例，深入解析了从BS
GPU Triton到Ascend NPU迁移概览
当 Agent 收到将 GPU Triton 算子迁移到 NPU 的任务时，按本文档执行迁移。典型场景： - 用户提供了在 `device='cuda'` 上运行的 Triton kernel，要求适配到 Ascend NPU - 用户要求将已有 GPU Triton 算子移植到 910_95 平台 - 用户遇到 GPU→NPU 迁移后的编译/运行错误，需要排查 --- ## 核心知识：GP
【异常】Cursor 编辑器 “Too many computers“ 报错排查与完整解决方案
该报错通常在启动Cursor、调用AI对话/代码补全核心功能时触发，会直接阻断编辑器AI能力的正常使用。
[Triton笔记7]融合注意力 (Fused Attention)
功能：移动块指针的位置。关键点：必须接收返回值，否则移动无效。优势：配合块指针使用，能够自动处理复杂的边界逻辑和步长计算，让代码更简洁且易于优化。如果你在 H100 (SM90) 或更新的显卡上开发：强烈建议优先使用。它能解锁 TMA 的异步搬运能力，显著降低计算单元的访存压力。如果你需要多维（3D-5D）支持：该函数提供了比以往更规范的 N-Dim 支持。注意点：使用此函数通常需要配合自定义的内存分配器（如示例中的alloc_fn），以确保分配出的地址满足硬件对齐要求。# 形状约束。
「深度学习之优化算法」笔记（二）优化算法的分类
但是由于生物的局限性，人们所创造出的算法也会有局限性：我们所熟知的生物都生存在三维空间，在这些环境中，影响生物生存的条件比较有限，反应到算法中就是这些算法在解决较低维度的问题时效果很好，当遇到超高维（维度>500）问题时，结果可能不容乐观，没做过实验，我也不敢乱说。当然，他们的目的不是在最佳狩猎位置集合，他们的目的是在过去的途中看是否能发现更加好的狩猎位置，去往已经到过的狩猎地点再次狩猎是没有意义的，因为每个位置获取食物的难易程度是固定的。如果他们的策略是“不跟随最优解”，那么他们的策略是什么呢？
形状记忆合金热机械本构模型的ABAQUS子程序实现与Fortran\_ABAQUS编程实践
本文详细介绍了如何使用ABAQUS子程序实现形状记忆合金的热机械本构模型，并通过Fortran_ABAQUS进行编程实践。我们首先介绍了问题的背景和目标，然后讲解了如何在Fortran_ABAQUS子程序中实现热变形模型、应力应变关系和相变模型，最后进行了ABAQUS模拟，并分析了模拟结果。希望通过本文的讲解，能让大家更深入理解ABAQUS子程序以及Fortran的使用，也希望能对大家在进行相关学习或研究工作时提供一些帮助。
Triton GPU编程：用Python编写高性能AI算子的原理与实践
GPU加速计算的核心在于高效利用硬件并行性与内存带宽，其底层依赖对SM调度、shared memory bank、warp divergence等架构特性的精细控制。传统CUDA开发需深入硬件手册，抽象层级低、跨平台难、调试成本高；而Triton通过将Python函数作为IR、编译器动态生成SASS指令，实现了‘高层语义+硬件感知’的统一。它自动处理memory coalescing、bank conflict规避、Tensor Core映射等关键优化，显著降低custom op开发门槛。在A100/H10
基于Simulink的转向控制系统仿真建模示例
本文完成了基于 Simulink 的 EPS 转向控制系统仿真，实现了：✅掌握 EPS 助力控制基本原理✅构建车速敏感的可变助力策略✅在 Simulink 中验证低速轻便、高速沉稳的手感✅达成“安全、舒适、高效”的现代转向系统。
CANN Block Pointer迁移文档
当 Agent 迁移使用 `tl.make_block_ptr` 的 GPU kernel 时，需要按照本文档进行适配。典型场景包括： - GPU kernel 中调用了 `tl.make_block_ptr` 创建 block pointer - 使用了 `tl.load(block_ptr, boundary_check=..., padding_option=...)` 加载数据 - 使用了
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
CANN/cannbot-skills：Block Pointer迁移注意事项
`tl.make_block_ptr` 是 Triton 中用于描述结构化内存访问的高级抽象，在 GPU 和 NPU 上的行为存在显著差异。NPU 对 Block Pointer 的 stride、order 参数有严格限制，转置语义只能通过 order 参数表达，且与复杂循环/分支语句搭配时可能出现编译问题。本文详细说明 Block Pointer 在 NPU 上的行为差异、限制和替代方案。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
Triton 工业级融合微算子编写：W4A16 极速矩阵乘法与 Blackwell NVFP4 硬件指令实装
本文提出面向消费级RTX 5070 Laptop（Blackwell架构）的W4A16 Blocked GEMM融合算子全栈方案，通过Triton JIT实现原生NVFP4指令实装与共享内存即解即算，彻底规避传统反量化导致的显存带宽雪崩。基于分组量化数学模型与内存拼贴代数推导，构建零溢出、零全局写入的片上融合流水线，在8GB显存下实现高吞吐自回归生成。代码开源于Apache-2.0协议，严格隔离商业资产，具备可证伪性与工业级可复现性。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
CANN/cannbot-skills Flash Attention迁移实例文档
Agent 迁移 Flash Attention 类算子时（包含 `tl.dot` + softmax + mask 的注意力计算模式，含前向和反向传播）。 --- ## 核心知识：迁移 Diff 分析 本文档基于以下两个文件的逐行对比： - **GPU 版本**：`flash_attention.py` - **NPU 版本**：`flash_attention_npu_v8.py`
常见编译/运行错误速查
当你在以下场景中遇到问题时，查阅本文档： - kernel 编译报 `MLIRCompilationError` - 编译报 `ub overflow` 或 `local memory limit exceeded` - 编译报 `coreDim > UINT16_MAX` - 运行时报 `illegal memory access` 或 `misaligned address` - 运行时报
CANN/cannbot-skills Flash Attention模式
Flash Attention 是近年来最重要的注意力机制优化算法，通过分块计算和在线 Softmax 更新，将注意力计算的内存复杂度从 O(N^2) 降低到 O(N)。Triton 实现的 Flash Attention 充分利用了 `tl.dot` 和 `tl.make_block_ptr` 等特性，在 NPU 上可以通过 CV 融合、存算并行等优化进一步提升性能。 | 关键概念 | 说明
USB Rubber Ducky整蛊Payload分级指南：从轻度骚扰到重度整蛊的完整上手
本文基于 usbrubberducky-payloads 仓库，把 USB Rubber Ducky整蛊Payload 按打扰强度分成三档，逐个拆解玩法、原理与仓库路径，覆盖 Windows、macOS 与 Linux 平台，帮你按场合挑选合适的 DuckyScript prank 案例。 > 📌 这些案例集中在 [payloads/library/prank/](https://link.g
WeChatMsg 快速导出：10 分钟把微信聊天记录存成 3 种格式
WeChatMsg 是一个在本地把微信 PC 端聊天记录导出为 HTML、Word、CSV 等文件的开源工具。读完你会拿到完整导出流程：1 条命令出第一份文件，3 种格式的取舍，以及 3 步排错方法。 ## 开工前先对齐环境和版本 环境只有 1 个硬要求：Python 3.8 及以上。先用 `git clone https://gitcode.com/GitHub_Trending/we/We
视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界
在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。
6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单
电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。
我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型
公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。
您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭
第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。
【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端
上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
748
扫一扫
