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
500+累计阅读
523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
显卡结构
风扇在下面，采用热管方式，用气体液体的转化来带走热量。包裹热管的是铜制散热板，外围是铝制格扇，更快排除热量。
视频接口个pcie都是直接连接GPU。
所有的供电模块公用一个PWM芯片。
显存的型号就称之为显存颗粒。
GPU结构
电源/pcie/视频输出。
注意，不是每一个cuda核心可以支持整数计算。
掌握GPU编程：从基础到前沿技术
htmltable {th, td {th {pre {简介：《GPU Gems 1-3》系列书籍全面覆盖GPU编程的先进技术和实践，适合程序员阅读。内容包括GPU架构、高级渲染技术、几何处理、纹理技术、物理模拟、并行计算、性能优化、案例分析以及最新GPU特性介绍。本书对不同平台的兼容性也有探讨，是图形学和GPU编程者的宝贵资源。
CUDA学习笔记（五）GPU架构
一个主要的不同就是，SIMD要求所有的vector element在一个统一的同步组里同步的执行，而SIMT允许线程们在一个warp中独立的执行。在并发的warp之间切换是没什么消耗的，因为硬件资源早就被分配到所有thread和block，所以该新调度的warp的状态已经存储在SM中了。GPU中每个SM都设计成支持数以百计的线程并行执行，并且每个GPU都包含了很多的SM，所以GPU支持成百上千的线程并行执行，当一个kernel启动后，thread会被分配到这些SM中执行。
GPU Gems 1：高性能图形与并行计算实战指南
htmltable {th, td {th {pre {简介：《GPU Gems 1》是NVIDIA发布的一本权威技术著作，系统讲解GPU在图形渲染与高性能计算中的创新应用。本书涵盖GPU编程基础、实时渲染、物理模拟、光照纹理、几何处理及并行算法设计等核心内容，深入剖析如何利用CUDA、OpenGL和DirectX等技术充分发挥GPU的并行计算能力。通过真实案例与优化策略，帮助开发者提升图形质量与程序性能，广泛适用于游戏开发、影视特效与科学计算等领域。
NVIDIA通用计算首代架构 Tesla 与 CUDA 1.0 剖析
CUDA 开发工具链、优化库（如 cuBLAS、cuDNN）和开发者社区支持，的推出吸引了大量开发者，开始建立起围绕 GPU 计算的开发生态。那么要进行 GPU 编程的第一步，就是需要有能力操作 GPU 中的 GDDRx 显存（新的英伟达的 GPU 已经不再使用 GDDRx，而是开始使用 HBM 颗粒，这个我们将来再将）。再结合第二节我们学到的 Tesla 的内部结构，我们可以看到，CUDA 通过线程、线程块、网络分别对应了 GPU 硬件中的流处理器 SP、流多处理器 SM以及整个 GPU。
【生产实践】SSH服务弱加密算法修复指南（附完整操作流程）
SSH服务弱加密算法漏洞修复方案 检测发现SSH服务存在支持弱加密算法漏洞，主要风险包括： 使用arcfour、aes128-cbc等易被破解的算法 面临密钥恢复、重放攻击等安全威胁 提供两种修复方案： 推荐方案：升级OpenSSH至最新版本 替代方案：修改SSH配置禁用弱算法（需注意可能影响旧客户端连接） 修复步骤： 编辑/etc/ssh/sshd_config 注释或删除弱算法配置 添加强加密算法（如aes128-ctr等） 重启SSH服务 注意事项： 建议先在测试环境验证 可能需配合客户端升级 操作前
Windows安装ros2(Jazzy版本+win10/win11)-4.构建ros2结点
这个位置也是ros2搜索package以及搜索node的路径, 如果把构建好的可执行文件乱动位置的话就找不到节点了,当然如果复制一个可执行文件以及可执行文件-script.py文件, ros2也就会认为你有一个新的节点了,运行这个拷贝的可执行文件程序都是ok的。由于上一个文章给powershell7也增加了启动执行ros2的环境初始化文件local_setup.ps1, 所以我们也可以直接在vscode中运行节点, 此种方式没有经由ros2托管, 缺少其他ros2的附加能力。
TileGym环境配置与GPU内核编程实践指南
GPU编程作为并行计算的核心技术，通过将计算任务分解为多个线程并行执行，大幅提升了大规模数据处理和深度学习模型的训练推理效率。其原理基于SIMT架构，允许数千个线程同时处理数据，特别适合矩阵运算等规则计算。在技术价值层面，GPU编程能够充分发挥硬件算力，显著降低大模型推理延迟，提升吞吐量。应用场景广泛覆盖AI推理加速、科学计算和高性能计算等领域。TileGym作为NVIDIA推出的实验平台，封装了cuTile、Triton和CUDA Tile IR等底层技术，提供了从单算子测试到端到端模型集成的完整实践路径
科研绘图实战：用Adobe Illustrator高效排版期刊论文图片
本文详细介绍了使用Adobe Illustrator高效排版科研论文图片的完整工作流。针对期刊投稿常见的图片格式问题，文章重点讲解了矢量图与位图的预处理、AI中的精准对齐与分布技巧、文字样式统一管理以及最终输出TIFF/PDF等符合出版要求的格式。掌握这套方法能确保图片满足高分辨率、规范字体和精确尺寸等期刊硬性标准，显著提升投稿效率。
[CS344-1](GPU编程模型)
文章目录举例，怎么能更快的从美国挖洞到中国How To Make Computers Run Faster从技术趋势讲起：为啥并行在整个世界如此风靡？当我们制造高性能的处理器，除了能耗最佳，我们还需要优化什么考虑GPU设计师是怎做决定的CUDA 的整体结构CUDA 的数据流GPU擅长什么举例子：计算从1—63的平方代码Configuring the Kernel Launch Parameters（设置启动内核时候的参数）Map的概念引入第一个CUDA项目 举例，怎么能更快的从美国挖洞到中国 用一个.
一篇NS SAR ADC的学习记录
一篇NS SAR ADC的学习记录 内容包含： OverSampling Noise Shaping Dynamic Amplifier DAC with Redundancy 最近看了些有意思的SAR ADC结构，但是因为确实对模拟这个领域不太熟，导致了一系列的级联查找，最终达到了一个大概能懂的状态，为了理清思路，顺便别让看了这么些天的东西浪费了，还是计划写篇文章。 ps：由于不是一篇特别正紧的报告，参考文献就写的比较随便，且我还是个做数字的 A 13.5-ENOB, 107-μW Noise-Sha
YOLOv8实战：如何用Focaler-IoU提升小目标检测精度（附代码）
本文详细介绍了如何通过Focaler-IoU提升YOLOv8在小目标检测中的精度，包括核心机制解析、代码实现及调优策略。Focaler-IoU通过动态聚焦机制有效解决传统IoU对小目标检测的不足，显著提升模型性能。附有完整的代码示例和实战指南，适合计算机视觉开发者参考。
探索Apple G13 GPU架构：完整开源项目指南 [特殊字符]
AppleGPU开源项目是一个致力于**逆向工程Apple G13 GPU架构**的社区驱动计划，为开发者提供了深入了解M1芯片GPU内部运作的宝贵资源。这个项目通过系统化的研究和工具开发，逐步揭开了苹果GPU架构的神秘面纱。🎯 ## 📖 项目概述与核心价值 **AppleGPU开源项目**正在深入研究Apple G13 GPU架构（如M1 SoC中所使用），并在此过程中开发了文档、反汇编
rk3568 修改开机动画
bootanimation.zip是一个Android设备启动时播放的动画文件，它包含了一系列的图片和描述文件，用于描述动画的播放顺序和持续时间。
专注于算法吧！NVIDIA CUDA Tile 让 GPU 编程更简单、更未来-proof
NVIDIA在CUDA 13.1中推出革命性的CUDATile编程模型，这是自2006年以来最大的CUDA更新。该模型采用Tile-based架构，开发者只需描述数据块上的运算，编译器自动处理线程分配、内存优化等底层细节，使代码更简洁且具有前向兼容性。目前仅支持Blackwell架构GPU（如B200），未来将扩展至更多架构。这一创新标志着GPU编程从"线程为中心"向"数据块为中心"的范式转变，特别适合AI和高性能计算场景。开发者可通过Python接口(cuda-ti
C语言实现惯导更新算法（机械编排）
四元数可用于描述刚体转动或姿态变换，与方向余弦阵相比，表达简洁。四元数是一个包含四个元素的列向量，列向量的第一个元素表示刚体围绕旋转轴转过的角度大小，其余3个元素代表了旋转轴的方向。
智能车图像处理22-进阶篇14--小s的判断
这篇文章中主要讲述智能车图像处理中 : 小s的判断方法。
C++跨平台GPU编程实战（Vulkan+Metal双引擎架构大揭秘）
掌握C++实现跨平台图形渲染（Vulkan 1.3+Metal）核心技术，构建高性能双引擎架构。适用于游戏、仿真与工业可视化场景，统一API抽象层提升开发效率。详解资源管理、命令队列同步与平台适配策略，跨平台渲染性能优化方案值得收藏。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
2026年AI编程入门必看：IQuest-Coder-V1开源模型+弹性GPU实战
本文介绍了基于星图GPU平台自动化部署IQuest-Coder-V1-40B-Instruct镜像的完整方案，结合弹性GPU资源实现高效推理。该镜像适用于AI编程代理、智能代码补全与模型微调等场景，支持长上下文理解与本地化部署，助力开发者构建智能化软件工程流程。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
CUDA: GPU内存架构示意
CUDA GPU 内存架构示意图
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
深入理解 NVIDIA CUDA Tile：GPU 编程大变革
自从 2006 年 CUDA 平台诞生以来，GPU 编程长期依赖 SIMT（Single Instruction, Multiple Threads）模型。在这个模型下，程序员必须手动管理线程、块、内存层级、同步机制等细节，从而获得高性能，但也带来了极高的复杂性。随着 AI、科学计算和大规模矩阵运算愈发重要，GPU 内部发展出越来越强大的硬件单元，如 Tensor Cores（张量核） 和 TMA（Tensor Memory Accelerators）。
GPU 可编程着色器演进原理与图形管线发展史
我们来看在统一着色器架构出现之前用的是分离着色器架构也就是独立顶点着色单元 + 独立像素着色单元，两套硬件物理隔离、各司其职，不能互相混用。分离架构硬件结构GPU 芯片内部硬件被硬性分成两组：顶点着色器单元 VS Unit只能执行顶点着色器任务：坐标变换、顶点光照、顶点动画等。不能跑像素着色代码。像素着色器单元 PS Unit只能执行像素（片元）着色器任务：纹理采样、像素颜色计算。不能跑顶点着色代码。
GPU Architecture and Memory
本文介绍了GPU与CPU的设计差异、GPU计算架构及内存层级。CPU注重顺序指令执行，而GPU专为大规模并行计算设计，具有大量算术逻辑单元（ALU）。GPU以SM（Streaming Multiprocessor）为基本单元，包含CUDA核心、共享内存等组件，支持高效并行计算。GPU内存层级包括寄存器、L1缓存、共享内存、L2缓存、HBM等，访问延迟和带宽差异显著。此外，文章还通过代码示例量化分析了不同内存层级的性能特性，并指出GPU架构演进方向是提升混合精度矩阵计算和显存带宽。
GPU 架构深度解析：从硬件原理到技术演进
GPU架构已从图形渲染专用芯片发展为支撑AI、HPC等领域的通用算力核心。其核心设计基于大规模并行计算单元、分层内存体系和高效率调度模块，实现高吞吐量计算。主流厂商中，英伟达凭借专用加速单元和CUDA生态领跑高性能计算，AMD通过通用化设计和开源生态提供高性价比方案，Intel则聚焦跨平台协同。未来GPU将向更高能效、AI与图形融合、异构互联等方向发展，持续推动数字计算边界扩展。理解GPU架构对开发者优化代码、用户选择硬件及行业把握趋势都具有重要意义。
深入讲解 CUDA 编程模型与 GPU 底层硬件架构（包括 SM 结构、Warp 调度、Shared Memory Bank Conflict 等）
Shared Memory 是位于 SM 内部的片上高速缓存（速度仅次于寄存器，远快于 Global Memory）。一个 Thread Block 内的所有线程都可以共同读写这块内存，常用于线程间通信与数据复用（如 GEMM/Conv 分块 Tiling）。
CSE 599W: system for ML 05：GPU架构
CPU与GPU的计算模块差别 以上为CPU架构与GPU架构的主要区别： 图一可见：CPU在ALU的计算一个步骤之外还有许多额外的开销。 图二展示了CPU，AVX(高级矢量扩展指令集)，以及GPU的计算模块。可以看出GPU在ALU的数量上具有相当大的优势，因此在计算密集度高的场景上有可以有相对高的计算能力。 以上为完整的GPU结构。 图三中的每一个绿色小块都是一个SM，而每个SM的详细结构如图四...
深度学习部署笔记(三): GPU架构解析 + CUDA编程基础
学习GPU架构以及通过一个小案例来了解CUDA编程的基础grid block
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
978
扫一扫
