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。
代谢组学数据分析实战：用R语言从PCA、PLS-DA到OPLS-DA一步步搞定（附代码）
本文详细介绍了使用R语言进行代谢组学数据分析的全流程，从数据预处理到PCA、PLS-DA和OPLS-DA模型构建与验证。通过实际案例和代码示例，帮助研究者掌握关键分析技术，提升数据解读能力，特别适合生命科学领域的研究人员。
别再傻傻分不清！直流有刷、无刷、步进电机，3分钟教你根据项目需求选对电机
本文深入解析直流有刷电机、无刷电机和步进电机的核心差异与应用场景，提供电机选型的黄金法则。通过性能参数对比、成本分析及典型应用案例，帮助工程师根据项目需求精准选择电机类型，避免常见选型误区。特别适合机器人、3D打印等领域的开发者参考。
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
JSAPI微信支付(小程序)V3版本JAVA代码实战源码
1.1、商户通过JSAPI/小程序下单接口获取到发起支付的必要参数prepay_id后，再通过微信小程序调起微信支付收银台JSAPI/小程序下单_JSAPI支付|微信支付商户文档中心1.3、微信H5发起类似，结合文档，细微调整，前端返回类似，参考文档修改为微信内置浏览器调起支付即可。
[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.
Excel炒股党必备：手把手教你用Power Query免费获取并刷新股票历史数据
本文详细介绍了如何利用Excel中的Power Query工具免费获取并自动刷新股票历史数据，特别适合Excel炒股党。从环境配置、数据源选择到实战操作，手把手教你建立智能数据管道，实现高效投资分析。通过参数化股票代码和定时刷新功能，大幅提升数据更新效率。
【信道编码/Channel Coding】线性分组码
这是本专栏信道编码/Channel Coding的第二站，想对信道编码有一个系统性的认识可以看本专栏的信道编码的整体框架一文。而在本篇文章中，将介绍线性分组码的基本原理。
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
基于Matlab的轨迹分析行为识别
本文将介绍基于Matlab的轨迹分析行为识别方法，并提供相应的源代码。在轨迹特征提取完成后，我们需要通过对于某一时间窗口内的轨迹特征进行聚合和分析，得到相应的行为特征。轨迹分析作为一种简单有效的行为识别方法，在实际应用中得到了广泛的应用。本文介绍了一种基于Matlab的轨迹分析行为识别方法，并提供相应的源代码作为参考。轨迹分析是指对于一定时间内某个对象在空间中运动的路径进行跟踪和分析的方法。在行为识别中，我们可以通过对于轨迹进行特征提取和分析，进而得到该对象的运动模式和行为特征。二、轨迹分析行为识别流程。
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
webrtc进阶-- FlexFEC 实现原理与调试分析（m80 代码对齐版）
WebRTC 中 FlexFEC 技术解析与调试指南 摘要：本文深入分析 WebRTC 的 FlexFEC（灵活前向纠错）技术实现原理，重点探讨其在 m80 版本中的协商机制、接收侧恢复流程以及 SFU 场景下的特殊处理。文章指出 FlexFEC 通过动态冗余策略提升弱网抗丢包能力，详细解析了编解码器分配、SSRC 映射、包恢复等关键环节，并提供了针对 XR+SFU 场景的调试建议。调试时可重点关注 FEC 包接收与媒体包恢复日志，以验证链路有效性。
uniapp [全端兼容] - 实现人脸识别对比+人脸相似度，从相册选择或拍照上传两张图片进行人脸对比得到人脸相似度及判断是否是同一个人，人脸活体检测及对比（免费纯前端方案+调用第三方API接口方案）
uniApp人脸对比 人脸对比识别 人脸对比相似度，uniapp实现获取手机摄像头权限，调用相机拍照实现人脸识别相似度对比，uniapp实现人脸识别对比，计算两张人脸的相似度，从而判断是否同一个人，并给出相似度评分。uniapp H5网页如何实现人脸相似度比对，uniapp纯前端怎么对比两张图片的相似度，计算两幅图像的相似度，图像相似度对比方法，UNI-APP人脸相似度对比，快速识别两张照片的相似程度（用百分比）图片相似度对比在线测试,图片相似度对比，uniapp微信小程序人脸相似度对比分析，uniapp
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。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
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。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
CUDA: GPU内存架构示意
CUDA GPU 内存架构示意图
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。
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
