GPU架构的三层“exploit”

最新推荐文章于 2024-11-27 01:00:00 发布
原创 最新推荐文章于 2024-11-27 01:00:00 发布 · 293 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

GPU架构的三层“exploit”

GPU架构相比CPU架构快的原因

多人工作，去掉管理者

不像CPU那样需要做自动的优化（流水线，层次缓存，分支预测等等），把这部分的资源消耗拿出来，多来一下实际工作的单元（多核心）

SIMT

单指令多线程，把一个工作单元内放置多个线程，这些线程共享相同的指令，相当于给一个单元“三头六臂”

延迟隐藏

当某个操作在等待数据的时候，去做其它的指令（到要求指令之间存在独立性）

如何使用Python构建强化学习环境？
AI天才研究院
08-15 2315
强化学习（Reinforcement Learning，简称RL）作为人工智能和机器学习的重要分支，近年来在各个领域都取得了显著的成果。从围棋到机器人控制，从自动驾驶到推荐系统，强化学习的应用范围正在不断扩大。然而，要想成功应用强化学习算法，首先需要构建一个合适的环境，这个环境能够准确模拟实际问题，并为智能体提供学习和决策的平台。自定义环境通常需要实现与OpenAI Gym兼容的接口，以便与现有的强化学习算法和框架集成。状态空间和动作空间的定义奖励函数的设计环境动态的实现特定问题的约束和规则。
【论文阅读】Deep Learning Workload Scheduling in GPU Datacenters:Taxonomy, Challenges and Vision
weixin_46091520的博客
11-11 1196
论文阅读笔记Gao W, Hu Q, Ye Z, et al. Deep Learning Workload Scheduling in GPU Datacenters: Taxonomy, Challenges and Vision[J]. 讨论了数据中心负载作业的特征以及相关工作
NSA（美国国安局）泄漏Exploit分析
stonesharp的专栏
09-13 3361
2016年8月16日，黑客团伙“The Shadow Brokers”声称自己入侵了“Equation Group“（方程式组织），并将他们从该黑客组织的计算机系统中所获取到的部分黑客工具泄漏在了互联网上。 泰格实验室第一时间对此次泄露的文件进行了深入分析，多数漏洞的验证分析情况已有同行分享，现将我们对另外三个未见分析的漏洞的验证分析分享给大家，其中包括fortinet、juniper、
论文阅读：U-Net++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation
a486259的博客
07-16 3075
最先进的医学图像分割模型是U-Net和全卷积网络(FCN)的变体。尽管这些模型取得了成功，但它们有两个局限性（1）的最优深度是先验未知的，需要广泛的架构搜索或不同深度模型集成；（2）跳跃连接施加了不必要的限制性融合方案，只能在编码器和解码器子网络的相同尺度特征图上聚合。为了克服这两个限制，我们提出了一种新的语义和实例分割神经结构U-Net++，通过（1）与不同深度的u型网络的有效集成，部分共享编码器，同时使用深度监督协同学习；......
第三周学习周报
weixin_45786225的博客
11-11 312
Word Embedding是一种单词表示类型，允许具有相似含义的单词在向量空间中具有相似的表示，使算法能够捕捉单词之间的语义关系。是一种无监督的学习方式，它通过阅读大量的材料学习单词的意思并生成相关词向量。是一种深度神经网络训练中的优化方法。Batch Normalization通过在每个小批量数据上进行归一化，使得网络层输入的均值和方差保持稳定（均值为0，方差为1）（降低了模型对初始化权重的敏感度），从而减少了网络内部协变量偏移（covariate shift）问题的影响，加速了网络的训练。
Chrome v8 pwn
sky123博客
04-17 5120
它是⼀个多进程+IPC的程序, 不同的进程管理不同的内容,
UNet++: 重新设计跳跃连接以利用多尺度特征进行图像分割
最新发布
Together_CZ的博客
11-27 2923
UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation UNet++: 重新设计跳跃连接以利用多尺度特征进行图像分割
一文总览OpenAI o1相关的技术：从CoT、Quiet-STaR、Self-Correct、Self-play RL、MCTS等到类o1模型rStar-Math
热门推荐
结构之法 算法之道
10-12 5万+
可能是去年写或讲的关于ChatGPT原理的文章和课程，影响力太大了导致​​自从OpenAI o1出来后，每过两天，就有朋友问，“校长 o1啥时候出解读或课程”，实在是各个大模型项目上的事情太多，加之近期一直在抠机器人(比如本博客内连发了五篇机器人相关的文章，再不刻意强插一下比如o1，真的很难停下来)但，今天又有朋友来问，故，准备并行开写o1了一开始，我主要是看的这几个资料但随着本文越写越深，挖出来的相关资料也越来越多，我会竭尽所能，确保本文具备以下两大特征。
LLMs之Guanaco：《QLoRA：Efficient Finetuning of Quantized LLMs》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
06-30 4625
​ LLMs之Guanaco：《QLoRA：Efficient Finetuning of Quantized LLMs》翻译与解读 目录 《QLoRA：Efficient Finetuning of Quantized LLMs》翻译与解读 Abstract 1、Introduction引言 2、背景Background 3、QLORA微调QLORA Finetuning 4、QLoRA与标准微调的比较QLoRA vs. Standard Finetun
从用户态到内核态：Epson官方工具与第三方权限差异的4层架构剖析
!... # 摘要 本文系统研究了操作系统中用户态与内核态的切换机制及其权限控制模型，...同时，对比第三方工具在缺乏内核支持下依赖libusb和setuid提权所面临的安全风险与功能局限，提出了四层架构模型对权限路径的结构化分
Exploit_Android_MSM8974:利用Android MSM8974芯片组
05-15
这款芯片组基于ARM架构，集成了多种功能单元，包括CPU、GPU、调制解调器、图像处理器等，为设备提供强大的处理能力。 1. **CPU核心**：MSM8974采用Krait 400 CPU架构，由四个Cortex-A15核心组成，最高主频可达2.3...
CUDA编译（一）---使用nvcc编译cuda
fb_help的专栏
02-07 4万+
CUDA编译（一）—使用nvcc编译cuda nvcc介绍 示例 nvcc介绍 nvcc是编译cuda程序的编译器，CDUA C是在C语言上的扩展，所以它依赖C编译器（C编译器在window下是cl.exe，在Linux下是gcc）。因此我们编译CUDA程序必须依靠编译器nvcc。 其实，nvcc编译cuda程序和g++编译c++程序是差不多的。在我的其它博客中也写了有关g++编译...
CUDA编译（二）---用CMake混合编译C++与cuda
fb_help的专栏
02-16 2万+
CUDA编译（二）—用CMake混合编译C++与cuda 引言 示例 引言 许多c/c++的项目会使用cuda加速其算法，c/c++有其编译器：gcc/g++，cuda有其编译器nvcc。为了实现我们的目的，我们一般采用gcc/g++编译c/c++部分代码，nvcc编译cuda代码部分，即分离式编译。如此博文nvcc gcc g++混合编译器编程。 分离式编译的基本思路： 将c...
CUDA：NVCC编译过程和兼容性详解
fb_help的专栏
05-26 1万+
CUDA：NVCC编译过程和兼容性详解 https://codeyarns.com/2014/03/03/how-to-specify-architecture-to-compile-cuda-code/ https://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html#supported-phases CUDA：NVCC...
CUDA: Occupancy(占用率)详解
fb_help的专栏
05-19 1万+
CUDA: Occupancy(占用率)详解 占用率是指每个多处理器（Streaming Multiprocessor，SM）的活动线程束（warps）数量与实际的活动warps数量的比率。 高的占用率不一定能提升性能，但低的占用率会降低内存延迟隐藏的作用， Higher occupancy does not always equate to higher performance-there...
CUDA数组（CUDA Array）
fb_help的专栏
03-27 1万+
CUDA数组（CUDA Array） 参考: https://blog.youkuaiyun.com/hhko12322/article/details/12004329 http://blog.sciencenet.cn/blog-398465-342089.html CUDA数组（CUDA Array） 引言 申请CUDA Array 复制CUDA Array 绑定CUDA Array 取值 ...
nvcc编译器参数
fb_help的专栏
02-08 1万+
nvcc编译器参数 参考： http://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html https://www.cnblogs.com/shrimp-can/p/5567518.htm nvcc编译器参数 示例 nvcc编译器参数 nvcc是cuda程序的编译器，了解它的一些关键参数有利于我们更加从容，更加准...
NSight使用--查看CPU和CUDA时间线
fb_help的专栏
08-25 9620
NSight使用–查看CPU和CUDA时间线 NSight查看CPU时间线需要管理员权限，这时要退出NSight，使用管理员权限打开NSight，然后在VS中启动NSight。如图 勾选Trace Setting中的System和CUDA点击lanuch： TimeLine： ...
CUDA：寄存器详解
fb_help的专栏
05-21 9123
CUDA：寄存器详解 前言1 与CPU不同，GPU的每个SM（流多处理器）有上千个寄存器。CPU与GPU架构的一个主要区别就是CPU与GPU映射寄存器的方式。CPU通过使用寄存器重命名和栈来执行多线程。为了运行一个新任务，CPU需要进行上下文切换，将当前所有寄存器的状态保存到栈上，然后从栈中恢复当前需要执行的新线程上次的执行状态。这些操作需要花费上百个CPU时钟周期。如果在CPU上开启过多...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值