Ubuntu + CUDA + CMake ( + Eigen !?)

目录

起因

C++原有实现有点慢,尝试CUDA加速,突发奇想,能不能在kernel或者device函数里面使用eigen,因为eigen是header file only的。然后发现居然真的可以,不过对于kernel函数而言,视乎有点绕。

实例

在原来CUDA的实例上又搞了一个用eigen的例子。指定图像中的某一个像素为中心,在这个像素附近的窗内对所有像素计算e的指数,再求平方,再窗内像素的结果求和。CUDA实现中没有使用二维的grid和block,这与我那时的需求有关系。

在Ubuntu16.04上利用CMake创建项目。大致思路是所有CUDA实现都编译到一个静态库内,非CUDA的部分对这个库进行连接。所有CUDA实现的代码管理在项目的子文件夹中。文件目录结构为

  • /Root
    • /Includes
      • /CUDARoutines
        • Add.hpp
        • CUDACommon.hpp
        • KernelEigen.hpp
      • Common.hpp
    • /Src
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
Ubuntu 18.04 上复现 3D Gaussian Splatting (3DGS) 项目,涉及多个关键步骤,包括系统依赖项配置、CUDA 支持、C++ 编译器升级以及相关开发工具的安装。以下是详细的实现指南: ### 1. 系统依赖与编译器配置 Ubuntu 18.04 自带的 GCC 和 G++ 版本为 7.x,不支持 C++17 标准,而 3DGS 项目可能依赖 C++17 的特性(如 `std::filesystem`),因此必须升级到 GCC-9 或更高版本。可通过以下命令安装并切换默认版本: ```bash sudo apt update sudo apt install gcc-9 g++-9 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 90 sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-9 90 ``` 验证版本升级是否成功: ```bash gcc --version g++ --version ``` ### 2. CUDA 安装与配置 3DGS 项目通常依赖 CUDA 加速,官方推荐使用 CUDA 11.8,其他版本(如 11.6)可能存在兼容性问题[^2]。Ubuntu 18.04 的官方仓库不直接提供 CUDA 11.8 的安装包,需手动下载 NVIDIA 官方提供的 `.run` 文件进行安装。 安装前需禁用 Nouveau 驱动: ```bash sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf" sudo update-initramfs -u ``` 重启后,下载 CUDA 11.8 安装包并执行安装: ```bash chmod +x cuda_11.8.0_520.61.05_linux.run sudo ./cuda_11.8.0_520.61.05_linux.run ``` 安装完成后,设置环境变量: ```bash echo 'export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}}' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc source ~/.bashrc ``` ### 3. 安装 Python 与 PyTorch 环境 3DGS 的训练与推理部分通常依赖 PyTorch 和 CUDA 加速的版本。推荐使用 `conda` 创建虚拟环境以隔离依赖: ```bash conda create -n gaussian_splatting python=3.9 conda activate gaussian_splatting pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118 ``` ### 4. 安装项目依赖库 3DGS 项目通常依赖 OpenGL、GLFW、Eigen、OpenCV 等库。Ubuntu 18.04 的默认源可能缺少某些较新版本的依赖包,例如 `libpng-dev` 和 `libopencv-dev` 安装时可能遇到依赖问题[^3]。可尝试手动安装或从源码编译 OpenCV: ```bash sudo apt install libgl1 libglfw3 libgles2-mesa-dev libpng-dev ``` 若 OpenCV 安装失败,可使用以下命令从源码安装: ```bash git clone https://github.com/opencv/opencv.git cd opencv mkdir build && cd build cmake .. make -j$(nproc) sudo make install ``` ### 5. 获取并构建 3DGS 项目 克隆官方或社区维护的 3DGS 项目仓库,例如: ```bash git clone https://github.com/graphdeco-inria/gaussian-splatting.git cd gaussian-splatting mkdir build && cd build cmake .. make -j$(nproc) ``` 若构建过程中报错,检查是否缺少依赖项或 CUDA 配置错误。 ### 6. 运行与可视化 完成构建后,可运行示例数据集进行测试: ```bash cd .. python render.py --model_path output/your_model --iteration 7000 ``` 若需远程可视化,可考虑使用 `superspl.at/editor` 在线平台进行点云渲染[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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