<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Zhang Junior 的博客]]></title><description><![CDATA[菜鸡互啄]]></description><link>https://blog.youkuaiyun.com/junparadox</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; junparadox]]></copyright><item><title><![CDATA[缺少Python27_d.lib的解决方法]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/52704287</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/52704287</guid><author>junparadox</author><pubDate>Thu, 29 Sep 2016 18:37:37 +0800</pubDate><description><![CDATA[简介　　最近在调用caffe的python接口训练网络，需要进到caffe代码中调试，编译时需要用Python27_d.lib、Python27_d.dll。但是一般我们下载的都是release版的。怎么办？自己编译一个debug版本当然可以，但是很麻烦啊。很多网友解决方法是把Python27.lib、Python27.dll拷贝为Python27_d.lib、Python27_d.dll 
不过拷]]></description><category></category></item><item><title><![CDATA[CUDA编程中 extern "c"用法解析]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/52704108</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/52704108</guid><author>junparadox</author><pubDate>Thu, 29 Sep 2016 18:29:07 +0800</pubDate><description><![CDATA[简介　　extern “c”并不是什么新鲜的东西，但是最在编译CUDA程序时候出现了“error LNK2019，未定义的符号”的问题。这不用说了，链接器说找不到，那就是找不到咯。但是why？我的源码中明明已经有了定义。 
后来发现是extern “c”的问题。extern “C”　　C++保留了一部分过程式语言的特点，因而它可以定义不属于任何类的全局变量和函数。但是，C++毕竟是一种面向对象的程序]]></description><category></category></item><item><title><![CDATA[从FCN到DeepLab]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/52610744</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/52610744</guid><author>junparadox</author><pubDate>Thu, 22 Sep 2016 15:33:08 +0800</pubDate><description><![CDATA[前言　　最近看了一些语义分割的文章DeepLab，写写自己的感受，欢迎指正。介绍　　图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类。 
 
 
 
　　图像语义分割，从FCN把深度学习引入这个任务到现在，一个通用的框架已经大概确定了。即前端使用FCN全卷积网络输出粗糙的label map，后端使用CRF条件随机场/MRF马尔科夫随机场等优化前端的输出，最后得到一个精细的分割图。]]></description><category></category></item><item><title><![CDATA[编译器错误 C2989]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/52522807</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/52522807</guid><author>junparadox</author><pubDate>Tue, 13 Sep 2016 09:06:05 +0800</pubDate><description><![CDATA[编译器错误 C2989非类模板已经声明为类模板,，微软知识库中有说明 
但是还有一种情况，微软没提到，就是 当模板函数返回类型为enum时候下面是微软的说明编译器版本 Visual Studio 2013  
“class” : 类类型已声明为非类类型 
类泛型或模板重定义非模板或非泛型类。检查头文件中是否有冲突。 
如果您在使用类模板部分专用化，请参见知识库文章 Q240866。 
下面的示例生成]]></description><category></category></item><item><title><![CDATA[使用Nuget管理第三方库吧]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/51086374</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/51086374</guid><author>junparadox</author><pubDate>Thu, 07 Apr 2016 15:30:38 +0800</pubDate><description><![CDATA[前言用visual studio开发的童鞋们应该都有这样的感受，经常在copy别人的项目后，出现找不到xxx.h，找不到xxx.lib，找不到balabala。甚至还有“模块计算机类型“x86”与目标计算机类型“x64”冲突”，“模块计算机类型“x64”与目标计算机类型“x86”冲突”等等令人烦躁的提示！ 
很多时候都是工程中使用了第三方库，而工程又没有能够自适应的配置文件能帮我们找到这些第三方库造]]></description><category></category></item><item><title><![CDATA[CUDA编程——zero copy]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50633641</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50633641</guid><author>junparadox</author><pubDate>Thu, 04 Feb 2016 13:40:38 +0800</pubDate><description><![CDATA[零复制　　zero copy（零复制）是一种特殊形式的内存映射，它允许你将host内存直接映射到设备内存空间上。其实就是设备可以通过直接内存访问（direct memory access，DMA）方式来访问主机的锁页内存。 
　　锁页主机内存　　现代操作系统都支持虚拟内存，操作系统实现虚拟内存的主要方法就是通过分页机制。操作系统将内存中暂时不使用的内容换出到外存（硬盘等大容量存储）上，从而腾出空间存]]></description><category></category></item><item><title><![CDATA[Visual C++在虚继承中使用协变报错]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50570126</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50570126</guid><author>junparadox</author><pubDate>Sat, 23 Jan 2016 16:03:30 +0800</pubDate><description><![CDATA[协变和抗变　　一个覆盖方法要求函数具有完全相同的入参（抗变），这个规则对返回类型而言，则有所放松。覆盖的返回值不区分基类或派生类。从语意上理解，返回值的派生类也是基类（协变）。就是说！派生类的覆盖方法就可以改变返回类型，但是不是任意改变，可以改变为原来类型的派生。 
　　Visual C++在虚继承中使用协变会报错。这是微软编译器的一个bug，不过，微软说他们不会修复！参考微软公告。钻石继承　　一个]]></description><category></category></item><item><title><![CDATA[CUDA编程——Warp Divergence]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50541825</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50541825</guid><author>junparadox</author><pubDate>Tue, 19 Jan 2016 13:17:35 +0800</pubDate><description><![CDATA[Warp　　回顾一下CUDA的线程层次 
　　CUDA编程中，warp是调度和运行的基本单元，目前，每个warp包含32个threads。软件逻辑上，程序员的所有thread是并行的，但是，从硬件的角度来说，实际上并不是所有的thread能够在同一时刻执行。　　例如：一个block 有128个thread，那么可以分为warp0~warp3，SM同时只执行一个warp，其他warp以就绪，挂起等状态]]></description><category></category></item><item><title><![CDATA[CUDA编程——Mars：MapReduce on GPU]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50541377</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50541377</guid><author>junparadox</author><pubDate>Tue, 19 Jan 2016 11:31:21 +0800</pubDate><description><![CDATA[CUDA编程——Mars：MapReduce on GPUGPU加速机器学习　　GPU是一种SIMT（单指令多线程）体系结构，即多个线程执行同一个指令，而每个线程操作的数据不同。这种结构令GPU天生具有大规模计算能力。GPU出色的浮点计算性能特别提高了深度学习两大关键活动：分类和卷积的性能，同时又达到所需的精准度。深度学习需要很高的内在并行度、大量的浮点计算能力以及矩阵预算，而GPU可以提供这些能力]]></description><category></category></item><item><title><![CDATA[CUDA编程——GPU架构，由sp，sm，thread，block，grid，warp说起]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50540602</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50540602</guid><author>junparadox</author><pubDate>Tue, 19 Jan 2016 10:04:36 +0800</pubDate><description><![CDATA[掌握部分硬件知识，有助于程序员编写更好的CUDA程序，提升CUDA程序性能，本文目的是理清sp，sm，thread，block，grid，warp之间的关系。由于作者能力有限，难免有疏漏，肯定读者批评指正。]]></description><category></category></item><item><title><![CDATA[CUDA编程——简介]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50538503</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50538503</guid><author>junparadox</author><pubDate>Mon, 18 Jan 2016 18:49:52 +0800</pubDate><description><![CDATA[CUDA编程——简介
参考了很多大神的内容，并非完全原创，只是为了查漏补缺，记录自己的学习过程。个人水平有限，错误难免，欢迎讨论。]]></description><category></category></item><item><title><![CDATA[CUDA编程——Memory Coalescing]]></title><link>https://blog.youkuaiyun.com/junparadox/article/details/50538322</link><guid>https://blog.youkuaiyun.com/junparadox/article/details/50538322</guid><author>junparadox</author><pubDate>Mon, 18 Jan 2016 18:05:03 +0800</pubDate><description><![CDATA[为了利用总线带宽，GPU通常把多个线程的访存合并到较少的内存请求中去。本文主要介绍，GPU总线如何访问内存，以及bank conflicts。]]></description><category></category></item></channel></rss>