美国纽约两华裔高中生入围雷杰纳容科学奖半决赛

两名华裔高中生入围美国雷杰纳容科学奖半决赛,葛妍研究北大西洋热带气旋行为变化,王带研究大麻酚对癫痫活动的影响。2000多名学生参加初赛,300名半决赛入围者将竞争40名决赛席位。

中新网1月18日电 据美国侨报网报道,近日,第78届美国全国性优秀高中生科研竞赛奖——雷杰纳容科学奖,决出300名高中学子入围半决赛。纽约州石溪大学所在的长岛三村学区的梅尔维尔高中两名华裔入围。

美国纽约两华裔高中生入围雷杰纳容科学奖半决赛

葛妍展示其科研成果(图片来源:美国侨报网,石溪大学somas供图)

由石溪大学海洋与大气科学学院的教授Brian Colle指导的华裔学生葛妍(Kelsey Ge),以课题《北大西洋次流域热带气旋行为的多年代趋势》入围半决赛。她的研究显示,过去30年来,热带气旋的增强变得更加严重,这可能是由于整个热带北大西洋的海面温度的增加。葛妍希望了解这些风灾带来极高破坏性的理由,因而展开此研究。

由石溪大学药理科学教授Styliani-Anna Tsirka指导的华裔学生王带(Elizabeth),以课题《大麻酚(CBD)对癫痫活动中小胶质细胞活化的新作用》入围半决赛。她的研究显示,大麻酚对与癫痫大脑活动相关的小胶质细胞具有抗炎和促炎作用。

雷杰纳容科学奖参赛者的研究项目,涉及STEM(科学、科技、工程和数学)各个学科,主题广泛,包括化学、细胞生物学、地球科学和土木工程等。

据悉,2000多名学生参加了2019年的初赛。其中,300人入围半决赛,他们每人将获得2000美元奖金。300名半决赛入围者,将竞争前40名决赛的席位和奖金。进入决赛的40名学生,每人将获得25000美元。40名决赛选手名单将于当地时间1月23日出炉。

基于可靠性评估序贯蒙特卡洛模拟法的配电网可靠性评估研究(Matlab代码实现)内概要:本文围绕“基于可靠性评估序贯蒙特卡洛模拟法的配电网可靠性评估研究”,介绍了利用Matlab代码实现配电网可靠性的仿真分析方法。重点采用序贯蒙特卡洛模拟法对配电网进行长时间段的状态抽样与统计,通过模拟系统元件的故障与修复过程,评估配电网的关键可靠性指标,如系统停电频率、停电持续时间、负荷点可靠性等。该方法能够有效处理复杂网络结构与设备时序特性,提升评估精度,适用于含分布式电源、电动汽车等新型负荷接入的现代配电网。文中提供了完整的Matlab实现代码与案例分析,便于复现和扩展应用。; 适合人群:具备电力系统基础知识和Matlab编程能力的高校研究生、科研人员及电力行业技术人员,尤其适合从事配电网规划、运行与可靠性分析相关工作的人员; 使用场景及目标:①掌握序贯蒙特卡洛模拟法在电力系统可靠性评估中的基本原理与实现流程;②学习如何通过Matlab构建配电网仿真模型并进行状态转移模拟;③应用于含新能源接入的复杂配电网可靠性定量评估与优化设计; 阅读建议:建议结合文中提供的Matlab代码逐段调试运行,理解状态抽样、故障判断、修复逻辑及指标统计的具体实现方式,同时可扩展至不同网络结构或加入更多不确定性因素进行深化研究。
Looking in indexes: https://mirrors.ustc.edu.cn/pypi/web/simple Collecting mmcv Using cached https://mirrors.ustc.edu.cn/pypi/packages/e9/a2/57a733e7e84985a8a0e3101dfb8170fc9db92435c16afad253069ae3f9df/mmcv-2.2.0.tar.gz (479 kB) Preparing metadata (setup.py): started Preparing metadata (setup.py): finished with status 'error' error: subprocess-exited-with-error python setup.py egg_info did not run successfully. exit code: 1 [16 lines of output] C:\Users\雷杰\AppData\Local\Temp\pip-install-idhe33fd\mmcv_9bfa7f81390f413d8723456505214ec2\setup.py:5: DeprecationWarning: pkg_resources is deprecated as an API. See https://setuptools.pypa.io/en/latest/pkg_resources.html from pkg_resources import DistributionNotFound, get_distribution, parse_version Traceback (most recent call last): File "<string>", line 2, in <module> File "<pip-setuptools-caller>", line 34, in <module> File "C:\Users\雷杰\AppData\Local\Temp\pip-install-idhe33fd\mmcv_9bfa7f81390f413d8723456505214ec2\setup.py", line 489, in <module> ext_modules=get_extensions(), File "C:\Users\雷杰\AppData\Local\Temp\pip-install-idhe33fd\mmcv_9bfa7f81390f413d8723456505214ec2\setup.py", line 446, in get_extensions ext_ops = extension( File "D:\yolov8\ultralytics-main\.venv\lib\site-packages\torch\utils\cpp_extension.py", line 912, in CUDAExtension library_dirs += library_paths(cuda=True) File "D:\yolov8\ultralytics-main\.venv\lib\site-packages\torch\utils\cpp_extension.py", line 1027, in library_paths paths.append(_join_cuda_home(lib_dir)) File "D:\yolov8\ultralytics-main\.venv\lib\site-packages\torch\utils\cpp_extension.py", line 2035, in _join_cuda_home raise EnvironmentError('CUDA_HOME environment variable is not set. ' OSError: CUDA_HOME environment variable is not set. Please set it to your CUDA install root. [end of output] note: This error originates from a subprocess, and is likely not a problem with pip. error: metadata-generation-failed Encountered error while generating package metadata. See above for output. note: This is an issue with the package mentioned above, not pip. hint: See above for details. [notice] A new release of pip is available: 23.2.1 -> 25.2 [notice] To update, run: python.exe -m pip install --upgrade pip
10-25
<think>我们正在解决的是在安装mmcv-2.2.0时出现的CUDA_HOME环境变量未设置的问题。 用户提供的引用[1]中提到了设置环境变量的方法,我们可以参考。 错误信息:'OSError: CUDA_HOME environment variable is not set. Please set it to your CUDA install root.' 原因:mmcv在编译时需要CUDA,但系统没有正确设置CUDA_HOME环境变量。 解决步骤: 1. 确定CUDA的安装路径。通常CUDA安装在/usr/local/cuda(这是一个软链接,指向当前使用的CUDA版本)或具体的版本目录如/usr/local/cuda-12.6。 2. 设置环境变量CUDA_HOME指向CUDA的安装目录。 3. 确保PATH和LD_LIBRARY_PATH也包含了CUDA的bin和lib64目录。 4. 重新运行安装命令。 具体操作如下: 步骤1:查找CUDA安装路径 在终端中执行: ls -l /usr/local/cuda* 如果看到类似这样的输出: /usr/local/cuda -> /usr/local/cuda-12.6 /usr/local/cuda-12.6 那么CUDA_HOME应该设置为/usr/local/cuda或者/usr/local/cuda-12.6。建议使用软链接(即/usr/local/cuda)以便于版本切换。 步骤2:设置环境变量 临时设置(当前终端有效): export CUDA_HOME=/usr/local/cuda # 或者你的具体路径 export PATH=$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH 永久设置(添加到bashrc或zshrc): 将上述export命令添加到~/.bashrc或~/.zshrc中,然后执行source ~/.bashrc(或source ~/.zshrc)使配置生效。 步骤3:验证环境变量 echo $CUDA_HOME # 应该输出设置的路径 nvcc --version # 检查是否能找到nvcc 步骤4:重新安装mmcv-2.2.0 在设置好环境变量后,再次运行pip安装命令: pip install mmcv==2.2.0 如果上述步骤不能解决问题(比如你使用的是系统没有安装nvcc,但安装了CUDA Toolkit的情况),那么可能需要安装CUDA Toolkit,或者检查CUDA Toolkit的安装位置。 注意:如果你的系统没有安装CUDA Toolkit,你需要先安装。安装方法可参考NVIDIA官方文档。 另外,从引用[1]中我们还看到,在编译安装mmcv时,还设置了其他环境变量,如: export MMCV_WITH_OPS=1 export TORCH_CUDA_ARCH_LIST="8.9" # 这个要根据你的显卡架构来设置 但通常使用pip安装预编译的包是不需要这些的。如果pip安装的是源码(比如没有对应CUDA版本的预编译包),那么可能需要从源码编译安装,此时就需要设置这些环境变量。 因此,如果设置CUDA_HOME后仍然无法安装,可以考虑从源码编译安装,步骤如下(参考引用[1]): # 确保已经设置好CUDA_HOME等环境变量 # 克隆mmcv仓库(如果需要特定版本,切换到对应分支) git clone -b v2.2.0 https://github.com/open-mmlab/mmcv.git cd mmcv # 设置环境变量(根据你的CUDA版本和显卡架构) export CUDA_HOME=/usr/local/cuda # 修改为你的路径 export PATH=$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH export MMCV_WITH_OPS=1 # 查询你的显卡架构(Compute Capability),比如RTX 3090是8.6,RTX 4090是8.9 export TORCH_CUDA_ARCH_LIST="8.6" # 修改为你的显卡架构 # 清理之前的构建(可选) python setup.py clean rm -rf build/ mmcv.egg-info/ mmcv/_ext.*.so dist/ # 安装依赖 pip install -U pip setuptools wheel ninja cmake # 编译并安装(可编辑模式,也可以不用可编辑模式,去掉-e) pip install -e . --no-build-isolation --config-settings editable_mode=compat 注意:如果使用预编译包安装是最简单的,所以优先尝试设置CUDA_HOME后直接pip安装。如果不行,再尝试源码编译。 生成相关问题: 考虑到用户遇到了mmcv安装问题,可能还会遇到其他相关的问题。 </think>### 解决 `pip install mmcv-2.2.0` 时 CUDA_HOME 环境变量未设置的问题 当安装 mmcv-2.2.0 时出现 `OSError: CUDA_HOME environment variable is not set` 错误,表明编译过程无法定位 CUDA 工具包。以下是逐步解决方案: --- #### 🔧 解决方案(Linux 系统) 1. **确认 CUDA 安装路径** 执行以下命令查找 CUDA 路径: ```bash whereis cuda # 通常返回 /usr/local/cuda ls -l /usr/local/cuda # 检查是否为符号链接 ``` 2. **临时设置环境变量(当前终端有效)** ```bash # 根据实际路径修改(常见路径如下) export CUDA_HOME=/usr/local/cuda export PATH=$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH ``` 3. **永久设置环境变量(推荐)** 编辑 `~/.bashrc` 或 `~/.zshrc`: ```bash echo 'export CUDA_HOME=/usr/local/cuda' >> ~/.bashrc echo 'export PATH=$CUDA_HOME/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc # 立即生效 ``` 4. **验证环境变量** ```bash echo $CUDA_HOME # 应输出 /usr/local/cuda nvcc --version # 检查 CUDA 编译器是否可用 ``` 5. **重新安装 mmcv** ```bash pip install mmcv==2.2.0 --no-cache-dir # 强制重新构建 ``` --- #### ⚙️ 特殊情况处理 - **CUDA 版本不匹配** 若系统存在多版本 CUDA(如 12.6 和 11.8): ```bash export CUDA_HOME=/usr/local/cuda-12.6 # 指定所需版本 ``` - **无 root 权限安装** 通过 `conda` 管理 CUDA 工具包: ```bash conda install cudatoolkit=12.1 -c nvidia export CUDA_HOME=$CONDA_PREFIX # 指向 conda 环境路径 ``` - **Windows 系统** 在 PowerShell 中设置: ```powershell $env:CUDA_HOME = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1" $env:PATH = "$env:CUDA_HOME\bin;" + $env:PATH ``` --- #### 💡 安装验证 编译成功后检查: ```bash python -c "import mmcv; print(mmcv.__version__)" # 应输出 2.2.0 ``` 若仍失败,尝试源码编译[^1]: ```bash git clone --branch v2.2.0 https://github.com/open-mmlab/mmcv.git cd mmcv MMCV_WITH_OPS=1 pip install -e . # 启用 CUDA 算子 ``` --- #### 📝 **关键要点总结** | 问题原因 | 解决核心 | |------------------------|--------------------------------------| | 系统未声明 CUDA 路径 | 正确设置 `CUDA_HOME` 环境变量 | | 多 CUDA 版本冲突 | 明确指定版本路径 | | 权限问题 | 使用 conda 管理或源码编译 | | Windows 路径格式错误 | 使用反斜杠和双引号定义路径 |
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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