注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于+CUDA+的概念格并行建格算法研究

  2. 硕士论文 形式概念分析是一种有效的知识表示与知识发现工具，在数据挖掘、知识发现、信息检索等领域得到了广泛的应用。在形式概念分析的应用过程中，首先要构建概念格，因此建格算法的效率显得十分重要。CUDA（Compute Unified Device Architecture）并行计算架构通过利用GPU（Graphic Processing Unit）的多线程并行处理能力，可以大幅度提升计算性能，已经越来越多地应用于通用并行计算。这为解决形式概念分析应用中的建格问题提供了一个新的思路。 本文分析了C

  3. 所属分类：其它

    • 发布日期：2013-07-19
    • 文件大小：1048576
    • 提供者：thinkpadw700ds

  1. cuDNN5（CUDA Deep Neural Network）

  2. cuDNN5。cuDNN（CUDA Deep Neural Network）相比标准的cuda，它在一些常用的神经网络操作上进行了性能的优化，比如卷积，pooling，归一化，以及激活层等等。

  3. 所属分类：深度学习

    • 发布日期：2018-03-06
    • 文件大小：99614720
    • 提供者：qq_30938695

  1. cuDNN6（CUDA Deep Neural Network）

  2. cuDNN6。cuDNN（CUDA Deep Neural Network）相比标准的cuda，它在一些常用的神经网络操作上进行了性能的优化，比如卷积，pooling，归一化，以及激活层等等。

  3. 所属分类：深度学习

    • 发布日期：2018-03-06
    • 文件大小：200278016
    • 提供者：qq_30938695

  1. opencv_v4l2:该项目包含示例OpenCV应用程序代码以及用于访问OpenCV中的摄像头设备的V4L2帮助程序库。 此代码有助于从OpenCV摄像机中获得较高的帧率。 该项目比OpenCV中的VideoCapture类提供更好的结果

  2. OpenCV V4L2 使用OpenCV显示/处理摄像机流时，用于评估摄像机性能的一组应用程序（和帮助程序库）。 OpenCV构建脚本 该存储库还包含一个脚本及其相关文件，这些文件会自动启用具有各种功能和优化标记的OpenCV来进行获取，构建和安装。 该脚本还安装所需的依赖项。 此外，它会根据成功构建的要求自动尝试修补标头。 笔记 该脚本需要在其依赖项可用的同一文件夹中运行。 否则，脚本可能无法正常工作。 该脚本不会自动尝试安装CUDA。 必须手动安装。 对于Jetson主板，可以在找到说明

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：23552
    • 提供者：weixin_42164685

  1. 基于图形处理单元的优化拉普拉斯图像锐化算法

  2. 在经典的拉普拉斯图像锐化中，所有像素都被一一处理，这导致大量的计算。 在CPU上进行传统的拉普拉斯锐化处理非常耗时，特别是对于那些大图片。 在本文中，我们提出了基于Compute Unified Device Architecture（CUDA）（一种图形处理单元（GPU）的计算平台）的Laplacian锐化的并行实现，并分析了图像尺寸对性能的影响以及处理之间的关系。数据传输时间与并行计算时间之间的时间。 此外，根据不同内存的不同特征，开发了一种改进的方法，该方法利用GPU中的共享内存代替全局内

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：1048576
    • 提供者：weixin_38732425

  1. 针对子集和问题的并行两列表算法的GPU实现

  2. 子集和问题是众所周知的非确定性多项式时间完成（NP-complete） 决策问题。 本文提出了一种新颖且有效的并行两列表算法的实现使用Compute Unified Device Architecture解决图形处理单元（GPU）上的问题的方法（CUDA）。 该算法由生成阶段，修剪阶段和搜索阶段组成。 它是在GPU上有效地实现算法的三个阶段并不容易。 取得更好成绩的方法性能，CPU和GPU之间合理的任务分配，有效的GPU内存管理， 并讨论了CPU-GPU通信成本的最小化。 算法的生成阶段采用典型

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：894976
    • 提供者：weixin_38713061

  1. 分布式并行计算：SJTU CS433分布式并行计算课程-源码

  2. CS433分布式并行计算课程 此仓库包含一些有关 OpenMP的 卡达 我们的最终项目-优化Caffe 前两个作业很幼稚，但是它们给了我们并行编程的基本感觉，特别是使用CUDA编写内核函数。 正如我们的老师所说，编写高性能CUDA内核功能的能力决定了您能否获得满意的报价！ 而且我们的最终项目非常困难。 众所周知，Caffe是最先进的深度学习结构。 尽管这些年来tensorflow和pytorch的使用更为频繁，但您必须将Caffe视为一个很棒的结构，以产生自己的深度学习系统，并借助NVIDI

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：2097152
    • 提供者：weixin_42116734

  1. CUDA——性能优化（一）

  2. CUDA全局内存的合并访问（个人理解） 每个warp去访问全局内存，会有400-600个时钟周期的内存延迟，这个代价很昂贵，所以为了减少访问全局内存的指令次数，我们将满足字节大小和对齐要求的warp合并起来访问全局内存，从而减少对全局内存的访问次数，提高GPU性能。 关于warp指令基础知识 1）什么是warp? 一个线程warp包括32条线程（我的电脑是1个warp包括32条线程）。它位于多处理器中。 2)warp指令 发射warp的一个指令，即该warp的32条线程一起执行的该条指令。多处理

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：52224
    • 提供者：weixin_38657102

  1. 基于图形处理单元的优化拉普拉斯图像锐化算法

  2. 在经典的拉普拉斯图像锐化中，所有像素都被一一处理，这导致大量的计算。 在CPU上进行传统的拉普拉斯锐化处理非常耗时，特别是对于那些大图片。 在本文中，我们提出了基于Compute Unified Device Architecture（CUDA）（一种图形处理单元（GPU）的计算平台）的Laplacian锐化的并行实现，并分析了图像尺寸对性能的影响以及处理之间的关系。数据传输时间与并行计算时间之间的时间。 此外，根据不同内存的不同特征，开发了一种改进的方法，该方法利用GPU中的共享内存代替全局内

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：393216
    • 提供者：weixin_38549520