Kokkos：核心库 Kokkos Core 在 C++ 中实现了一个编程模型，用于编写针对所有主要 HPC 平台的高性能便携式应用程序。 为此，它为代码的并行执行和数据管理提供了抽象。 Kokkos 旨在针对具有 N 级内存层次结构和多种类型执行资源的复杂节点架构。 它目前可以使用 CUDA、HPX、OpenMP 和 Pthreads 作为后端编程模型，以及其他几个正在开发的后端。 Kokkos Core 是 Kokkos C++ 性能可移植性编程生态系统的一部分，该生态系统还提供数学内核 ( )，以及分析和调试工具 ( ）。 了解 Kokkos 可以在 Wiki 上找到编程指南，API 参考正在开发中。 如有问题，请在 Slack 上找到我们： : 或打开 github 问题。 对于非公开问题，请发送电子邮件至 crtrott(at)sandia.gov 可以在下找到包含

Kokkos教程 该存储库包含有关Kokkos C ++编程模型的教程（github.com/kokkos/kokkos）。 Kokkos讲座 我们目前正在运行Kokkos讲座-我们的完整入门教程的扩展版本，涵盖8个模块。 有关幻灯片和录音的信息，请访问： 其他教程汇编 Intro-Short目录中的教程 简单的数据并行模式和策略 多维数组视图 执行和内存空间 完整介绍目录中的教程 简单的数据并行模式和策略 多维数组视图 执行和内存空间 线程安全和原子操作 分层数据并行模式 构建教程 可以使用每个文件夹中的Makefile或CMake CMakeLists.txt文件构建所有教程文件夹。 制作文件 原始Makefile需要正确配置Makefile变量。 在大多数示例中，这是KOKKOS_PATH指向Kokkos源目录，而KOKKOS_DEVICES包含要构建的设备后端列表。 这将为每个练

ButtonDrive 自己写的一个按键驱动，支持单双击、连按、长按；采用回调处理按键事件（自定义消抖时间），使用只需3步，创建按键，按键事件与回调处理函数链接映射，周期检查按键。 源码地址： 版权和许可 ButtonDrive 遵循 开源许可协议，可以免费在商业产品中使用，并且不需要公开私有代码。 鼓励代码共享和尊重原作者的著作权，可以自由的使用，修改源代码，也可以将修改后的代码作为开源或者专有软件再发布（作为开源或闭源商业软件），但必须根据协议保留原作者版权声明。 前言 前几天写了个按键驱动，参考了的数据结构的用法，逻辑实现并不一样。 在这里感谢所有的开源开发者，让我从中学到了很多，同时网络也是一个好平台，也希望所有的开发者能形成良性循环，从网络中学知识，回馈到网络中去。感谢的作者，感谢两位rtt的大佬：、。 Button_drive简介 Button_drive是一个小巧的按键驱

关于深度学习算法评估的规范，目前主要聚焦在可靠性方面，后续还会有关于可移植性和效率方面的内容。3.3MB清晰PDF

基于mvc模式的留言板源代码 jsp+mysql 可移植性强 jsp+mysql+mvc模式=留言板 jsp/servlet+MySQL实现基于mvc模式的留言板，具有：登录页面。注册页面。显示所有留言页面。用户留言页面：可实现 增加、修改、删除留言。功能完备，可移植性强

本源代码为飞思卡尔智能车竞赛完整程序，具有很强的移植性，参考价值高，非常适合新手参考学习，祝参赛同学取得好的成绩。

完整英文电子版IEEE Std 2301™-2020 IEEE Guide for Cloud Portability and Interoperability Profiles (CPIP)-IEEE云计算可移植性和互操作性规范（CPIP）指南。 本指南为云计算生态系统的参与者（云供应商、服务提供商和用户）提供基于标准的选择建议，如应用接口、可移植性接口、管理接口、互操作性接口、文件格式和操作惯例等领域。本指南

完整英文电子版 ISO/IEC 19941：2017 Information technology — Cloud computing — Interoperability and portability ( 信息技术 - 云计算 - 互操作性和可移植性 )。 ISO/IEC 19941:2017规定了云计算的互操作性和可移植性类型，云计算的这两个交叉方面的关系和相互作用，以及用于讨论互操作性和可移植性的常用术语和概念，特别是与云服务有关的术语和概念。

本资源利用JavaSwing和MySQL数据库实现了QQ的基本功能，可移植性好，下载到电脑，只要有MySQL数据库就可以运行。详情见： https://blog.csdn.net/Spidy_harker/article/details/103341582

为设计基于固定序的 Bellman-Ford 算法在 CUDA 平台下并行优化方案，结合算法计算密集和数据密集的特点。从核函数计算层 面，提出了访存优化方法和基于固定序优化线程发散；从 CPU-GPU 传输层面，提出了基于 CUDA 流优化数据传输开销方法。经对不同显 卡测试，参照共享内存容量划分线程块、缩减迭代后向量维度和使用 CUDA 流缩短首次计算时延，相比传统算法，改进后并行算法加速 比在 200 倍左右。该并行优化方案验证了固定序在 CUDA 平台具有可行性和可移植性，可作为多平台研究参照。