torch-1.12.0a0+2c916ef.nv22.3-cp38-cp38-linux_aarch64.whl for jetson

该库为 GPU 提供高性能批量稀疏矩阵乘法 (SpMM) 内核。目标矩阵很小，行（或列）数为几十或几百。这种操作可以在图卷积网络的应用中找到。Batched SpMM 算法的详细信息可以在论文 (1) 中找到。 (1) Yusuke Nagasaka、Akira Nukada、Ryosuke Kojima、Satoshi Matsuoka，“用于加速图卷积网络的批量稀疏矩阵乘法”，第 19 届 IEEE/ACM 集群、云和网格计算国际研讨会 (CCGrid 2019)，拉纳卡，塞浦路斯，2019 年。（论文也在arXiv上）

方便我再次搭建GPU环境时使用

使用 GPU 张量核加速稀疏矩阵-矩阵乘法 在这个存储库中，我们提供了加速稀疏矩阵-矩阵乘法 (SpGEMM) 实现的源代码

使用 ACO 的 TSP 说明 - 对于 ACO ，因为它是一个更小更简单的代码，我只为并行版本和 CUDA 版本分别使用了 1 个文件。我正在使用一个开源 map_generator（用 ruby​​ 编码），它将城市数量作为参数并构建一个 map.txt，其中包含一个带有所述 N 个城市的随机城市地图。运行地图生成器的命令：ruby map_generator.rb Num_of_cities -我已经编译并保存了 3 个不同的地图变体，以方便评分者检查我的代码。map25.txt 、 map50.txt 和 map100.txt 分别包含 25,50,100 个城市的地图。 - 运行代码的顺序和并行版本。只需执行“make”并运行顺序版本，例如运行 25 个城市 -> ./tsp-ant-cpu < map25.txt 并运行并行版本，例如使用 25 个城市 -> ./tsp- ant-gpu < map25.txt 这确保并行和顺序版本的输入数据相同 更多详情、使用方法，请下载后阅读README.md文件

CUDA-模拟退火 CUDA 中的模拟退火，用于使用序列对进行布局优化。

cublas64_90.dll cudart64_90.dll cudnn64_7.dll curand64_100.dll

博主自行实现的动态链接库，通过python导入后可以实现释放显存，与ai框架无关。支持pytorch、tensorflow、onnxruntime等cuda运行环境。调用dll.reset_cuda()即可释放显存

基于Android平台CUDA程序移植的研究与实现.pdf

均值滤波，在卷积形式的均值滤波中，需要把输入图对应模板内所有点像素点相加求平均，代替 原像素点。窗口越大，滤波效果越好，但是图像也变得更加模糊，所以需要根据实际情况设置矩形窗口的大小。 高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗 的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的 其他像素值经过加权平均后得到。 高斯滤波的具体操作是：用一个模板 (或称卷积、掩模) 扫描图像中的每一个像素，用模板确 定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。对应均值滤波说，其邻域内每个像素的权重是相等的。而在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。