格子Boltzmann模拟 我意识到自己只是一个在时间流中虚弱挣扎的人。 但是我仍然有能力以这样的方式做出贡献：当气体理论复活时，不需要太多的重新发现 -[Ludwid Boltzmann（* 1844，维也纳，✟于Duino bei Triest）] 受到Daniel V. Schroeder 的原创作品的启发。 格子玻尔兹曼是一种简单而相对年轻的计算流体动力学方法。 与基于宏观量（质量，动量和能量）守恒的传统计算流体动力学相比，LBM通过在离散晶格网格上传播和碰撞的粒子动力学来对流体进行建模。 由于这种对比，LBM对于数字计算的研究具有一些有趣的优势，例如易于处理复杂的边界和算法的并行化。 。 下图显示了如何将流体“粒子”表示为离散模型，从而使编写简单明了的建模代码变得毫不费力。 该项目旨在利用算法易于并行化的特性来加速传播，碰撞和弹跳步骤，其中网格的增长对程序运行时间的增长具

在opencv读取的图片，转化为gpumat，用opengl绘制，并在图片上绘制矩形。使用cuda加速。

为加快表面三维形貌分析中高斯滤波算法的执行速度,提出了一种基于计算统一设备构架(CUDA)的高斯滤波算法来实现高速并行处理.分析高斯滤波算法原理和CUDA并行计算体系,将CUDA并行计算技术引入到表面分析领域.针对高斯滤波数据间依赖性弱和CUDA采用单指令多线程(SIMT)执行模型的特点,总结出适合于CUDA的并行高斯滤波算法流程.实验证明:该方法与CPU串行处理方法相比,其加速比达到40倍以上,可以有效提高数据处理能力.

1.CUDA纹理学习 2.CUDA定义核函数加速重建 3.平行束采点 4.双线性插值函数 5.SART重建

一个Liunx下安装多个CUDA版本，快速切换版本的脚本，Readme有清楚操作提示，亲测有效！

OpenCV 4.5.0 x64, VS2019 with CUDA all modules + python 3.8 bindings (Debug) configured with: CUDA 11.1 binaries compatible with compute 3.5-8.6, –-use_fast_math enabled, cv::cuda). cuDNN 8.0.4 (DNN_BACKEND_CUDA). Nvidia’s NVDECODE hardware video decoder (cv::cudacodec::VideoReader). Intel Quick Sync hardware video encoder/decoder (cv::CAP_INTEL_MFX).

Excelerator Microsoft Excel计算加速插件。 它是什么？ 这是我在业余时间（大约在2014-2015年）开发的一个Excel插件，它将Excel工作簿的计算时间至少增加了12倍（在大多数情况下，要高得多）。 它通过几个步骤来完成此操作： 将公式重写为更有效的计算树以找出高阶并行性 利用支持CUDA的GPU更有效地计算现在更好的并行化公式 有效利用多线程来计算非并行计算链 文件/文件夹结构 可悲的是，此仓库的文件和文件夹结构非常混乱。 这是我的一个老项目，在我的业余时间里忙得不亦乐乎，最近几年我没有机会进行清理或进一步开发。 会费 我希望任何人都能成为这个项目的积极贡献者。 尽管确实需要进行初步的重构和清理，但它为Excel用户提供的好处是值得的。 我为什么要这样做？ 我很想看到这个项目再次变得活跃起来。 关于我如何提出这个想法并且讨厌看到它聚集蜘蛛网，有一

基于CUDA并行实现图像的直方图统计，opencv简单画出灰度分布直方图曲线分布趋势.

讲述了中值滤波在基于CUDA的实现，对于滤波的优化计算做一说明

修改bodyForce 抽离最终的坐标更新逻辑为kernel函数 添加预取逻辑 thread 128 block=32 * SM 效果目前看的是比较好的 可通过Nvidia课程认证