利用GPU并行加速支持向量机的研究与实践，王亮，高占春，因为支持向量机预测的精度很高，它是非常著名的解决分类和回归问题的工具之一。然而，在训练过程使用非线性核函数的支持向量机算

场景烘焙插件，分享给大家，A卡不能用！N卡可用！

Glirt基于CUDA的多模态三维医学图像配准.rar

GPU双精度测试 Unity GPU双精度运算测试 预览

GPUMD 什么是GPUMD ？ GPUMD代表图形处理单元分子动力学。它是在图形处理单元（GPU）上完全实现的通用分子动力学（MD）代码。 通过使用GPU [1]，可以大大提高对多体势的力评估[1]，这要归功于参考文献中得出的一组简单的力，病毒应力和热流表达式。 [2，3]。 除了高效之外，GPUMD的另一个独特功能是它具有研究热传输的有用工具[2，3，4，5]。 先决条件 您需要具有计算能力不低于3.5的GPU卡以及不低于CUDA 9.0的CUDA工具包。 适用于Linux（带有GCC）和Windows（带有MSVC）操作系统。 编译GPUMD 转到src目录，然后输入make 。编译完成后，将在src目录中生成两个可执行文件gpumd和phonon 。 运行GPUMD 转到目录src 。 键入src/gpumd < examples/input_gpumd.txt来运行exampl

已被改进的基于Python的重识别，面向Linux用户（非虚拟机）。 建议使用Pycharm，虚拟环境（venv）已在项目目录中，请自行挂载。

注意：需要新款 Nvidia GPU（6xx 或更新版本）和 64 位 Windows 系统（7 或以上）。 不支持 AMD 卡烘焙。 不支持 Mac 产品。 已在 Unity 5.6 至 2019.3.4 的每个版本上测试。 生成的光照贴图兼容于所有平台。 用户手册 - 请务必阅读常见问题解答 论坛主题帖 功能： - 物理正确的烘焙光照。- 所有生成结果均与三叶线下渲染器进行了比较。 - 性能：用 GPU 来进行光线跟踪。 - 可利用 RTX 硬件（非必需）。 - 使用 NVidia AI Denoiser 来移除噪点，由深度学习驱动。 - 修复了常见的烘焙伪影，例如光照泄漏和 UV 接缝。 - 全局光照（支持自定义着色器）。 - 天空光照（HDRI 或颜色）。 -发射性纹理网格。 -IES 光线。 -定向、点状、聚光光源。 - 材质：支持反射率、自发光、镂空材质。 - 可生成完整和间接光照贴图，甚至每个光照都可生成混合光照。 - 可生成阴影遮蔽蒙版。 - 支持四种模式的定向烘焙（凹凸/高光）：主导方向（与大多数着色器兼容）、辐射着色法线贴图、像素球状

从那个开源的ＳＩＦＴＧＰＵＩＯＳ改成Android下面的实现， 并提供一个测试程序； 并附上那个 ＩＯＳ的原来版本

GPU精粹1：实时图形编程的技术、技巧和技艺 中文清晰带目录版 好资源一起分享

使用PyTorch在GPU上进行MIL-NCE端到端HowTo100M培训 此存储库包含CVPR'20论文的开源PyTorch分布式培训代码：[1]。 [1]中的原始代码库依赖于Google和DeepMind的内部工具以及TPU v3加速器的使用，这使其难以按原样发布。 相反，此存储库使用PyTorch / ffmpeg和合理数量的GPU提供了[1]的实现。 培训代码在法国公共AI集群（请参阅下面的致谢）。 它经过专门设计，可在基于SLURM的集群管理上运行，以进行多节点分布式培训，但可以轻松地针对任何其他集群管理系统进行修改。 本文的开源PyTorch实现有一些细微的差异，例如： 使用余弦学习速率衰减代替[1]中描述的逐步衰减。 没有在不同的GPU和节点之间共享批处理规范化统计信息，因为在GPU上执行此类操作比TPU慢得多。 使用略微不同的时空训练视频分辨率的输入视频剪辑。