1、James Bowley编译好的OpenCv库，https://jamesbowley.co.uk/downloads/#OpenCV4.5.0 2、OpenCV-python支持CUDA，可以在GPU上运行，参考https://blog.csdn.net/REAL_liudebai/article/details/119356958 3、Python OpenCV配置CUDA以支持GPU加速 (不使用Visual Studio) 可以使用该OpenCV 库版本利用GPU进行图像处理 4、OpenCV是计算机视觉和机器学习软件库，功能非常强大，通过pip安装的Python版本仅支持CPU运算，可以使用该资源进行GPU运算

python人像抠图利器，paddlepaddle 1.8.5 GPU版 whl格式：众人周知的外网环境，需要垫脚否则下载巨慢，这里帮各位搬一下砖，pip install XXX安装即可,望笑纳；）

matlab图像去模糊原始码CCPi规范化工具包（） 掌握 发展 Anaconda二进制文件 迭代图像重建（IIR）方法经常需要进行正则化，以确保收敛并使得逆问题很好地解决。 CCPi正则化工具包（CCPi-RGL）工具包提供了一组2D / 3D正则化策略，以确保IIR方法的更好性能（更高的SNR和分辨率）。 标量和矢量数据集的正则化模块基于该框架，并且可以与PDHG，Douglas-Rachford，ADMM，FISTA和一起使用。 CCPi-RGL的主要目标是，该工具包可用于图像去噪问题。 核心模块用C-OMP和CUDA语言编写，并提供了Matlab和Python的包装器。 先决条件： 或者 Python（经过测试的版本3.5 / 2.7）； 赛顿 C编译器 nvcc（CUDA SDK）编译器 套餐模块： 单通道（标量）： Rudin-Osher-Fatemi（ROF）总变化（显式PDE最小化方案） 2D / 3D CPU / GPU （参考资料1 ） 快速渐变投影（FGP）总变化量2D / 3D CPU / GPU （参考2 ） 斯普利特-布雷格曼（SB）Total Variat

torch-1.5.1-cp38-cp38-manylinux1_x86_64.whl

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。

tensorflow1.0_gpu的whl文件安装包

visual studio2019手写数字识别工程（权重文件通用） 1.no_gpu_darknet版 yolov3手写数字识别 训练好 的模型权重 。基于opencv3.16版本库函数，附带已配置好的工程源码no_gpu_darknet版。已训练好，可直接使用。 2.一万多数据训练得到，准确率达95%以上 3.目标类别名为0，1，2，3，4，5，6，7，8，9 4.可以 检测图片、视频和调用摄像头，需要选择相应的代码语段 5.依据自己的电脑路径打开darknet_no_gpu.sln，然后配置好opencv3.16环境即可直接运行 E:\darknet-master_2\darknet-master_2\darknet-master\build\darknet\darknet_no_gpu.sln

GPU（graphicalprocessingunit）是显卡内用于图形处理的器件。和CPU相比，CPU是串行执行，而GPU是多个核并行执行。GPU是一个高性能的多核处理器，有很高的计算速度和数据吞吐率。在GPU上的运算能获得相对于CPU而言很高的加速比。第一、第二代GPU出现的时候，GPU不是可编程的[4]。当第三代GPU出现的时候，GPU开始用于图形编程，研究者们给GPU烧制程序，进行图像处理。GPU的并行流处理能力吸引了并行计算的研究者，研究者们借助图形编程的概念，把计算操作转化成图形纹理操作。这个时候GPU计算，需要对图形概念有比较深的了解，编程比较复杂。第四代GPU以NVIDIA