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。

主要介绍了Python基于pyCUDA实现GPU加速并行计算功能,结合实例形式分析了Python使用pyCUDA进行GPU加速并行计算的原理与相关实现操作技巧,需要的朋友可以参考下

随着COSMO-Sky Med、Terra SAR-X等高分辨率SAR卫星的投入使用,SAR数据处理的计算量呈现几何级数增长趋势,对计算资源的要求越来越高,文中通过实验表明,基于图形处理单元(GPU)的并行计算技术可以大大提高星载SAR影像数据重采样计算的效率。

您可以将 GPU Coder:trade_mark: 与 Deep Learning Toolbox:trade_mark: 结合使用，在使用 NVIDIA:registered: Jetson 和 Drive 平台的嵌入式平台上生成代码并部署深度学习网络。 即使没有神经网络、深度学习或高级计算机视觉算法方面的专业知识，预训练的网络和示例（例如对象检测、图像分类和驾驶员辅助应用程序）也可以轻松使用 GPU Coder 进行深度学习。 我们从 MATLAB 中已发布的示例开始，该示例解释了如何训练 YOLO v2 对象检测器，并使用 GPU Coder:trade_mark: 生成优化的 CUDA 代码，并使用适用于 NVIDIA:registered: GPU 的硬件支持包，将生成的代码部署到 Jetson Xavier板作为一个独立的应用程序。 下载包含可用于生成代码的附加脚本和函数。 有关 MATLAB 中的示例和所有必需文件，请参阅以下文档链接： 使用YOLO v2深度学习进行对象检测：

CUDA Programming，中文名：CUDA并行程序设计-GPU编程指南 2014年 含书签，高清。

mic与gpu对比,GPGPU与MIC定位相似，两者都是相对于CPU具有较高性价比的高性能解决方案，甚至连外形都是一样使用PCI-E插槽的板卡。但对于“核”这个概念来说，两者却有很大的不同。GPGPU中所说的核，以CUDA为例，是指一个SP（即流处理器），SP的功能只有计算，以NVIDIA的Fermi GPU为例，32个SP组成一个SM（流处理器群），一个SM 才有两个控制单元。也就是说每16个GPU的“核”，必须执行同一条指令。而MIC得设计思路与GPGPU完全不同。MIC的每个“核”，可以简单看作一个X86核心，也就是与现有PC机或小型服务器上的CPU核心相同的核。因此MIC编程可以最大限度地沿袭已有CPU上的并行程序，甚至可以一定程度上认为MIC上的每个“核”都是独立的节点，亦即将MIC作为一个超小型的集群。MIC的“核”虽然是x86架构，虽然单核的功能比GPGPU的核强大不少，但要指望单兵作战接近主流CPU，暂时还是不现实的。MIC依靠和GPGPU一样，靠人海战术。说起“人数”，GPGPU动辄上百核，MIC只有几十核，几十单核性能再强，在并行应用中也掀不起多少浪花。由于MIC的核心是Intel的CPU，核心数即使上不去了，Intel处理器可以超线程。在MIC上，每个核心能同时并发执行4个线程，而且这4个线程被Intel成为“硬件线程”，其性能大幅提升，几乎可以把每个线程看作真正的核心。因此，MIC“执行核”的数量，核GPGPU实际差不多。 另外，MIC采用了SMP结构，以一致性共享缓存为中心，这种设计使得MIC可以使用传统CPU的编程模型，而不需要针对性的硬件，设计新的程序结构。 MIC对现有程序改动之小还体现在编程简易性和工具方面。编程简易性上，MIC常用的offload模式只需要加上少数几条编译指导语句，就可以使程序利用MIC进行运算，而此时的程序源代码，是可以与传统的CPU程序共用的，减少了维护成本。

GPU高性能编程CUDA实战中文版.pdf