为方便国内Windows用户下载安装gpu版的torch1.7.1和torchvision0.8.2，现上传从官网下载的.whl安装包资源至我们广博的C站~（这部分是torchvision）

Fundamentals of Computer Graphics (3rd Edition)第三版，计算机图形学的基础课程，很多大学的教材

来自AMD的资深工程师谢海波从CPU/GPU的数据传输、OpenCL的运行时开销、APU架构等方面讲解了HSA和OpenCL优化。

Hashcat for windows (GPU)

tensorflow-gpu-2.6

因cudnn官网下载速度太慢，因此分享该资源，提高大家的效率

matlab人头检测的代码用于人体姿势估计的深度高分辨率表示学习（CVPR 2019） 消息 [2019/08/27] HigherHRNet现已启动，这是由HRNet支持的自下而上的人体姿态估计方法。 我们还将在发布代码和模型，敬请期待！ 我们的新作品可在上找到。 我们的HRNet已应用于多种视觉任务，例如和。 介绍 这是的非官方pytorch实现。 主要结果 MPII val的结果 拱 头 肩膀 弯头 手腕 时髦的 膝盖 踝 吝啬的 均值@ 0.1 pose_resnet_50 96.4 95.3 89.0 83.2 88.4 84.0 79.6 88.5 34.0 pose_resnet_101 96.9 95.9 89.5 84.4 88.4 84.5 80.7 89.1 34.0 pose_resnet_152 97.0 95.9 90.0 85.0 89.2 85.3 81.3 89.6 35.0 pose_hrnet_w32 97.1 95.9 90.3 86.4 89.1 87.1 83.3 90.3 37.7 笔记： 使用翻转测试。 输入大小为256x256 pose

multi_gpu_test 在多GPU机器上使用PyTorch进行并行化（已在Google Cloud GPU机器上测试） 设置带有一个或多个GPU的Google云机的脚本（要购买GPU机，请参阅以获取说明） Pytorch安装步骤/脚本 测试实用程序以检查多GPU执行 安装步骤 购买GPU机器后（有关说明，请参见 ） 运行first.sh-这将为后续步骤安装基本实用程序 运行second.sh-按照显示的链接中的说明获取Nvidia的驱动程序。 此存储库中提供了针对Ubuntu 16.04的安装（在second.sh中-默认情况下已注释） 使用nvidia_smi确认正确的安装 运行third.sh-这将安装anaconda，pytorch。 执行多GPU测试 conda激活伯特 python multi_gpu.py 请注意，这30个输入的批次分布在8个GPU上-7个G

CUDA是一种专门为提高并行程序开发效率而设计的计算架构。在构建高性能应用程序时，CUDA架构能充分发挥GPU的强大计算功能。本书首先介绍了CUDA架构的应用背景，并给出了如何配置CUDA c的开发环境。然后通过矢量求和运算、矢量点积运算、光线跟踪、热传导模拟等示例详细介绍了CUDA c的基本语法和使用模式。通过学习本书，读者可以清楚了解CUDA c中每个功能的适用场合，并编写出高性能的CUDA软件。

基于 GPU 的 LDPC 码（Low-Density Parity-Check codes，低密度 奇偶校验码）软件译码器优化设计方法。选用了适用于 GPU 架构的基于最小和算 法的分层迭代译码方法开展译码器的设计工作。在并行译码方式上分别给出了码字间 和码字内并行处理方案，并基于 CUDA（Compute Unified Device Architecture）多线程 模型优化了码字映射规则。为提升译码内核执行效率，提出的优化方法包括：设计满 足负载平衡的合理资源分配、针对最小和算法中的并行规约数值求解以及译码层更新 的分支优化，实现对 GPU 硬件资源的高效利用；通过对 LDPC 码校验矩阵优化存储结 构以及多种译码信息量化方式合并存储策略的设计，提升译码过程中的数据访问效率。 其二，本文给出了基于 GPU 的卷积码软件译码器优化设计方法