这是我利用GPU加速Opencv的时候自己在VS2015平台下编译好的库(VS2015+CUDA9.2+OpenCV3.4.2)

PyTorch中的Deformable-ConvNets-V2 此存储库是的实现。 从原始移植。 有关完整框架，请参考此。 在可以找到基于mmdetection代码库的DCNv2的结果。 非常感谢强大而干净的框架。 master分支中的运算符与pytorch_v0.4.1兼容。 对于pytorch v1.0.0（由Jiajiai 实现）上的运算符，请参阅。 多亏了和mmlab的其他贡献者，DCNv2现在已基于该分支的主分支纳入正式的mmdetection回购中。 现在，它是使用新的cpp扩展api编写的，并且支持PyTorch 0.4.1和1.0，但速度和内存优化较小。 结果和模型可以在找到。 建造 sh make.sh 有关用法示例，请参见test.py和test_modulated.py 。 注意 此仓库提供了可变形的conv层，该层可在Deformable ConvNets

countour2D_CUDA 这是程序的代码，它在CUDA中计算多边形数据的二维轮廓点 C Contour计算使用CUDA的二维多边形数据 最近我有一个轮廓计算的项目，并尝试在NVIDIA显卡上进行，因为它是现在普通机器上最快的平台之一。 有许多计算几何算法可用于对 2D 点数据进行轮廓计算，但几乎没有用于对多边形数组进行此类计算。 提供的算法使用蛮力来获取结果，但由于许多多线程计算，因此在使用 GPU 时可以正常工作。 算法很简单： 检测所有图形的线交叉点 计算所有点，它们位于方形“内部”轮廓和静止空间之间的边缘，这是用更大的力量制作的：围绕每个点程序生成具有 Epsilon 半径和 AngleStep 步长的圆，并且生成的圆的每个点是检查它是否位于场景的多边形之一上。 如果圆包含不属于任何多边形的扇区，则意味着这是边缘点，当然，是轮廓点。 程序运行良好，但可以优化。 希望你能使

windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN 步骤零：安装anaconda、opencv、pytorch（这些不详细说明）。复制运行代码，如果没有报错，说明已经可以了。不过大概率不行，我的会报错提示AssertionError: Torch not compiled with CUDA enabled。说明需要安装CUDA，或者安装的pytorch版本是不带CUDA的版本，需要按照以下步骤操作。 步骤一：安装CUDA 步骤二：安装cuDDN 步骤三：测试运行代码 附：电脑不支持CUDA或者不想用gpu加速深度学习的 1. 安装CUDA 这就是

非常简单的例子，把后缀改成.cu，安装好vs、opencv和cuda就能运行。cpu内存读取图片（单通道），拷贝到gpu纹理内存，再取出来放回cpu内存，主要体会关于内存的操作。非常适合初学者。

arm、 jetson nano 可用的 onnxruntime-gpu

Nvidia CUDA 编程指南

CUDA：学习CUDA

英伟达cuda认证通过代码

cudnn-v7.6.5.zip