Jetson_Xavier_NX_Developer_Kit_User_Guide.pdf　Jetson Xavier NX 开发者套件使用指南英文版

jetson_agx_xavier_developer_kit_user_guide.pdf 英伟达jetson agx xavier 开发者套件使用指南英文版

Jetson_Nano_Developer_Kit_User_Guide.pdf 英伟达Jetson　Nano　开发者套件用户指南英文版

jetson xavier nx 载板设计文件、引脚配置文件

NVIDIA® Nsight™ Tegra®, Visual Studio Edition brings Microsoft Visual Studio to Android, allowing for seamless GDB and JDB remote debugging to all Android devices capable of native application debugging, supporting all Android ABIs – ARM v7, ARM v8, x86, x64.

NVIDIA最新显卡驱动，适合GeForce RTX 2080Ti、GeForce GTX 1650 Ti、GeForce GTX 1650 Ti with Max-Q Design、GeForce RTX 2060 with Max-Q Design、Quadro T1000 with Max-Q Design等。

nvidia x86 gpu codec 最新版本sdk

NVIDIA

NVIDIA_Texture_Tools_Exporter_for_Adobe_Photoshop_2020.1.3.exe

培训关于批处理AI的分布式培训 此仓库是有关如何使用Batch AI以分布式方式训练CNN模型的教程。 涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。 图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。 对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。 在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。 在这些情况下使用分布式培训有助于缩短培训时间。 在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50 CNN模型。 本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。 有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。 当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。 在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。 每个设备都