ubuntu18.04，先装显卡驱动，后cuda、cudnn

nccl本地安装包，适合ubuntu20.04及cuca11.0以上版本

cuda进行高斯列主消元求解方程组的解，并于cpu求解进行速度比较。矩阵值为随机数，矩阵大小可进行调整，来比较不同维度的矩阵求解的速度。

在VS2005环境下，使用CUDA编程实现SAR成像中CSA算法的实现，得到了很好的加速比。-

适用于NVIDIA11系列的pytorch anaconda环境，完整压缩包，直接解压放置在env文件下即可使用。

这个资源请配合原文使用，谢谢http://blog.csdn.net/fishseeker/article/details/75093166

博客附件 opencv4.3与cuda10.2编译的GPU版本。opencv_dnn调用yolov3 cuda加速都通过了 效果很好，库的依赖做的很干净全部10.2的cuda依赖也带上了 。 这次工程部署可以来说是完美版了。只要是cuda支持10.0上的nvidia显卡完美飞起来。 详细我在博客去讲吧。

利用CUDA优化实现图像的锐利化、模糊化。附带整个程序代码，GPU并行计算课程最后的大作业。可以用来参考和借鉴。（代码正确无误，直接复制可跑）

cudnn-10.0-windows10-x64-v7.4.2.24.zip

随着网络数据量的暴增与计算机算力的发展，近些年来深度学习领域取得的重大的发展，许多传统机器学习领域无法解决的问题都在深度学习中取得突破。深度卷积神经网络是深度学习中的一中网络结构，与传统的全连接网络相比，采用卷积实现局部连接和权值共享，能够有效的解决参数爆炸的问题，广泛的被应用在计算机视觉领域。然而由于参数训练过程计算量太大，滑动卷积矩阵乘计算非常的费时，完成一个卷积神经网络模型的训练往往需要消耗大量的时间，针对这个问题，本次实验将构建一个基于CUDA架构的编程环境，采用CUDA/C++编程实现二维的卷积的并行计算，通过对比GPU实现与CPU实现，调整不同参数，分析并行技术对程序性能的提升效果