NVIDIA Data Center GPU Manager (DCGM) 监控 GPU 服务 运行状况 使用的命令为 dcgmi 。

GPU-Benchmarking-OpenCL 版权所有 (c) 2014，龙 (Ryan) 南宫。 保留所有权利。 邮箱： 创建时间：2014 年 7 月 15 日 注意：在运行此基准测试程序之前，您可能需要下载并安装 OpenCL 平台。 请从下载 Nvidia OpenCL 平台或来自英特尔 OpenCL 平台基于您的图形卡的供应商。 运行内存基准测试 {host->device/device->host/device->device} 使用 1 字节消息进行测试 gpu_start -m1b 用 1kbyte 消息测试 gpu_start -m1kb 使用 1Mbyte 消息进行测试 gpu_start -m1mb 运行 GPU 速度基准测试浮点运算测试 gpu_start -sf 整数运算测试 gpu_start -si

gpu的检测工具，检测其工作状态

cudaa for ubuntu 20.4

使用opencv进行GPU加速计算机视觉（源码）

使用CUDA编程实现并行粒子群优化算法，主要运算部分在GPU上实现，CPU实现逻辑控制。并行计算比串行块10倍多，速度快，精度高。

使用darknet（windows GPU 版本） yolov3 训练自己的第一个检测模型.,使用darknet（windows GPU 版本） yolov3 训练自己的第一个检测模型.

GPU不同型号选择与购买建议，机器深度学习软件安装文档。

GPy火炬 新闻：GPyTorch v1.3 GPyTorch v1.3刚刚发布。 GPyTorch是使用PyTorch实现的高斯进程库。 GPyTorch旨在轻松创建可扩展，灵活和模块化的高斯过程模型。 在内部，GPyTorch与许多现有的GP推理方法不同，它使用诸如预处理共轭梯度之类的现代数值线性代数技术执行所有推理操作。 实施可扩展的GP方法非常简单，就像通过我们的LazyTensor接口或内核很多现有的LazyTensors为内核矩阵及其派生词提供矩阵乘法例程LazyTensors 。 与基于Cholesky分解的求解器相比，这不仅可以轻松实现流行的可扩展GP技术，而且通常还可以显着提高GPU计算的利用率。 GPyTorch提供（1）显着的GPU加速（通过基于MVM的推理）； （2）用于可伸缩性和灵活性（ ，， ， ，...）的最新算法进步的最新实现； （3）易于与深

C-SAW：在 GPU 上进行图形采样和随机游走的框架 C-SAW 是一个基于 GPU 的框架，可用于实现图采样和随机游走算法的变体。 这个 repo 包含两个文件夹。 一个用于大图的流采样，另一个用于适合 GPU 内存的图的非流采样。 C-SAW 使用 CSR 格式的图形进行采样。 作为示例，Web-google 数据集包含在 repo 中。 大多数数据集的邻接列表可在此处获得。 邻接表可以使用这个库转换成CSR： : 生成 CSR 并将文件夹放在非流式和流式采样的主目录中。 跑步： Step 1: Define the required API in API.cuh inside the non-streaming folder. Step 2: Go to streaming or non streaming folder. Run make command. S