总结出来的整套配置anaconda（Spyder）+tensorflow+CPU/GPU的安装配置；以及踩过的各种坑及解决方法；良心总结

GPU高性能编程CUDA实战—book.h CPUBitmap.h等头文件

PyTorch中的非负矩阵组合 PyTorch不仅是一个很好的深度学习框架，而且还是矩阵操作和大数据卷积方面的快速工具。 一个很好的例子是 。 在此程序包中，我基于torch.nn.Module在PyTorch中实现了NMF，PLC​​A及其反卷积变化，因此可以在CPU / GPU设备之间自由移动模型并利用cuda的并行计算。 模组 NMF 基本的NMF和NMFD模块使用乘法更新规则将beta差异最小化。 乘数是通过torch.autograd获得的，因此减少了代码量并且易于维护。 该界面类似于sklearn.decomposition.NMF ，但具有一些其他选项。 NMF ：原始NMF算法。 NMFD ：一维反卷积NMF算法。 NMF2D ：二维反卷积NMF算法。 NMF3D ：3-D反卷积NMF算法。 可编程逻辑控制器 基本的PLCA和SIPLCA模块使用EM算法来最

《GPU高性能编程CUDA实战》源码

CUDA并行程序设计GPU编程指南(包含原书代码book.h CPUBitmap.h等)

英伟达官方2021.6最新CUDA程序 cuda_11.3.1_465.89_win10百度网盘链接 适用于win10 64，亲测可用

高清cuda学习文档 CUDA并行程序设计 GPU编程指南和CUDA_C_Programming_Guide

tensorflow2.6whl，适配cuda11。适用的cudnn版本为8.1.0，cuda版本为11.0.2。

GPU-Z GPU检测.exe

mobilenetv3 这是MobileNetV3架构的多GPU Tensorflow实现，如论文。 对于一些更改。 论文V1的实现请参见该存储库中的以获得详细信息。 在tf1.3.0，tf1.10.0，python3.5上进行了测试。 mobilenetv3大 mobilenetv3小 用法 from mobilenet_v3 import mobilenet_v3_large, mobilenetv3_small model, end_points = mobilenet_v3_large(input, num_classes, multiplier=1.0, is_training=True, reuse=None) model, end_points = mobilenet_v3_small(input, num_classes, multiplier=1.0, is_trai