交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。

Unity下的烘焙神器

针对序列图像超分辨率重建非局部均值（non-local means，NLM）算法重建结果图像边缘区域过平滑的问题，提出了一种局部参数自适应改进方法。将整幅图像划分为图像子块，然后根据图像子块平均像素信息计算出其对应的滤波参数，这样有助于减少因整幅图像使用统一滤波参数而导致的某些高频信息的丢失。实验结果表明，与经典NLM重构算法相比，改进算法重建出的结果图像的轮廓边缘更清晰，字符辨识度更高；在算法实现方面，图像重构程序在CPU/GPU平台上实现，使用GPU并行化加速的程序比单CPU运算的程序，加速比最高可达

GPU编程与CG语言中文版

NLS_2.0_POC_Guide_CN NVIDIA_vGPU_Brochures_v1.2 NVIDIA_vGPU_Installation_Guide_v1.5

tensorflow GPU DLL libtensorflow-gpu-windows-x86_64-2.3.0.zip

vulkansdk，linux下的 1.1.126版本。 官网的资源，有时候真的很难下载，这里分享出来，希望帮到各位！vulkan威武！

题目描述 编写一个矩阵乘法的GPU并行程序，并且与对应规模的串行程序进行运行时间的比对（n=500，1000，1500，2000，3000，5000），画出规模和时间对比图。 矩阵A（n，n） 矩阵B（n，n） C = A x B 要求： 1、完成程序的开发并验证其正确性，完成一个实验报告（程序源代码、变量和语句的详细说明） 2、在实验报告中通过图表说明CPU串行和GPU并行在各种规模的运行时间； 3、在实验报告中通过图表说明GPU并行不同的数据分配在各种规模的运行时间。 设计思路 矩阵实验的代码环境为VS2019 community+CUDA 10.1，在vs2019中运行确定无问题后，用xtfp上传该cu文件，在shell中在跑一遍 自己写的作业，用学校分配的并行网络，跑出来的，实打实的结果 预览：https://img-blog.csdnimg.cn/87873b9ed0a840c3b156e1bc3faca024.png

caffessd-gpu

c# 通过emgucv调用gpu推理yolov7和yolov7-tiny，darknet版本。