selective_scan_cuda 在Windows下对应的模块编译好的文件，可解决 No moudule named selective_scan_cuda.

mamba是一个用于管理Python环境的包管理工具，类似于conda，但相较于conda有更快的安装速度和更优的性能。它广泛应用于数据科学、机器学习等领域，特别是当用户需要处理大型数据集和复杂模型时。torch环境指的是PyTorch环境，PyTorch是由Facebook开发的一个开源机器学习库，广泛用于计算机视觉和自然语言处理等领域。 mamba与torch环境的结合，让用户可以方便地管理和维护PyTorch及其相关依赖包的安装和更新，确保了不同项目的依赖环境互不干扰。通过mamba可以创建独立的环境，每个环境都可以安装特定版本的PyTorch和其他库，这样可以避免因版本冲突而导致的问题。 本次提供的压缩包文件包含了PyTorch、torchvision和torchaudio的whl文件，这些文件分别对应于不同版本的PyTorch核心库、视觉处理模块和音频处理模块。这些库都支持CUDA架构，这意味着它们可以利用NVIDIA GPU的计算能力来进行加速计算，尤其是在深度学习训练和推断中。 文件名中的“cu118”表示这些库支持CUDA 11.8版本，这对于拥有相应GPU硬件的用户而言十分重要，因为只有正确匹配CUDA版本才能确保GPU加速功能得以利用。而“cp310-cp310”表明这些库是为Python 3.10版本设计的，确保了与当前流行Python版本的兼容性。文件扩展名“.whl”是Python Wheel的缩写，表示这是一个预编译的Python分发包，安装时比传统的`.tar.gz`格式更加快捷和简单。 此外，文件名中的“torch-2.3.1+cu118-cp310-cp310-linux_x86_64.whl”、“torchvision-0.18.1+cu118-cp310-cp310-linux_x86_64.whl”和“torchaudio-2.3.1+cu118-cp310-cp310-linux_x86_64.whl”分别表示这些是PyTorch核心库、视觉处理模块和音频处理模块的安装包。安装这些包之后，用户可以在Python环境中使用PyTorch进行机器学习模型的训练和推理，使用torchvision进行图像和视频的处理，以及使用torchaudio处理音频数据。 通过这样的安装方式，开发者可以快速构建出一个具有高度兼容性和高性能的深度学习开发环境，从而专注于模型的开发和创新，而不必担心环境配置的问题。这对于科研人员、数据科学家、机器学习工程师等群体来说，无疑提高了工作效率，加速了开发进程。 无论如何，使用mamba安装PyTorch及其相关模块时，都应该遵循官方的安装指南，并确保所选择的版本与系统环境以及项目需求相匹配。特别是在使用特定版本CUDA的GPU时，应该下载与之对应的CUDA版本的PyTorch包，以确保最佳性能。此外，由于深度学习领域发展迅速，库的版本更新频繁，保持环境的更新和维护也是使用过程中不容忽视的环节。

CUDA 编程：基础与实践 CUDA（Compute Unified Device Architecture）是一种由NVIDIA公司推出的编程模型，用于利用GPU（Graphics Processing Unit）的强大计算能力来执行并行计算任务。CUDA编程是实现高性能计算的重要手段，特别是在科学计算、数据分析、机器学习等领域有着广泛应用。 本书《CUDA 编程：基础与实践》由樊哲勇著，旨在通过实例系统地介绍CUDA编程的基础知识和技术。书中分为三个部分： 1. **基础知识**：前12章主要针对初学者，通过一系列简短的示例来引导读者理解CUDA编程的核心概念。这些章节涵盖了GPU硬件结构，CUDA软件开发工具的使用，如CUDA SDK和nvcc编译器。第1章介绍了GPU的基本工作原理和CUDA编程环境。第2章至第4章讲解了CUDA线程组织、程序框架和错误处理机制。第5章探讨了如何实现GPU加速的关键因素，如数据局部性和计算并行度。接着，第6章至第8章详细阐述了CUDA的内存系统，包括全局内存、共享内存、常量内存和纹理内存的使用。第9章介绍了原子操作，这是在并行环境中实现同步和数据一致性的重要工具。第10章讲解了线程束内的基本函数，如同步和同步屏障。第11章和第12章分别讨论了CUDA流和统一内存，前者用于提高并发执行的效率，后者简化了主机与设备间的数据管理。 2. **实践应用**：第13章通过一个具体的分子动力学模拟程序，综合运用前面章节的知识，让读者体验完整的CUDA项目开发过程。这一章不仅加深了对CUDA编程的理解，也展示了CUDA在实际问题解决中的应用。 3. **CUDA库的使用**：第14章介绍了几个常用的CUDA库，包括Thrust、cuBLAS、cuSolver和cuRAND。这些库提供了高级接口，简化了矩阵运算、线性方程组求解和随机数生成等任务的实现，是CUDA编程中不可或缺的工具。 本书适合具有C++编程基础的理工科大学生和研究生，以及任何对CUDA编程感兴趣的读者。通过学习，读者将能够熟练掌握CUDA编程语言，了解并行计算的基本原理，以及如何利用GPU加速计算密集型任务。 作者樊哲勇，作为一名专注于计算凝聚态物理的博士后，拥有丰富的CUDA编程经验，他的CUDA开发项目如GPUMD、GPUGA和GPUQT已在相关领域发表多篇论文。本书的源代码可在GitHub仓库中获取，读者可以在此基础上进行实践和交流。 《CUDA 编程：基础与实践》是一本全面且实用的CUDA编程教程，它不追求涵盖所有的CUDA特性，而是精心挑选了最核心的知识点，旨在帮助读者快速掌握CUDA编程并应用于实际项目中。无论你是初涉GPU计算，还是希望进一步提升CUDA编程技巧，这本书都将是你宝贵的参考资源。

selective_scan_cuda_core 在Windows下对应的模块编译好的文件

cuda 12.1 nvrtc64_120_0.dll

Vmamba selective_scan 在Linux下环境安装包 cuda 11.8 ，直接pip install 即可 ，此版本包含selective_scan_cuda_core

CUDA C编程权威指南.pdf

前言致谢第1章 基于CUDA的异构并行计算1.1 并行计算1.1.1 串行编程和并行编程1.1.2 并行性1.1.3 计算机架构1.2 异构计算1.2.1 异构

CUDAV8.0 编程指南

粒子_新 使用 CUDA 对颗粒物质进行 DEM 模拟