SIFT-GPU A CUDA implementation of SIFT： 配置 （待完成）见SIFT-GPU配置教程 测试 1.Release 模式 cd bin ./SimpleSIFT.exe Release模式，输出结果： [GPU VENDOR]: NVIDIA Corporation 1717MB TEXTURE: 16384 Image size : 800x600 Image loaded : ../data/800-1.jpg Features: 3358 Features MO: 3923 Image size : 640x480 Image loaded : ../data/640-1.jpg Features: 2383 Features MO: 2791 2279 sift matches were

这是多维高斯混合模型的期望最大化算法的并行实现，旨在在 NVidia 显卡上运行，支持CUDA。 在我的机器上，它提供高达 170 倍的性能提升（16 个暗淡、16 个集群、1000000 个数据点）。 有关更多信息，请参阅http://andrewharp.com/gmmcuda 上提供的报告。 有趣的代码都在 gpugaumixmod.h 和 gpugaumixmod_kernel.h 中。 参考 CPU 实现位于 cpuaumixmod.h 中。 它可以集成到支持 CUDA 的系统上的任何 C 程序中。 此外，在 gmm.cu 中提供了 Matlab 集成。 自最初发布以来，我添加了同步随机重启。 实验 1 现在利用了这一点。 编译================================================== ====================

matlab提取文件要素代码CUDA深度神经网络 这是某些深度神经网络（DNN）的实现。 我们密切关注，但是使用C ++ /代替Matlab或Octave。 每个神经网络体系结构都在单独的类中实现，其中一些由其他类组成。 我们已经有了以下架构的工作版本： 稀疏自动编码器（AE） Softmax回归（SM） 堆叠式自动编码器（SAE） 线性解码器（LD）（测试中） 数学 作为参考，我们在此提供每种体系结构的摘要信息。 实际上，我们主要给出了我们在代码中使用的方程式，因此请参阅参考资料以获取完整的说明。 请注意，我们的方程看起来可能与那里的方程并不完全一样，因为我们将给出同时处理大量数据的向量化版本。 但是首先，一些通用的符号： 象征 描述 数据输入大小。 特征向量的维数。 数据列大小。 要训​​练多少个特征向量。 尺寸数据矩阵。 每列都是一个特征向量。 维度的标签向量。 元素包含特征向量的标签。 向量和维度。 这不是单位矩阵。 1和维的矩阵。 这不是单位矩阵。 成本函数中的权重衰减参数。 梯度下降的学习率。 sigmod功能。 可能是什么（实数或矩阵）。 当应用于矩阵时，返回一个向量，该

格子玻尔兹曼是一种简单而相对年轻的计算流体动力学方法。 与基于宏观量（质量，动量和能量）守恒的传统计算流体动力学相反，LBM通过在离散晶格网格上传播和碰撞的粒子动力学来对流体进行建模。 由于这种对比，LBM对于数字计算的研究具有许多有趣的优势，例如易于处理复杂的边界和算法的并行化[2]。 下图显示了如何将流体“粒子”表示为离散模型，从而使编写简单明了的建模代码变得毫不费力。 莱迪思·博尔兹曼（Lattice Boltzmann）的模拟我意识到自己只是一个在时间流中虚弱挣扎的人。 但是，我仍然有能力以这样的方式做出贡献：当气体理论得以复兴时，不需要重新发现太多-[Ludwid Boltzmann（* 1844，维也纳，✟in Duino bei Triest）]受启发由Daniel V. Schroeder [1]的原创作品撰写。 格子玻尔兹曼是一种简单而相对年轻的计算流体动力学方法。 与传统相反

使用CUDA实现Hough变换，编译环境为VS2005，用到了cuda_vs_wizard进行环境设置，使用OpenCV读入和处理图像并与CUDA的处理结果做比较，这只是一个简单的示例，供入门者学习，程序本身没有做优化。有兴趣的可以做一下优化或在此基础上完成更复杂的图像处理工作

CUDA-3D CUDA基础教程 用于3D点云操作，功能工程和基本算法的本机CUDA实现 结构体 ├── operators │   └── README.md ├── README.md └── tutorials ├── hello_world │   ├── coordinating_parallel.cu │   ├── error101.cu │   ├── error_macro.cu │   ├── grid_stride.cu │   ├── hello_world.cu │   ├── loop_accelerate.cu │   ├── Makefile │   ├── matrix_mul.cu │   ├── memory101.cu │   ├── mismatched_c

CUDA实现稀疏大矩阵乘法

格子Boltzmann模拟 我意识到自己只是一个在时间流中虚弱挣扎的人。 但是我仍然有能力以这样的方式做出贡献：当气体理论复活时，不需要太多的重新发现 -[Ludwid Boltzmann（* 1844，维也纳，✟于Duino bei Triest）] 受到Daniel V. Schroeder 的原创作品的启发。 格子玻尔兹曼是一种简单而相对年轻的计算流体动力学方法。 与基于宏观量（质量，动量和能量）守恒的传统计算流体动力学相比，LBM通过在离散晶格网格上传播和碰撞的粒子动力学来对流体进行建模。 由于这种对比，LBM对于数字计算的研究具有一些有趣的优势，例如易于处理复杂的边界和算法的并行化。 。 下图显示了如何将流体“粒子”表示为离散模型，从而使编写简单明了的建模代码变得毫不费力。 该项目旨在利用算法易于并行化的特性来加速传播，碰撞和弹跳步骤，其中网格的增长对程序运行时间的增长具

最小二乘的cuda实现，cuda版本的最小二乘法，节省了时间

CUDA中PyTorch的软DTW 用于PyTorch的快速CUDA实现。 基于但运行速度最高可提高100倍！ forward()和backward()传递都使用CUDA实现。 我的实现部分受到启发，其中提出了基于对角线的Belman递归实现。 入门 此代码取决于和 。 只需在您的项目中包含soft_dtw_cuda.py ，就可以了！ 您还可以运行随附的事件探查器/测试（已通过Python v3.6测试），并查看获得的加速效果： git clone https://github.com/Maghoumi/pytorch-softdtw-cuda cd pytorch-softdtw-cuda python soft_dtw_cuda.py 用法示例 脚本中已经提供了示例代码。 这是一个简单的例子： from soft_dtw_cuda import SoftDTW # Crea