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

杰库达 JCuda-CUDA的Java绑定 有关更多信息和构建说明，请参考 。

CUDA入门必备的书籍 想学CUDA的必看哦 中文的书学习来相对容易点

win10下搭建Mask Rcnn环境详细教程并运行第一个demo程序（包含Anaconda+Tensorflow-gpu+Cuda+cuDnn安装过程及各种坑）-附件资源

Parallel Proceprogramming massively parallel processors 带目录 高清版

win10下搭建Mask Rcnn环境详细教程并运行第一个demo程序（包含Anaconda+Tensorflow-gpu+Cuda+cuDnn安装过程及各种坑）-附件资源

使用 ACO 的 TSP 说明 - 对于 ACO ，因为它是一个更小更简单的代码，我只为并行版本和 CUDA 版本分别使用了 1 个文件。我正在使用一个开源 map_generator（用 ruby​​ 编码），它将城市数量作为参数并构建一个 map.txt，其中包含一个带有所述 N 个城市的随机城市地图。运行地图生成器的命令：ruby map_generator.rb Num_of_cities -我已经编译并保存了 3 个不同的地图变体，以方便评分者检查我的代码。map25.txt 、 map50.txt 和 map100.txt 分别包含 25,50,100 个城市的地图。 - 运行代码的顺序和并行版本。只需执行“make”并运行顺序版本，例如运行 25 个城市 -> ./tsp-ant-cpu < map25.txt 并运行并行版本，例如使用 25 个城市 -> ./tsp- ant-gpu < map25.txt 这确保并行和顺序版本的输入数据相同 更多详情、使用方法，请下载后阅读README.md文件

GPU产生之前，处理2D、3D图像都是依赖于CPU，但是由于CPU任务繁多，而且还有设计上的原因，这样面对处理日益复杂的3D图形图像时就会常常出现显卡等待CPU数据的情况，正是在这种情况下一种全新的图形图像处理器诞生了，从而大大加快了图形图像的处理速度，这种处理器就是“GPU”

一个老程序猿要走Pytorch的新路，先搭建一个运行调试环境，踩坑若干若干，那滋味就是一个字=太爽！分享给同路的小伙伴，一些学习成长吧！ 涉及的内容包括： 1.更新显卡驱动GTX1070 CUDA Version：11.6； 2.从官网下载对应版本的 CUDA Toolkit Archive | NVIDIA Developer 3.安装NVIDIA cuDNN 4.安装Anaconda3 5.创建Pytorch_GPU运行的虚拟环境 6.使用清华镜像快速安装PytorchGPU版本 7.IDE安装Pycharm，链接Anaconda环境解释器 8.验证

GPUMD 什么是GPUMD ？ GPUMD代表图形处理单元分子动力学。它是在图形处理单元（GPU）上完全实现的通用分子动力学（MD）代码。 通过使用GPU [1]，可以大大提高对多体势的力评估[1]，这要归功于参考文献中得出的一组简单的力，病毒应力和热流表达式。 [2，3]。 除了高效之外，GPUMD的另一个独特功能是它具有研究热传输的有用工具[2，3，4，5]。 先决条件 您需要具有计算能力不低于3.5的GPU卡以及不低于CUDA 9.0的CUDA工具包。 适用于Linux（带有GCC）和Windows（带有MSVC）操作系统。 编译GPUMD 转到src目录，然后输入make 。编译完成后，将在src目录中生成两个可执行文件gpumd和phonon 。 运行GPUMD 转到目录src 。 键入src/gpumd < examples/input_gpumd.txt来运行exampl