登录社区云，与社区用户共同成长
邀请您加入社区
笔者这几天需要使用Google的mediapipe框架进行自定义的数据训练，值得注意到的是Google家的这个方便的自定义训练只支持在Linux下完成。具体原因可以参考到也即是google.colab库需要的环境就是Unix系的OS。。。所以没办法（耸肩），只好在WSL上完成mediapipe应用框架的搭建，刚好笔者准备尝鲜。
◦cuda-gdb (Linux) 和 Nsight Visual Studio Edition (Windows)： 用于调试 CUDA 内核的图形化调试器，可以设置断点、查看变量等。你不能只读理论，必须亲自写代码、调试、分析性能。这个阶段的目标是从“能用”到“用好”，学习如何高效地在 CPU 和 GPU 之间传输数据，并利用 GPU 的各种内存来极致提升性能。◦开源项目： 在 GitHub 上
https://zhuanlan.zhihu.com/p/659200094
啊，之前还以为是nvidia的驱动有问题，装了新驱动nivia-smi后cuda版本显示为12.8，一顿库库卸载，然后又安装个低版本的nvidia的驱动，nivia-smi后显示版本12.6，因为卸载的时候因为也卸载了cuda，所以安装的时候发现了问题，为啥没有安装cuda，nivia-smi后还是显示版本呢？误区2：装cuda在装torch，不要，不要，不要装cuda，直接去装torch，tor
cuda训练营学习笔记
接下来，在另一个循环中，对于每个流，执行核函数。对i进行赋值，threadIdx%x表示当前线程在x维度上的索引，blockIdx%x表示当前线程块在x维度上的索引，blockDim%x表示线程块的大小（在x维度上的线程数）。两个版本的目标相同，都是通过利用异步传输和执行来提高程序的性能，但是版本2可能会有更好的并行性能，因为每个操作都在单独的循环中执行，可能会更好地利用系统资源。表示流的数量，n
本文分享了Flash Attention v2的学习笔记，主要内容包括： Flash Attention v2的主要优化点：减少非matmul计算、优化seqlen维度并行、改进Warp分区策略 对比v1和v2的计算逻辑差异，包括IO交换次数减少和循环顺序调整 提供官方Triton实现的代码片段，展示了注意力机制的核心计算过程 介绍了在不同硬件平台上的配置选项 文章是系列笔记的一部分，涉及Flas
3.注意重点：30系列以及以上的显卡，不支持11以下的cuda了。需要安装11.0及以上的cuda.注：pycharm和vscode 均为代码编译器，选择自己喜欢的就好。ps:以上参考了其他博主，主要用于自己学习，也希望可以帮到大家。1.查看电脑是否支持gpu。
NVIDIA GeForce RTX 3050 Laptop GPU with CUDA capability sm_86 is not compatible with the current PyTorch installation.The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_61 sm_
参考的是代码运行的相关实操移步视频在本次实验中，使用了经典的AlexNet卷积神经网络对经典的MNIST数据集进行训练。完成了模型搭建与训练的任务，识别精度也足够高，也编写了简单的用户界面，用真实手写的图片进行测试，可以看出模型对于真实场景的效果也是适用的，而不是只适用于加载出来并分割出来的测试集。为了进一步改进，可以引入图像增广、翻转、裁剪、颜色变化等办法进一步扩大制作数据集，用于训练与测试。可
转载至。
