OpenCVOpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。opencv官网github源码OpenGLOpenGL（英语：OpenGraphicsLibrary，译名：开放图形库或者“开放式图形库”）是用于渲染2D、3D矢量图形的跨语言、跨平台的应用程序编程接口（API）。这个接口由近350个不同的函数调用组成，用来从简单的图形

AI学习目录汇总1、导数和微分1.1导数的定义f′(x)=lim⁡h→0f(

一、简介 开源项目，文本提示的生成音频模型https://github.com/suno-ai/bark Bark是由Suno创建的基于变换器的文本到音频模型。Bark可以生成极为逼真的多语种演讲以及其他音频-包括音乐、背景噪音和简单的声音效果。该模型还可以产生非言语沟通，如笑声、叹息和哭声。为了支持研究社区，我们提供了预训练的模型检查点，可用于推断，并可供商业使用。二、演示链接:https://pan.baidu.com/s/1O9_la6TBar75NfI1yut4Lg?pwd=utqg提取码:utqg 三、支持的语言LanguageStatusEnglish(en)✅German(de)

即使我们可以利用反向传播来进行优化，但是训练过程中仍然会出现一系列的问题，比如鞍点、病态条件、梯度消失和梯度爆炸，对此我们首先提出了小批量随机梯度下降，并且基于批量随机梯度下降的不稳定的特点，继续对其做出方向和学习率上的优化。01、局部极小值，鞍点和非凸优化基于梯度的一阶和二阶优化都在梯度为零的点停止迭代，梯度为零的点并非表示我们真的找到了最佳的参数，更可能是局部极小值或者鞍点，在统计学习的大部分问题中，我们似乎并不关心局部极小值和全局最小值的问题，这是因为统计学习的损失函数经过设计是一个方便优化的凸函数，会保证优化问题是一个凸优化问题。在凸优化问题中，比如最小二乘和线性约束条件下的二次规划，

1.单指令多线程模式从硬件上看，一个GPU被分为若干个SM。线程块在执行时将被分配到还没完全占满的SM中，一个线程块不会被分配到不同的SM中，一个SM可以有一个或多个线程块。不同线程块之间可以并发或顺序地执行。当某些线程块完成计算任务后，对应的SM会部分或完全地空闲，然后会有新的线程块被分配到空闲的SM。从更细的粒度看，一个SM以32个线程为单位产生、管理、调度、执行线程，这样的32个线程称为一个线程束，每个线程束包含32个具有连续线程号的线程。在Volta架构之前，一个线程束中的线程拥有同一个程序计数器(programcounter)，但有各自不同的寄存器状态。在同一时刻，一个线程束中的线程

进入nvidia开发者网站的CUDA下载页面：CUDAToolkitArchive|NVIDIADeveloper选择runfile格式的CUDA文件下载，下载完成后，解压，并运行上图中的命令，会有条款，接受即可，注意安装CUDA的时候不要安装驱动（因为在第一步我们已经安装过了）。然后，sudovim~/.bashrc我们在文件最后一行添加：exportPATH="/usr/local/cuda-11.7/bin:$PATH"exportLD_LIBRARY_PATH="/usr/lcoal/cuda-11.7/lib64:$LD_LIBRARY_PATH"最后，使刚才的配置生效。source

目录一、深度残差网络（DeepResidualNetworks）简介深度学习与网络深度的挑战残差学习的提出为什么ResNet有效？二、深度学习与梯度消失问题梯度消失问题定义为什么会出现梯度消失？激活函数初始化方法网络深度如何解决梯度消失问题三、残差块（ResidualBlocks）基础残差块的核心思想结构组成残差块的变体四、ResNet架构架构组成4.1初始卷积层功能和作用结构详解为何不使用多个小卷积核?小结4.2残差块组（ResidualBlockGroups）功能和作用结构详解残差块组与特征图大小小结4.3全局平均池化（GlobalAveragePooling）功能和作用结构详解与全连接层

基于Cuda开发GPUGPU程序时，最重要的仍然是内核的设计，这是Cuda性能优化的难点，提供了不少岗位，养活了一大批工程师。这里以一个相对简单的的求平方和算法为例，从编程和优化，调试几个维度，介绍利用cuda开发并行计算程序时的关注点。cudaAPINVIDIACUDA计算架构为开发者提供了三个层面的API，分别是CudaLib,CudaRT,和cudadriver。cudadriver是比较底层的API，用法复杂但是性能高，可以深度二次优化，对于研发能力强的用户可以在这个层次上做出高性能的计算方案出来，其次是最常用的cudaruntime，也就是我们常用的cudaAPI.最上层是cudal

官网链接DeployingPyTorchinPythonviaaRESTAPIwithFlask—PyTorchTutorials2.0.1+cu117documentation通过flask的restAPI在python中部署pytorch在本教程中，我们将使用Flask部署PyTorch模型，并开放用于模型推断的RESTAPI。特别是，我们将部署一个预训练的DenseNet121模型来检测图像。这是关于在生产环境中部署PyTorch模型的系列教程中的第一篇。使用Flask这种方式是迄今为止部署PyTorch模型的最简单方法，但它不适用于具有高性能要求的用例。如果你已经熟悉了TorchScr

一，安装Cuda驱动可参考笔者之前写过的文章：升级GPU服务器cuda驱动版本指南如果出现如下报错，则需安装gcc、kernel-devel，请参考下面第二步安装gcc、kernel-devel。二，安装gcc、kernel-devel1，安装gcc和kernel-devel若直接执行如下命令安装，如果默认版本不一致，则会遇到如下图报错：yum-yinstallgcckernel-devel./NVIDIA-Linux-x86_64-515.86.01.run2，报错原因使用如下命令查看内核版本是否一致uname-rrpm-qkernel-devel正常结果应该是如下图所示，内核版一致，若不一