开篇网上有很多篇粒子系统源码解析，但是只是简单的接口罗列，没有从最原理出发去讲清楚粒子系统的来龙去脉，我将从粒子系统的本质去讲清楚它的设计理念，当理解了它的理念以后，很多粒子遇到的问题就会迎刃解决了，这篇文章主讲粒子的实现和一些框架级的优化方式，其实有很多优化细节就不赘述粒子系统的设计思想在早期游戏发展的时候，有一些粒子效果是实现一些鼠标特效的，比如《刀剑封魔录》中滑动鼠标后，鼠标本身就会作为一个粒子发射器，在鼠标拖动后，会产生很多粒子并随着时间消亡，这就是最早的粒子系统模型 在早期的桌面系统中实现的粒子全是用cpu在屏幕上渲染的，如果需要世界中的3D粒子，则会将世界坐标转换为屏幕坐标，在屏幕
目录tensor的创建tensor的相关信息tensor的运算tensor的创建1.手动创建importtorchtest1=torch.tensor([1,2,3])#一维时为向量test2=torch.tensor([[1,2,3]])#二维时为矩阵test3=torch.tensor([[[1,2,3]]])#三维及以上统称为tensorprint(test1)print(test2)print(test3)2.根据张量的形状创建3.copy其他张量的形状创建tensor的相关信息1.数据类型2.所在的设备3.tensor的形状tensor的运算需要注意的是，在进行tensor计算时只有
Python3.11安装Pytorch开发环境#环境Ubuntu18.04,选择环境CUDA11.6,之前已安装驱动和CUDA,CUDNN环境#安装Python3.11sudoadd-apt-repositoryppa:deadsnakes/ppasudoaptupdate sudoaptinstallpython3.11#配置默认的python版本sudoupdate-alternatives--install/usr/bin/pythonpython/usr/bin/python3.111#安装pipsudoaptinstallpython3.11-venv python3.11-mens
最近研读了一些技术大咖对chatgpt的技术研讨，结合自己的一些浅见，进行些许探讨。 我们惊讶的发现，chatgpt所使用的技术并没有惊天地泣鬼神的创新，它只是将过去的技术潜能结合现在的硬件最大化的发挥出来，也正因如此，旧有技术的可用性，让各大厂嗅到了快速发展的商机，纷纷跑步入场。 首先我们要了解chatgpt是一种自然语言处理模型，也可以理解为文本生成模型。在框架上chatgpt采用了transformer框架，这种框架又被称作变形金刚，因为相对于CNN只能处理空间信息，像图像处理，目标检测等。RNN只能处理时序信息，像语音处理，文本生成等，transformer对空间信
0.前言按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文关键词：GPU、深度学习、GPGPU、渲染、Brook语言、流计算、硬件T&L、CUDA、PyTorch、TOPS、TPU、NPU深度学习理论的发展是一个渐进的过程，从1940年代人工神经元网络的提出到1970~1980年代的反向传播的提出及兴起，再到2006年后深度学习的崛起，这个过程经历了多个阶段。早期的深度学习理论受限于硬件性能，无法进行大规模的数据训练，网络也不能做的太深。近年来随着硬件性能的不断提升，尤其是图形处理器（GPU）
前面文章讲了PyTorch的基本原理，本篇正式用PyTorch来进行深度学习的实现。一、基本流程PyTorch建模的基本流程如下：graphLRA[数据导入]-->B[数据拆分]B[数据拆分]-->C[Tensor转换]C[Tensor转换]-->D[数据重构]D[数据重构]-->E[模型定义]E[模型定义]-->F[模型训练]F[模型训练]-->G[结果展示]数据导入，就是指将本地或者线上数据导入数据拆分，跟机器学习一样，将数据拆分为训练集和验证集Tensor转换，PyTorch只能使用张量数据进行训练数据重构是指将数据按照Batch进行切分后训练模型定义是指定义深度学习的网络架构模型训练是
1.深度学习框架（Tensorflow、Pytorch）1.1由来 可以追溯到2016年，当年最著名的事件是alphago战胜人类围棋巅峰柯洁，在那之后，学界普遍认为人工智能已经可以在一些领域超过人类，未来也必将可以在更多领域超过人类，所以时隔多年，人工智能再次成为业界研究的热点，但因为深度学习需要的计算量很大，对硬件要求高，过高的门槛很不利于技术的研发和推广，所以出现了国外包括：Tensorflow（谷歌）、Pytorch（脸书），Mxbet（亚马逊）；国内包括：MegEngine（旷视天元），paddlepaddle（百度），Mindspore（华为），TNN（腾讯），Jittor（清
出错背景：在我的训练过程中，因为任务特殊性，用的是多卡训练单卡测试策略。模型测试的时候，由于数据集太大且测试过程指标计算量大，因此测试时间较长。报错信息：File"/home/anys/anaconda3/envs/pytorch/lib/python3.8/site-packages/torch/utils/data/dataloader.py",line940,in__init__self._reset(loader,first_iter=True)File"/home/anys/anaconda3/envs/pytorch/lib/python3.8/site-packages/torc
参考链接：Windows下安装CUDA和Pytorch跑深度学习-动手学深度学习v2_哔哩哔哩_bilibili0.准备工作请确保你是NVIDIA的显卡（不能是AMD、集成显卡）1.下载CUDA打开developer.nvidia.com/cuda-downloads，打开有点慢选择Windows本地安装接下来就会出现对应的安装包安装或许会有点慢，取决你网速2.安装CUDA下载完成后，我们双击安装选择路径等待解压进入安装流程等待检查兼容性安装的话，基本上都是默认选项等待安装即可中途会黑一下，这是正常情况！安装成功检查是否安装成功nvidia-smi可以看到这里我的显卡是RTX3060CUDA版
PyTorch是构建深度学习模型的框架，通常用于神经网络的训练，支持GPU。预览版支持最新的CUDA12.1，如下图： OpenCV是一种专注图像处理、特征提取、物体检测、人脸识别的计算机视觉工具库。最新版OpenCV-4.7.0，如下图： YOLO是目标检测算法，是深度学习算法里的一种。YOLOv8建立在深度学习和计算机视觉的前沿进步之上，在速度和准确性方面提供了无与伦比的性能，如下图：
