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

    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）

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

1.python中安装Keras==2.3.0你可以使用pip来安装特定版本的Keras。在命令行中运行以下命令：pipinstallkeras==2.3.0这将会下载并安装Keras的2.3.0版本及其相应的依赖项。请确保你的Python环境已经配置好，并且有足够的权限来安装软件包。2.python中安装tensorflow==2.2.0要在Python中安装特定版本的TensorFlow（2.2.0），你可以使用pip命令。在命令行中运行以下命令：pipinstalltensorflow==2.2.0这将会下载并安装TensorFlow的2.2.0版本及其相关的依赖项。确保你的Python

cuda11.7+visualstudio2022编译时出现MSB3721问题公司项目更新了vs和cuda,我更新完之后发现：C:\code\SSR\Impl\Dev\gE\cO\G.Common.XrayRegistration_nc>“C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.7\bin\nvcc.exe”-gencode=arch=compute_86,code=“sm_86,compute_86”--use-local-env-ccbin“C:\ProgramFiles\MicrosoftVisualStudio\2022\C

作者：禅与计算机程序设计艺术1.简介机器学习(ML)是一种从数据中提取知识和建立模型的自然领域，它已被广泛应用于各行各业。借助一些成熟的库或框架，开发者可以利用其强大的功能快速搭建自己的机器学习系统。本文将介绍基于Python和TensorFlow的机器学习的基础知识，并提供一个简单实践案例，展示如何利用Python和TensorFlow实现常用机器学习任务。2.Python环境配置由于本文主要介绍基于Python的机器学习库，因此需要配置好Python环境。这里推荐用Anaconda作为包管理工具安装Python及其依赖库。首先下载Anaconda安装包，下载地址https://www.an

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

导语2023-4-11对于机器学习er配置环境一直是个头疼的事，尤其是在windows系统中。尤其像博主这样的懒人，又不喜欢创建虚拟环境，过段时间又忘了环境和包的人，经常会让自己电脑里装了各种深度学习环境和python包。长时间会导致自己的项目文件和环境弄的很乱。且各个项目间的兼容性又会出现问题。不仅如此，windows系统独特的“尿性”真的让开发者苦不堪言！好在微软爸爸推出了WSL，WSL可以实现在windows电脑上运行linux系统。目前已经是越来越接近原生linux系统。利用wsl部署深度学习训练环境，无论是从便捷性上还是性能上均有优势。博主浏览目前wsl配置深度学习环境的各种文章，采

Solutiontoaboveissue!Ascudainstalledthroughanacondaisnottheentirepackage.PleaseinstallcudadriversmanuallyfromNvidiaWebsite[https://developer.nvidia.com/cuda-downloads]Afterinstallationofdrivers,pytorchwouldbeabletoaccessthecudapath.Youcantestthecudapathusingbelowsamplecode.Problemresolved!!!CHECKINS