原文来源于黑果魏叔官网，转载需注明出处。（下载请直接百度黑果魏叔）硬件配置 硬件型号驱动情况主板RedmiBookPro15S2021处理器AMDRyzen™75800H已驱动内存16GB3200MHzDDR4已驱动硬盘Samsung970EVO512GB已驱动显卡HDGraphics630已驱动声卡RealtekALC256HighDefinitionAudio已驱动网卡无无无线网卡+蓝牙英特尔®Wi-Fi6AX200已驱动什么在起作用类型状态CPU✅AMDGPU加速✅CPU和GPU电源管理✅音频✅英特尔Wi-Fi✅电池状态✅关机/重启✅什么不起作用类型信息状态USB目前，我们需要禁用两个U
情况分析：1.WSL与VMware的不兼容本人参加天池比赛使用docker时需要WSL，于是主机上虚拟机全崩了（笑哭）。WSL依赖于hyper-v，而VMware需要关闭hyper-v【解决办法】#关闭#注：需要使用管理员权限，记得用管理员模式打开CMDbcdedit/sethypervisorlaunchtypeoff2.未开启虚拟化电脑需要开启虚拟化【解决办法】可以在任务管理器--性能--CPU的右下角查看一下是否开启了虚拟化，如果没有开启的话可以搜索一下如何打开主板设置里的虚拟化支持。 3.hyper-v冲突【解决办法】打开启用或关闭windows功能--Hyper-v取消所有勾选项。看
前言onnx模型作为中间模型，相较于pytorch直接推理，是有加速度效果的，且推理代码简单，不需要load各种网络。最近某些项目因为显存不够，onnxruntime推理时切换CPU/GPU，实现某些模型在CPU上推理，某些在GPU上推理。查了一些别人的文章发现很多人都说onnxruntime推理没法像pytorch那样指定GPU,CPU,只能卸载一个GPU用CPU，卸载CPU用GPU。个人感觉不应该是这样的，点进去源码一看，明明有配置CPU,GPU的参数，而且很简单。这里把自己踩得一些坑给记录一些，分享给有需要的人。onnxruntimeCPU/GPU切换点进去源码之后看到有CUDAExec
不知道有没有小伙伴出现过这样的困扰？笔记本电脑打开任务管理器后，发现自己的游戏本明明是独立显卡，比如我的RTX4060，特别是在跑深度学习模型时，指定device为cuda:0，进程中显示独显GPU1没什么利用率，而核显一直在很高的利用？甚至代码还会报错，提示没有可用的CUDA？其实，笔记本电脑和台式机的工作模式不完全一样。台式机：是独立显卡加载完图像，直接送到显示器；而笔记本会是：独立显卡–>核显–>最后才会到显示器。那这样的话，你的爱机的性能当然受影响啦！我自己的拯救者Y9000P买回来就是觉得哪里不丝滑，原来问题就出在这里。在LEGIONZONE中开启独显直连功能后（每个品牌的不一样）：
文章目录前言一、下载Docker以及安装二、安装WSL21.wsl22.安装Linux子系统。3.MobaXterm(可选，我只是感觉操作更方便)4.docker配置ubuntu20.04LTS三、GPU的使用1.显卡驱动下载2.CUDAForWSL3.GPU测试及问题处理总结前言本文主要记录win10系统上Docker使用GPU的全部过程。对于原理不做解释，只是实操。一、下载Docker以及安装Docker下载地址：docker官网下载地址下载完成：启用hyper-v：微软官方教程。因为我的是win10专业版，所以直接有hyper-v。win10家庭中文版没有hyper-v的话可以参考官方教
今天弄来一张5600xt玩耍，装好驱动22.11.2后，发现鼠标时不时会卡一下。上网查资料，试了许多方法问题依旧。包括单不限于：电源选项USB设置2.禁用HDCP尝试无果后，突然想起USB2和3插孔可能有影响，看一下果然是插在2.0上了，换插3.0后测试许久再也没出现卡顿。问题解决~
时下，伴随着一些搭载AMD锐龙97940HS处理器的游戏本上市，不少朋友对其实际性能表现也产生了好奇心，那么这颗锐龙7000系列的旗舰级移动处理器的性能到底怎样呢？今天我们不妨通过评测来看看它的表现。AMD锐龙97940HS处理器基于TSMC4nmFinFET制造工艺打造，CPU架构升级到Zen 4，GPU架构升级到了RDNA 3。这颗处理器采用全大核设计，拥有8大核16线程，加速频率高达5.2GHz，缓存24MB，TDP35-54W，自带Radeon780M集成显卡。能否击败酷睿i9？AMD锐龙97940HS处理器性能实测单核多核理论性能评估首先在CPU-Z测试标准下，单核得分691.7，多
尽管从全局来看，Linux系统份额远不及Windows，但在程序员、开发者、硬核玩家圈子，Linux则备受推崇。来自Steam的最新数据显示，在Linux游戏用户中，AMD处理器的份额占据绝对优势，达到了67.15%。对比下，Intel就有些“自惭形秽”，量级仅有32.84%。业内评论指出，之所以造成这样的差距，关键在于AMD对开源社区的支持力度相当之大，包括开源GPU驱动项目（AMDGPU&AMDKFD）、还有ROCm开放软件平台等。仔细梳理发现，过去六年，AMD在Linux系统中的份额是不断攀升的。当然，不能忽视的是，96.77%的Steam玩家正在用Windows系统，Linux占比仅1
一、V7效果真的的v587，识别率和速度都有了极大的提升，这里先放最新鲜的github链接：https://github.com/WongKinYiu/yolov7二、v7的训练我这里就不做过多的赘述了，这里主要是进行讲解怎么把.pt文件转为onnx和后续的推理问题： 2.1首先是pip的版本非常重要，博主亲自测试了，发现确实只有对应版本，ONNX才能成功，以至于后续的onnxruntime才能正常的ReadLoad~~pipinstallonnx==1.12.0pipinstallonnx-simplifier==0.4.0pipinstallcoloredlogs==15.0.1pipin
国庆假期，赶上疫情，因此只能在家学习了。之前有一些很酷的想法，在CPU上计算效率不够，无法应用到工程中，但在GPU上有对应的解决方案，因此趁此机会，学习一下GPU编程的相关基础知识。正好，之前大概是19年，为了解决板材缺陷分类问题，自己购置了一张RTX2060显卡，使用开源yolov3框架。但调用的都是别人写好的库，真正的GPU编程还没有接触过。本文主要是记录一下学习GPU编程的过程，在一到两天的时间里，对GPU编程思想有一个大概的认识，为将来深入学习打下基础，也对GPU编程可以解决的问题边界有一个认知，不被讲PPT的忽悠。本文使用的显卡是Nvidia,编程语言是CUDA。历史背景GPU是计算
