1.前期准备安装虚拟机，可以参考这个博客VMware16的安装及VMware配置Linux虚拟机(详解版)。安装Ubuntu18.04，可以参考这个博客在VMware16虚拟机安装Ubuntu详细教程安装VMwaretools，可以参考这个博客Linux下安装vmWaretools工具（详细讲解），遇到问答具体的操作可以参考这个博客安装VMwareTools总是得不到enjoyUbuntu18.04中安装NvidiaSDKManager，官网地址，官网下载最新SDKManager,选择适配Ubuntu的.deb格式。直接双击安装也行。安装命令：sudoaptinstall./sdkmanage
调试了半天，试了网上的各种方法都不行，结果发现是gradle是离线模式，如图所示，导致加载一些依赖错误。被别人的代码害死了浪费2天的时间。应该切换成在线模式即取消选中
前言如下所示，建议使用DockerfileMaven插件，但该插件也停止维护更新了。因此先暂时使用docker-maven-plugin插件。一、开启Docker服务器的远程访问1.1开启2375远程访问默认的dokcer是不支持远程访问的，需要加点配置，开启Docker的远程访问#首先查看docker配置文件所在位置systemctlstatusdocker#会输出如下内容：●docker.service-DockerApplicationContainerEngineLoaded:loaded(/etc/systemd/system/docker.service;enabled;vendo
Centos安装Nvidia驱动解决内核版本不匹配问题问题分析尝试解决写程序三分钟，配环境三小时，尤其是在一台全新机器/重装系统后。。。已经解决的：禁用nouveau驱动并重启电脑（参考这篇博客）缺少cc，手动yum安装gcc和gcc-c++问题ERROR:Unabletofindthekernelsourcetreeforthecurrentlyrunningkernel.Pleasemakesureyouhaveinstalledthekernelsourcefilesforyourkernelandthattheyareproperlyconfigured;onRedHatLinuxsy
安装前提：1、显卡驱动安装。先确保你已经安装了NVIDIA的显卡驱动。你可以通过运行nvidia-smi命令来检查驱动是否已经安装。如果驱动已经安装，这个命令会显示你的GPU的详细信息。2、安装docker。确保docker已经正确安装。安装NVIDIA-docker你可以运行以下命令来安装：#添加NVIDIA的GPGkeycurl-s-Lhttps://nvidia.github.io/nvidia-docker/gpgkey|sudoapt-keyadd-#添加NVIDIA-docker的repositorydistribution=$(./etc/os-release;echo$ID$V
我的测试:importtensorflowastfhello=tf.constant('Hello,TensorFlow!')sess=tf.Session()`错误:c:\l\work\tensorflow-1.1.0\tensorflow\stream_executor\cuda\cuda_driver.cc:405]调用cuInit失败:CUDA_ERROR_NO_DEVICE->但是“/cpu:0”工作正常配置:nvidia-smi:CUDA9.1版tensorflow-1.1.0Windows10cudnn64_7.dll(安装在C:\ProgramFiles\NVIDIAG
处理的语句case术语约定或备忘case起止范围：从冒号到下一个’case’开头,简称有：case内、case内容Ast:Abstractsyntaxtree:抽象语法树没插入花括号的case若case内,以下任一条成立，则跳过该case即不会对该case内容用花括号包裹.有#define、有#include、有直属变量声明、空case、有宏调用详述预处理回调收集#include指令、宏定义CollectIncMacro_PPCb：CollectInlucdeMacroPPCallbacks:收集Inlucde和Macro的预处理回调收集#include、#define，以判断case起止范围
1.Failedtoexecutegoalorg.apache.maven.plugins:maven-resources-plugin原因是maven启动器版本高了2.InternalErroroccurred.org.junit.platform.commons.JUnitException:TestEnginewithID‘junit-jupiter’failedtodiscovertestsatorg.junit.platform.launcher.core.EngineDiscoveryOrchestrator.discoverEngineRoot(EngineDiscoveryOr
近期随着AI市场的爆发式增长，作为AI背后技术的核心之一GPU（图形处理器）的价格也水涨船高。GPU在人工智能中发挥着巨大的重要，特别是在计算和数据处理方面。目前生产GPU主流厂商其实并不多，主要就是NVIDIA、AMD、Intel、高通等厂家。本文将主要聊聊NVIDIAGPU的核心架构及架构演进。深入了解GPU架构在探讨NVIDIAGPU架构之前，我们先来了解一些相关的基本知识。GPU的概念，是由NVIDIA公司在1999年发布Geforce256图形处理芯片时首先提出，从此NVIDIA显卡的芯就用GPU来称呼，是专门设计用于处理图形渲染的处理器，主要负责将图像数据转换为可以在屏幕上显示的图
一、如何定义DeepFlowWasm Plugin ？DeepFlow的WasmPlugin机制是整个DeepFlowPipeline机制中的重要组成部分，它为用户提供了一个可编程的、安全的和资源消耗可控的运行沙箱环境。此机制为deepflow-agent增加了灵活性和可扩展性，使用户能够以一种安全可靠的方式自定义和扩展代理的功能。1、Wasm Plugin 机制为用户提供了可编程性通过使用Wasm编程语言，用户可以编写自定义的插件逻辑，以满足特定的需求和应用场景。这种可编程性使得用户能够根据具体的业务需求，对流量进行更细粒度的处理和分析。用户可以通过编写自定义的Wasm模块来实现特定的协议解
