gpu

ACCELERATOR_LLC

【DataWhale组队学习】DIY-LLM Task4 GPU和GPU相关的优化原文链接这一章讲GPU发展、A100、SM、Warp、Tensor Core、FlashAttention、PageAttention等等，重点是理解为什么LLM训练和推理会天然走向GPU，以及为什么那么多优化都会回到访存、并行调度和IO上。本章的展开也很科学，先讲GPU架构与执行模型，再讲内存模型和性能优化，最后讲FlashAttention与PageAttention具体工程案例。

飘忽不定的bug

记录:RK3576 适配开源GPU驱动（panfrost）1.内核dts修改：2.修改内核配置正常启动后内核log如下：注意：CONFIG_DRM_IGNORE_IOTCL_PERMIT宏需要关闭，不然开机过程可能会出现下面错误，导致无法进入桌面。但是如果你用的是RK修改过的libdrm2库就不会出现这个问题。

GPU vs CPU 基本概念学习笔记CPU和GPU虽然都叫"处理器"，但设计目标截然相反：生活类比：买到手的CPU/GPU外面是一个封装外壳。把外壳打开，里面有一块薄薄的硅片，这就是Die。Die上面用光刻技术刻出了几十亿个晶体管，组合成各种电路。

GPU调试在 Linux 系统中，查询运行在某个特定 GPU 上的进程主要有以下几种方法，最常用的是 NVIDIA 官方提供的工具。

GPU架构 - 零基础入门GPU是面向吞吐量设计的，它的算数逻辑单元（ALU）较小，因此单个算数运算耗时更长。然而，GPU拥有更多的ALU，从而实现了更高的吞吐量。同时，GPU也使用了更小的缓存和更简洁的控制单元，从而将更多芯片面积用于并行计算，通过并行来弥补运算延迟的问题。

（十八）32天GPU测试从入门到精通-TensorRT-LLM 部署与优化day16TensorRT-LLM 是NVIDIA 官方的 LLM 推理优化库，提供业界领先的性能和完整的优化技术栈。作为 NVIDIA 生态的一部分，TensorRT-LLM 深度整合了 NVIDIA GPU 的各项优化技术，从 kernel 级别的融合到多 GPU 通信优化，再到量化支持，提供了一套完整的高性能推理方案。

CodeCraft Studio

LightningChart .NET v12.5.1 发布：高性能数据可视化再升级，赋能工业与实时数据场景近日，全球知名的高性能数据可视化组件厂商发布了 LightningChart .NET 最新版本 v12.5.1。此次版本在延续一贯“极致性能”的基础上，进一步强化了图表交互能力、数据分析体验以及开发灵活性，为工业制造、金融分析、科研仿真等高复杂度应用场景带来更强支撑。

HyperAI超神经

【TVM教程】理解 Relax 抽象层TVM 现已更新到 0.21.0 版本，TVM 中文文档已经和新版本对齐。Apache TVM 是一个深度的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。

Windows平台Ollama AMD GPU编译全攻略：基于ROCm 6.2的实战指南（附构建脚本）Ollama作为当前热门的本地大语言模型运行框架，其官方版本主要针对NVIDIA CUDA进行了优化。对于广大AMD GPU用户而言，直接使用官方二进制包无法获得GPU硬件加速，导致模型推理速度大幅下降。本文将深入解析如何在Windows系统上，利用AMD ROCm 6.2 SDK，从源码编译出支持AMD GPU加速的Ollama版本，并详细解释每一步背后的技术原理与最佳实践。

HyperAI超神经

在线教程丨华中科大与小红书 hi lab开源dots.mocr，SOTA级OCR模型完美还原文档结构，图形也能转 SVG面对海量文档中的复杂图表、表格和多语言内容，传统 OCR 常常力不从心，主要原因是其核心能力集中于文本识别，往往将图表、公式、UI 布局等复杂视觉元素简单裁剪为图像，导致文档结构被破坏、语义关系丢失，难以满足高质量信息提取与重建需求。

NCCL 测试完全指南：从概念到性能调优📅 版本：2026-03-30 🎯 目标：全面掌握 NCCL 测试方法，从入门到精通 📚 NCCL 版本：基于 NCCL 2.29.7 ⏱️ 预计阅读时间：3-5 小时 💻 适用对象：AI 工程师、HPC 开发者、系统管理员

个人游戏笔记本免费“养龙虾”（二）用显卡GPU运行OpenClaw，CUDA的安装与配置系列文章： 1. 个人游戏笔记本免费“养龙虾”（Win10+WSL2+OpenClaw 部署与配置指南）

被制作时长两年半的个人练习生

Engram论文笔记原文在https://link.zhihu.com/?target=https%3A//github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf。这篇论文出了一段时间了，刚出的时候没怎么看懂，现在结合知乎的高赞回答看了一遍，已经养肥了。这篇文章写几个我比较感兴趣的点，又查了一点资料。

被制作时长两年半的个人练习生

blackwell和warp specialization的背景下如何理解CTA在Blackwell架构和Warp Specialization的背景下，CTA（协作线程数组）的概念和角色发生了重要演变，从传统的执行单元转变为更复杂的任务协调和数据流管理单元。

放逐者-保持本心，方可放逐

地图热力图核心封装以下是一个完整的HTML测试案例，演示如何使用整合后的MultiScaleHeatmapManager在Cesium中显示热力图。该案例生成5000个随机点（模拟北京市区周边数据），并包含简单的启用/禁用控制。

CPU与GPU排序性能对比分析本实验通过实现CPU和GPU版本的大数排序算法，对比了两者在不同数据规模下的性能表现。实验结果表明，GPU在处理大规模数据排序时具有显著优势，而CPU在小规模数据上表现更好。本文详细介绍了实验设计、实现过程、结果分析以及编程步骤，为相关领域的性能优化提供参考。

【Three.js 与 Shader】编写你的第一个自定义着色器，让模型拥有灵魂以前我觉得 Shader 是神仙才能看懂的东西，直到我发现它其实就是告诉 GPU“怎么画”的说明书。两年前我第一次接触 Shader，看了一篇教程，开头就是 gl_FragColor、varying、uniform 这些天书一样的词。我心想：这玩意儿是人写的吗？

波哥学开发

# Three.js 进阶：如何绘制"像素大小固定"的箭头？三种方案全解析🎯 一句话总结：在 3D 场景中绘制 2D UI 标记，既要「像素恒定」又要「性能可控」，选对方案比写对代码更重要。

爱学习的大牛123

GPU架构学习图形处理单元（Graphics Processing Unit，GPU）自诞生以来，已从专注于图形渲染的专用硬件演变为支撑现代计算科学、人工智能、科学仿真乃至区块链等多元领域的通用并行计算引擎。其核心架构设计理念——以大规模并行性换取高吞吐量——与传统中央处理单元（CPU）的低延迟串行执行路线形成了鲜明对比。本文将系统、深入地剖析GPU的架构演进历程、核心组成部件、内存层次结构、执行模型、调度机制以及现代GPU在AI与高性能计算（HPC）领域的前沿扩展，旨在为读者提供一份兼具理论深度与工程实践价值的综合性

趋动科技 OrionX 社区版永久免费：重塑 AI 算力格局的“胜负手”嘿，朋友，我知道你现在面临什么。看着GPU利用率监控，那条线永远在20%-30%徘徊。价值几十万的硬件，大部分时间都在“睡大觉”。