cuda

扫地的小何尚

深度解析 CUDA-QX 0.4 加速 QEC 与求解器库在通往大规模、容错量子超级计算机的征程中，量子纠错（Quantum Error Correction, QEC）既是最大的机遇，也是最严峻的挑战。它将当今的含噪中等规模量子（Noisy Intermediate-Scale Quantum, NISQ）设备与未来的强大计算引擎区分开来。克服这一挑战需要的不仅仅是渐进式的改进，而是一场范式革命——从零散、受限于 CPU 的研究工具，转向一个紧密集成、大规模并行、端到端的开发平台。

笑脸惹桃花

50系显卡训练深度学习YOLO等算法报错的解决方法YOLO训练时报错NVIDIA GeForce RTX 5070 Ti with CUDA capability sm_120 is not compatible with the current PyTorch installation. The current PyTorch install supports CUDA capabilities sm_50 sm_60 sm_61 sm_70 sm_75 sm_80 sm_86 sm_90. IF you want to use the NVIDIA

NVIDIA Kernel级性能分析工具Nsight Compute入门详解仍以之前的vectorAdd程序为分析目标，在新建的工程中只指定编译好的可执行文件及其输出report文件，其他部分都保持默认，然后直接点击“Launch”进行分析。

深度学习：CUDA、PyTorch下载安装对计算机而言，中央处理器 CPU 是主板上的芯片，图形处理器 GPU 是显卡上的芯片。每台计算机必有主板，但少数计算机可能没有显卡。显卡可以用来加速深度学习的运算速度（GPU 比 CPU 快 10-100 倍）。

PyTorch API 2torch.autograd 提供了实现任意标量值函数自动微分的类和函数。只需对现有代码进行最小改动——您只需要通过requires_grad=True关键字声明需要计算梯度的Tensor即可。目前，我们仅支持浮点型Tensor(包括half、float、double和bfloat16)和复数型Tensor(cfloat、cdouble)的自动微分功能。

利用 Windows GPU 在 WSL2 中安装并配置 CUDA Toolkit

NVIDIA系统级性能分析工具Nsight Systems入门详解Nsight Systems（简称nsys）是NVIDIA推出的一款系统级性能分析工具，主要用于优化 GPU 加速应用程序（尤其是基于 CUDA、OpenCL、DirectX、Vulkan 等 API 开发的程序）的性能，帮助开发者定位和解决计算、内存、通信等环节的瓶颈。所谓系统层面的分析工具，除了分析GPU的使用，还要分析CPU的使用，以及CPU和GPU的交互情况，可以捕捉CPU和GPU的各种事件，发现CPU和GPU上的等待以及不必要的同步，可以通过Nsight systems将任务均匀的分配到CPU和

在本地部署Qwen大语言模型全过程总结大语言模型要进行本地部署，先得选择一个与本地环境适配的模型。比如笔者这里选择的是Qwen1.5-7B-Chat，那么可以计算一下需要的存储空间大小：

CUDA编程初探1993年：NVIDIA 成立，初期专注于图形芯片设计。 1997年：发布 RIVA 128，首款支持 DirectX 5 和 OpenGL 1.1 的显卡，采用 128-bit 架构，奠定早期 3D 加速基础。 1999年：推出 GeForce 256，首次提出“GPU”概念，集成硬件变换与光照（T&L）引擎，不再依赖 CPU 处理图形数据，性能较前代提升 10 倍。

在ubuntu服务器下安装cuda和cudnn（笔记）目录0 引言1 相关环境查询2 安装cuda2.1 下载并安装2.2 安装选项配置2.3 验证安装3 安装cudnn

cuda编程笔记（13）--使用CUB库实现基本功能CUB 是 NVIDIA 提供的高性能 CUDA 基础库，包含常用的并行原语（Reduction、Scan、Histogram 等），可以极大简化代码，并且比手写版本更优化。

CUDA杂记--nvcc使用介绍nvcc 是 NVIDIA CUDA 生态的核心编译器，负责将 CUDA C/C++ 代码（混合了主机代码和设备代码）编译为可在 CPU 和 GPU 上运行的二进制文件。它不仅是一个简单的编译器，更是一个“编译驱动程序”，协调多个工具链（如主机编译器、CUDA 设备编译器、汇编器、链接器）完成整个编译流程。

cuda编程笔记（11）--学习cuBLAS的简单使用cuBLAS 是 NVIDIA 提供的 GPU 加速 BLAS 库；使用时需要#include <cublas_v2.h>

笑稀了的野生俊

Ubuntu 下配置 NVIDIA 驱动与 CUDA 环境（适配 RTX 4060Ti）本文记录了在 Ubuntu 20.04 系统中，从零开始为 NVIDIA GeForce RTX 4060Ti 配置 GPU 驱动与 CUDA Toolkit 的完整过程，适合有一定终端基础的开发者参考。

闻道且行之

Windows|CUDA和cuDNN下载和安装，默认安装在C盘和不安装在C盘的两种方法本篇文章将详细介绍在Windows操作系统中配置CUDA和cuDNN的步骤。通过本教程，您将能够轻松完成CUDA和cuDNN的安装、环境变量配置以及与深度学习框架（如TensorFlow和PyTorch）兼容性测试，从而为您的深度学习项目提供强大的硬件支持。无论您是深度学习的初学者，还是有一定经验的开发者，本篇文章都将帮助您快速搭建起高效的GPU加速开发环境。

2.安装CUDA详细步骤（含安装截图）第一步：安装anaconda 注意：安装CUDA之前需要安装好anaconda，详见安装anaconda详细步骤（含安装截图）

Pytorch中cuda相关操作详见和代码示例在 PyTorch 中，CUDA 是用于加速深度学习计算的重要接口。下面将从基础概念、常用操作、代码示例等方面详解 PyTorch 中的 CUDA 操作。

编译支持cuda硬件加速的ffmpeg本来以为很简单，因为印象中自己在windows机器上使用过。目前的实在一个docker环境下的ubuntu系统里。

cuda编程笔记（9）--使用 Shared Memory 实现 tiled GEMMtiled GEMM 是在 GPU 上使用共享内存（Shared Memory）优化通用矩阵乘法（GEMM, General Matrix Multiply）的一种经典方法，其核心思想是将大矩阵拆分为更小的 tile（子块），再通过共享内存提高缓存命中率和并行计算效率。

片上网络（NoC）拓扑结构比较在片上网络（Network-on-Chip, NoC）的设计中，节点度（Node Degree）、**对分带宽（Bisection Bandwidth）和网络直径（Network Diameter）**是三个关键的拓扑结构评估指标，它们直接影响NoC的性能、效率和适用性。以下详细解释这三个指标的定义、作用及其在NoC设计中的意义，并以表格形式整理。