x-jeff blog

Make progress every day.

【论文阅读】EfficientNet：Rethinking Model Scaling for Convolutional Neural Networks

EfficientNet

本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Introduction 源码地址：EfficientNet。 扩展（scaling up）卷积神经网络被广泛用于提高模型性能。最常见的扩展方法是增加卷积神经网络的深度和宽度。还有一种少见但日益流行的方法是通过提高图像分辨率来扩展模型。在以往的研究中，通常只采用3种扩展方法中的一种即可，同时使用多种扩展方法反...

Posted by x-jeff on December 19, 2024

【CUDA编程】【23】【3.Programming Interface】【3.6.Tesla Compute Cluster Mode for Windows】

TCC mode

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Tesla Compute Cluster Mode for Windows 使用nvidia-smi，可以将Windows设备驱动程序设置为TCC（Tesla Compute Cluster）模式...

Posted by x-jeff on December 19, 2024

【CUDA编程】【22】【3.Programming Interface】【3.5.Mode Switches】

Mode Switches，primary surface

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Mode Switches 具有显示输出的GPU会为所谓的primary surface分配一些DRAM内存，这个primary surface用于刷新显示设备的输出内容。当用户使用NVIDIA控制...

Posted by x-jeff on December 19, 2024

【CUDA编程】【21】【3.Programming Interface】【3.4.Compute Modes】

Default compute mode，Exclusive-process compute mode，Prohibited compute mode

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Compute Modes 在Windows Server 2008（及更高版本）或Linux上，可以通过nvidia-smi（NVIDIA’s System Management Interfac...

Posted by x-jeff on December 19, 2024

【CUDA编程】【20】【3.Programming Interface】【3.3.Versioning and Compatibility】

Versioning and Compatibility

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Versioning and Compatibility 在开发CUDA应用程序时，开发人员需要关注两个版本号：1）device的计算能力（见：Compute Capability）；2）CUDA驱...

Posted by x-jeff on December 19, 2024

【CUDA编程】【19】【3.Programming Interface】【3.2.CUDA Runtime】【3.2.16.External Resource Interoperability】

Vulkan Interoperability，OpenGL Interoperability，Direct3D 12 Interoperability，Direct3D 11 Interoperability，NVIDIA Software Communication Interface Interoperability (NVSCI)

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.External Resource Interoperability 外部资源互操作性允许CUDA导入由其他API显式导出的特定资源。这些对象通常通过操作系统的原生句柄由其他API导出，例如Linu...

Posted by x-jeff on December 19, 2024

【C++并发编程】【3】【Hello, world of concurrency in C++!】Concurrency and multithreading in C++

多线程技术在C++中的发展

【C++并发编程】系列博客为参考《C++ Concurrency IN ACTION (SECOND EDITION)》一书，自己所做的读书笔记。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Concurrency and multithreading in C++ 从C++11标准开始，才正式支持开发者编写不依赖平台（比如Windows，Linux等）的多线程...

Posted by x-jeff on December 18, 2024

【CUDA编程】【18】【3.Programming Interface】【3.2.CUDA Runtime】【3.2.15.Graphics Interoperability】

OpenGL Interoperability，Direct3D Interoperability，SLI Interoperability

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Graphics Interoperability OpenGL和Direct3D的一些资源可以映射到CUDA的地址空间中，这样做的目的是：1）使CUDA能够读取由OpenGL或Direct3D写入...

Posted by x-jeff on December 16, 2024

【机器学习基础】第五十四课：[计算学习理论]Rademacher复杂度

Rademacher复杂度

【机器学习基础】系列博客为参考周志华老师的《机器学习》一书，自己所做的读书笔记。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Rademacher复杂度 基于VC维的泛化误差界是分布无关、数据独立的，也就是说，对任何数据分布都成立。这使得基于VC维的可学习性分析结果具有一定的“普适性”；但从另一方面来说，由于没有考虑数据自身，基于VC维得到的泛化误差界通常比较“...

Posted by x-jeff on December 15, 2024

【CUDA编程】【17】【3.Programming Interface】【3.2.CUDA Runtime】【3.2.14.Texture and Surface Memory】

Texture Memory，Surface Memory，CUDA Arrays，Read/Write Coherency

【CUDA编程】系列博客参考NVIDIA官方文档“CUDA C++ Programming Guide（v12.6）”。 本文为原创文章，未经本人允许，禁止转载。转载请注明出处。 1.Texture and Surface Memory CUDA支持GPU的一个纹理硬件子集，用于图形访问纹理内存（texture memory）和表面内存（surface memory）。相比于全局...

Posted by x-jeff on December 12, 2024

FEATURED TAGS
README Machine Learning Series Mathematics Series Image Segmentation Python Series Fundamentals of Computers OpenCV Series C++ Series Deep Learning Series Conda Tensorflow Series Algorithms Series AI Papers Object Recognition Natural Language Processing Aha! Algorithms Camera Calibration How Program Works Optical Flow Estimation How Networks Work Computer Vision Source Code CUDA C++ Programming Guide C++ Concurrency IN ACTION
ABOUT ME

Aspire to be an excellent artificial intelligence algorithm engineer!

✉️jeff.xinsc@gmail.com