CP2K安装的方法有很多(我们曾分享过CP2K 5.1版本的安装及简单介绍),笔者最近尝试在课题组新买的服务器上从源码编译安装CP2K,过程中遇到了各种问题。根据这次安装的经验,在此笔者想和大家分享如何从零开始安装CP2K(支持PLUMED)。
版权声明:本文为博主原创文章,转载请注明源地址。 https://blog.csdn.net/10km/article/details/52724477
在进行科学计算或深度学习等任务时,我们经常会使用一些优化库,如Intel Math Kernel Library (MKL)。然而,有时在运行程序时可能会遇到以下错误信息:Intel MKL FATAL ERROR: Cannot load mkl_intel_thread.dll。这个问题通常是由于MKL库文件无法正确加载导致的。本篇文章将介绍一些解决这个问题的方法。
PySCF联网在线安装只需pip install pyscf一行命令即可,能联网的建议通过联网安装。本文介绍的是离线安装步骤,适合不允许联网或很难联网的内部节点。读者在开始编译前需确认自己机子上有gcc和g++编译器,有MKL数学库,以及cmake软件。运行如下命令可查看自己机子上是否存在
使用Visual Studio搭配Parallel Studio进行Fortran编程有个好处是调试方便,数组可以直接可视化,不用外加write之类的语句。设置断点后,调试到达断点时,鼠标置于数组上即可显示其内容。示例如下:
公众号的安装教程里常说的“Intel全家桶”指的是Intel Parallel Studio XE,里面集成了C/C++/Fortran语言的编译器(分别是icc、icpc、ifort)、MKL数学库及各种高效调试工具,甚至还有Intel MPI,可以说是编译量化软件最常用的一套“装备”。然而从2021年开始Intel不再提供旧版Parallel Studio XE下载页面,而是改成了(或称升级成了)oneAPI,又可具体细分为oneAPI Base Toolkit和oneAPI HPC Toolkit等等。
conda 是一个开源包和环境管理系统,能够跨平台运行,在 Mac、Windows 和 Linux 上都可以运行。如果你还没用过 conda,我推荐你立刻开始使用,因为它会让管理数据科学工具变得更轻松。
从 Anaconda 官文网站 https://www.anaconda.com/download 下载操作系统对就的安装文件,选择 Python 3.7 版本。
R是一个常用于统计学问题和画图的免费软件(https://www.r-project.org/)。在线安装十分简单,本文主要介绍离线安装,且让R使用Intel编译器编译、调用Intel MKL库,以期提高计算速度。笔者测试安装和使用R时,所用Linux系统为CentOS 7,R版本为R-3.6.1,Intel编译器(含MKL)2018和2019都用过(分别在两台机器上)。
停止使用pip安装Tensorflow!请改用conda。您还不知道conda是什么?它是一个跨平台运行的开源软件包和环境管理系统,适用于Mac,Windows和Linux。如果您还没有使用conda,我建议您开始使它,因为它可以让您更加愉快地管理您的数据科学工具。
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Gavin__Zhou/article/details/47363385
最近(2019-05-08 )很多人反映conda镜像挂掉的问题,所以我有必要给粉丝测试一下:
别再用pip安装Tensorflow了,改用conda吧,它是一个跨平台运行的开源软件包和环境管理系统。因此它适用于Mac,Windows和Linux。如果你还没有使用conda,我建议你尝试一下,因为它使管理数据科学工具更加轻松。
最近还是会有很多学习爱好者问我安装caffe的一些问题,虽然现在TF很是受大家的喜欢,但是还是会有很多学习者用着caffe。为了让更多的人少走弯路,网上也有很多教程,我自己来写一下我以前安转的过程与遇到的问题,可以给那些初学者一些建议,希望采纳,如有不对之处,望指正,谢谢! 第一部分:Ubuntu14.04桌面版下载及安装(我是通过U盘安装的,我用工具是UltraISO--特别好用,网上有很多教程,这个不用太过于详细书写) 第二部分:nvidia-cuda-toolkit下载及安装 CUDA 8.0 Do
编写|paddle 排版|wangp 使用Docker安装和运行PaddlePaddle可以无需考虑依赖环境即可运行。并且也可以在Windows的docker中运行。 您可以在 Docker官网获得基本的Docker安装和使用方法(官网网址:https://docs.docker.com/get-started/) 如果您在使用Windows,可以参考教程,完成在Windows上安装和使用Docker(教程网址:https://docs.docker.com/toolbox/toolbox_install
选自GitHub 作者:Ronan Collobert等 机器之心编译 参与:李亚洲、刘晓坤 近日,Facebook AI 研究院开源了端到端语音识别系统 wav2letter,本文是该架构的论文实现,读者可据此做语音转录。 GitHub 地址:https://github.com/facebookresearch/wav2letter wav2letter wav2letter 是 Facebook AI 研究院今天开源的简单高效的端到端自动语音识别(ASR)系统。该实现的原作者包括 Ronan Col
Tensorflow 2.x 关于 MKL 验证的方法移到了其他 Module 下,所以原来检验的方法换掉了。按照 Intel 官网的提示 Tensorflow 1.x 的检验语法是 python -c"import tensorflow; print(tensorflow.pywrap_tensorflow.IsMklEnabled())",这在 Tensorflow 2.x 里会报错,需要改成 python -c "from tensorflow.python.framework import test_util;print(test_util.IsMklEnabled())"。前后两种方法的日志如下。
channels是conda下载包的镜像网站,通过如下命令可以查看已有的channels
Enums.NET是一个.NET枚举实用程序库,专注于为枚举提供丰富的操作方法。它支持.NET Framework和.Net Core。它主要优点表现在类型安全、高性能、丰富的操作方法和易于使用等方面,为开发者提供了更加便捷和高效的枚举类型操作方式。
由于CASCI/CASSCF计算量随活性空间呈指数增长,超过(16,16)的计算在高配机器上几乎不可能。近似求解大活性空间的方法通常有DMRG, selected CI等等。Block-1.5是做DMRG计算的经典程序,由Sandeep Sharma和Garnet Chan开发,虽然早在5年前就不更新了,但其计算速度仍高于很多同类程序。Block-1.5一般结合PySCF使用,可以进行DMRG-CASCI,DMRG-CASSCF和DMRG-SC-NEVPT2等计算。笔者之前在公众号上将该程序的安装拆分为几篇短文
由于历史原因,python长期存在两个版本,python 2和python 3,而且存在兼容问题。虽然经过开发者不断的努力,普遍转向Python 3,但Python 2仍然像打不死的小强,顽强的存在着。比如大多数Linux发行版本,python 2依然是默认版本。再加上python社区非常活跃,各种python库也在不停的向前发展,不同版本python库之间不兼容的情况一直存在。有时开发者也很尴尬,比如发布了一个项目到github,会有读者过来问,为什么代码在我这儿出错?
本公众号之前已发过《离线安装PySCF程序》一文,可在“文章分类->软件教程->PySCF”中查看。当时的安装教程适用于PySCF 1.5之前的版本,而在1.5及之后,由于需要版本更高的xcfun库,若仍按前文安装会出现XC_PARTIAL_DERIVATIVES变量未定义等问题。现更新适用于PySCF 1.5及之后版本的安装教程。
Centos 下非 Root 安装 Microsoft R Open 作者: Hyacz hyacinth.hao@foxmail.com 2017年8月30日 本教程发布时仅针对 Microsoft R Open 3.4.0 版本测试通过。 写在前面 我们新写的 GWAS 的算法包 MVP 采用了 Microsoft R Open,在我们对计算的优化中 MRO 起到了非常关键的作用。在测试的时候就遇到了在没有 root 权限要安装 MRO 的问题,经过百度、Google 都没有找到较好的方案,研究了
在此前的研究中,作者在 Matlab 社区发起讨论:如何能够使得 Matlab 在 AMD Ryzen/TR CPUs 使用快速代码路径,从而使得性能提升 250%?
如果你想要编译的代码更快(推荐),确保你安装了g++(Windows/Linux)或Clang(OS X)。
CFOUR程序的全称为Coupled-Cluster techniques for Computational Chemistry,是一款专注于高精度量子化学计算的程序。从名字可以看出,其专长为耦合簇方法,支持在CC级别下做单点、几何结构优化(如CCSD(T)级别)、激发态计算(如EOM-CCSDT)、性质计算(如CCSD(T)级别的NMR计算)。其官方网站为
虽然笔者写过 ARM 比 Intel CPU 要有低功耗、高性能等优势,但是目前来说 Intel 芯片仍然是主流,毕竟大部分实验室所使用的服务器、工作站以及个人普通 PC 基本上都是 Intel 芯片。在 Intel 平台我们可能对于软件和依赖库的支持不需要太担心,正常来说不管 Linux 或者 Unix 系统都会有。这里笔者采用 Ubuntu Server 20.04 来举例介绍 Intel 平台下 CONQUEST 的编译安装。
(Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明,本文档使用同一块NVIDIA显卡进行显示与计算, 如分别使用不同的显卡进行显示和计算,则可能不适用。)
此环境搭建是OpenCV的python(一下简称py)开发环境搭建,建立在py3的环境和语法上实现的。 windows系统搭建 系统环境:windows 10 + python 3.6 + OpenCV 3.4.1 一、安装python python的安装之前在python自学笔记的项目中描述了,在这不做重复说明,有需要的朋友,点击查看:python环境安装 二、安装numpy模块 根据上文提示,现在我们已经正确安装了python和pip(安装和管理python包的工具),在正式安装OpenCV之前,
选自 Intel Blog 作者:Andres Rodriguez、Niveditha Sundaram Caffe2 作为 Caffe 重构出的深度学习框架,一经发布便引起了业内极大的关注。机器之心也对 Caffe2 进行了跟踪报道。昨日,英伟达的一篇技术博客让我们了解 Caffe2 结合 GPU 带来的性能提升。这篇文章对 Caffe2 在 CPU 的支持下带来的性能改进进行了介绍,希望能为大家应用该框架提供帮助。 每一天,在世界的各个角落都在产生越来越多的信息——文本、图片、视频等等。为了能让人们更好
在前几章中,我们已经展示了如何使用 CMake 配置、构建和测试我们的项目。安装项目是开发者工具箱中同样重要的一部分,本章将展示如何实现这一点。本章的节涵盖了以下图中概述的安装时操作:
Dalton是一款开源免费的量子化学程序,主要特色是支持一大堆性质的计算,例如DFT下的二次响应计算(常规TDDFT计算仅是线性相应),MCSCF波函数下的核磁NMR计算等等,以及各类激发态方法。当然,也有一些高精度单参考方法(如MP2-R12和CCSD-R12等),但较少用到。其PDF手册在
有很多工具能够帮助开发者在 Linux 和 Mac 上构建深度学习环境(比如 Tensorflow,不幸的是,TensorFlow 无法在 Windows 上轻松安装),但是很少人关注如何在 Win10 设备上有效构建深度学习环境。大多数人关注的是如何让深度学习框架运行在 Win10 设备的 Ubuntu VM 上,这不是最优的解决方案。
Parallel Studio XE 是商业版的高性能计算工具。学生可以申请一年试用期,到期要重新申请许可,稍显麻烦。现在来试试Intel推出的免费Fortran编译器oneAPI。不要许可,开箱即用。
AI 研习社消息,日前, Facebook 人工智能研究院发布 wav2letter 工具包,它是一个简单高效的端到端自动语音识别(ASR)系统,实现了 Wav2Letter: an End-to-End ConvNet-based Speech Recognition System 和 Letter-Based Speech Recognition with Gated ConvNets 这两篇论文中提出的架构。如果大家想现在就开始使用这个工具进行语音识别,Facebook 提供 Librispeech
本公众号之前发过《离线编译OpenMolcas+QCMaquis》一文,成功安装后可进行DMRG-NEVPT2和DMRG-PDFT计算。但其中需要编译QCMaquis、 HDF5、GSL和Boost库,过程颇为繁琐。笔者发现有的小伙伴不需要做DMRG计算,只想用OpenMolcas中最核心、最特色的功能——CASSCF、CASPT2、ic-MRCISD和MC-PDFT方法,则安装过程可以大大简化。
本文适用于OpenMolcas-v22.02和v22.06,对以后的版本可能适用也可能不适用。旧版OpenMolcas、与QCMaquis联用版本的安装请见文末链接。安装前我们需要确保有必要的编译器和库:
参考很多文章,以这篇为主:http://www.linuxidc.com/Linux/2016-11/136768.htm
不论是折腾深度学习、高性能计算,还是折腾向量数据库、相似性检索领域,在折腾的过程中,我们都可能会遇到需要 “OpenBLAS” 这个开源矩阵计算库的场景。
音频信号处理在各种应用中都发挥着重要的作用,如语音识别、音乐信息检索、语音合成等。其中,Mel频谱是一种常用的频域特征表示方法,用于描述人类听觉系统对频率的敏感程度。
anaconda # 创建一个名为python34的环境,指定Python版本是3.4(不用管是3.4.x,conda会为我们自动寻找3.4.x中的最新版本) conda create --name python34 python=3.4 # 安装好后,使用activate激活某个环境 activate python34 # for Windows source activate python34 # for Linux & Mac # 激活后,会发现terminal输入的地方多了python34的字样
上次关于MRO的文章推送之后,许多小伙伴表示对于Microsoft R这个增强版本的R相当有兴趣,希望大猫快点更新,所以大猫加班加点(最近要投Paper,时间有点紧啊),经过若干小时的奋战,新一期的大猫课堂又和大家见面啦!
Tensorflow Lite官方在移动端提供了官方编译好的库,我们直接拿来用就好。Tensorflow 在Linux平台与Mac平台下编译也非常轻松,基本不会遇到太多问题(据说Google内部只用Linux与Mac)。但是在Windows下编译真是一波三折,好在已经编译成功了,记录一下Windows 10下Tensorflow Lite编译过程,帮助一下跟我一样被Tensorflow折腾的不行的人。
numpy-1.13.1+mkl-cp36-cp36m-win_amd64.whl
Intel Distribution for Python 在今年二月进行了更新——英特尔发布了 Update 2 版本。以“加速”为核心的它,相比原生 Python 环境有多大提升呢? 并行计算专家、前英特尔高级工程师 James Reinders 对老东家的产品进行了测试。他对外宣布:在配备四核 i5 的 iMAC 上实现了 20 倍的性能加速! 至于他是怎么做到的,请继续往下看(含代码)。 James Reinders James Reinders:利用 Intel Distribution
from scipy.misc import imread 报错:ImportError: cannot import name imread
(ps:对于如何在Intel CPU,ARM架构CPU,以及Jetson TensorRT上部署深度学习模型,以及部署遇到的速度问题,该如何解决。请查看我的另外一篇文章。如何定制化编译Pytorch,TensorFlow,使得CNN模型在CPU,GPU,ARM架构和X86架构,都能快速运行,需要对每一个平台,有针对性的调整。如何做到最大化加速深度学习在不同平台部署性能。请看我的这篇文章。)
如果在 numpy 之前导入了 torch,那么这里的子进程将获得一个 GNU 线程层(即使父进程没有定义变量)
有读者给大猫留言,说看你公众号文章中的界面截图,似乎和我用的R不一样?的确如此,大猫用的IDE(集成开发环境)既不是R自带的图形界面RGui,也不是常见的RStudio,而是微软家的Visual Studio,甚至大猫所用的R版本也不是普通的CRAN社区版,而是带有多线程运行库Microsoft R Open。这两者结合在一起可以让你完成以前难以想象的事:团队协同、矩阵运算效率提高300%、灵活地自定义用户界面,多种语言在同一框架内开发、Azure云以及SQL Server数据库无缝结合……是不是听着有点小激动?那就继续往下读吧!
领取专属 10元无门槛券
手把手带您无忧上云