NVIDIA GPU是否支持OpenCL 2.0？_NVIDIA的OpenCL编译器是否支持--generate-line-info？_Tensorflow GPU 2.0在NVIDIA RTX GPU卡上抛出内存 - 腾讯云开发者社区 - 腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

AMD GCN 微架构之超算细节详解

在 2012 年，AMD 正式推出了代号为的 Tahiti 的新 GPU，这个 GPU 的特别之处在于采用了名为 Graphics Core Next 的全新架构，指令集由 VLIW5/VLIW4 改为通用计算效率更好的标量指令（硬件隐式 SIMD），从那时起到现在，AMD 的所有新 GPU 都采用了 SIMD16 的 GCN 微架构，特别是在通用计算领域，GCN 的问世让 AMD 在这个领域得以和竞争对手一较高下。 GCN 发布至今，按照 AMD 的划分，经过了 1.0、1.1、1.2

08

Codeplay开源为Nvidia GPU提供DPC ++版本

编写软件以便在当今的异构计算体系结构上高效运行是一个持续的挑战，而越来越多的处理器和加速器的选择使这一挑战变得越来越困难。帮助减轻这一挑战的一个努力是由Khronos行业协会开发的高级编程模型SYCL。SYCL构建在OpenCL(开放计算语言)之上，并且“允许使用完全标准的c++以单源代码风格编写异构处理器的代码”。

03

您找到你想要的搜索结果了吗？

是的

没有找到

ubuntu16 CUDA 编译opencl caffe版本并通过mnist训练测试

本文介绍了在Ubuntu 16.04上编译基于CUDA的OpenCL Caffe版本，并使用MNIST数据集进行训练和测试。首先介绍了硬件和软件环境的配置，然后说明了如何安装和编译Caffe。最后通过训练和测试展示了Caffe在MNIST数据集上的应用。

05

FFmpeg 硬件加速方案概览（下）

MediaCodec是Google在Android API 16之后推出的用于音视频编解码的一套偏底层的API，可以直接利用硬件以加速视频的编解码处理。MediaCodec的概念中，一般而言，编解码器处理输入数据并生成输出数据。它异步处理数据并使用一组输入和输出缓冲区。在简单的层面上，需要请求（或接收）一个空输入缓冲区，填充数据并将其发送到编解码器进行处理。编解码器使用数据并将其转换为其空的输出缓冲区之一。最后，你请求（或接收）一个填充的输出缓冲区，消耗其内容并将其释放回编解码器。

04

异构计算综述

异构计算（Heterogeneous computing）技术从80年代中期产生，由于它能经济有效地获取高性能计算能力、可扩展性好、计算资源利用率高、发展潜力巨大，目前已成为并行/分布计算领域中的研究热点之一。本文主要介绍了CPU+GPU基础知识及其异构系统体系结构（CUDA）和基于OpenCL的异构系统，并且总结了两种结构的特点，从而对异构计算有了更深的理解。

03

深度学习框架机器学习的开源库TensorFlow

在机器学习的领域中，张量指的是描述神经网络的数学模型中使用的多维数组。换言之，张量通常是一个矩阵或矢量的更高维泛化。通过一种使用秩来显示维数的简单表示法，张量可以将复杂的 n 维矢量和超形状表示为 n 维数组。张量有两个属性：数据类型和形状。关于 TensorFlow TensorFlow 是一个开源的深度学习框架，于 2015 年末依据 Apache 2.0 许可进行发布。自那以后，它成为了在全球得到最广泛采用的深度学习框架之一（根据它的 GitHub 项目数量来判断）。 TensorFlow 的起源

01

GPU 编程相关简要摘录

GPU 编程可以称为异构编程，最近由于机器学习的火热，很多模型越来越依赖于GPU来进行加速运算，所以异构计算的位置越来越重要；异构编程，主要是指CPU+GPU或者CPU+其他设备（FPGA等）协同计算。当前的计算模型中，CPU主要用来进行通用计算，其更多的是注重控制，我们可以通过GPU和FPGA等做专用的计算。

03

CUDA Fortran

CUDA（ComputeUnified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。2007 年以来，以NVIDIA GPU为代表的加速器并行计算开始兴起。目前流行的GPU通用编程语言是CUDA C和OpenCL. 它们均是C/C++语言的扩展，因此可以方便地将C/C++代码移植到 GPU 上。但对于科学与工程计算中的重要编程语言Fortran，无法直接地改写为 CUDA C或 OpenCL。

03

AMD 发布APP SDK 3.0 Beta

AMD刚刚发布的驱动程序支持最新的Khronos OpenCL™2.0标准驱动。这被看作提高异构计算加速路径的巨大里程碑，OpenCL2.0实现了许多AMD异构系统架构（HSA）的功能，比如CPU和GPU设备间基于指针的数据结构来共享内存，可以大大简化在计算加速中使用GPU的步骤。此外，GPU设备通过OpenCL的2.0设备排队功能启动计算任务的能力为计算内核开辟了一个更强大的编程模型。通用地址空间也比 OpenCL1.2提供了更大的可编程优，简化了OpenCL存储器模型。OpenCL2.0还

06

GPU加速——OpenCL学习与实践

参考刘文志等所著《OpenCL异构并行计算》，结合自身实践所做的总结，在此，特别感谢蒋工给予的指导。由于作者认知水平有限，文中如有不到的地方，欢迎大家批评指正。

02

OpenCV 图像处理学习手册：6~7

计算摄影是指使您能够扩展数字摄影的典型功能的技术。这可能包括硬件附加组件或修改，但主要指基于软件的技术。这些技术可能会产生“传统”数码相机无法获得的输出图像。本章介绍了 OpenCV 中用于计算摄影的一些鲜为人知的技术：高动态范围成像，无缝克隆，脱色和非照片级渲染。这三个位于库的photo模块中。注意，在前面的章节中已经考虑了该模块内部的其他技术（修复和去噪）。

03

Scallion：一款基于GPU的Onion哈希生成器

Scallion可以帮助我们使用OpenCL来创建GPG密钥以及针对Tor隐藏服务的.onion地址。Scallion基于Mono软件平台开发和运行，并已在Arch Linux平台上成功测试，工具的运行依赖.NET 3.5+（已在Windows 7和Windows Server 2008平台上测试）。

01

视频编解码硬件方案漫谈

视频编解码硬件方案最早是在嵌入式领域中广泛存在，如采用DSP,FPGA，ASIC等，用来弥补嵌入式系统CPU等资源能力不足问题，但随着视频分辨率越来越高（从CIF经历720P，1080P发展到4K，8K），编码算法越来越复杂（从mpeg2经历h264,发展到h265）,PC的软件规模也越来越庞大，视频应用也越来也丰富，单独靠CPU来编解码已经显得勉为其难，一种集成在显卡中gpu用来参与编解码工作已经成为主流。

03

从特斯拉AP2.0/2.5 运算单元看未来无人驾驶域控制器的设计趋势1

新悦智行从今年4 月份开始设计自己的WiseADCU 无人驾驶运算控制单元，所以做了一些同类产品的对标和分析。因为WiseADCU 已经投板，所以将之前拿到的一些国际先进的无人驾驶运算控制单元的平台分析报告通过《汽车电子设计》分享给大家。

04

Tensorflow教程：GPU调用如何实现

摘要总结：本文主要分析了TensorFlow GPU版本的代码实现，包括其架构和流程。文章首先介绍了TensorFlow GPU的基本情况和特点，然后详细讲解了GPU版本的代码实现，包括Kernel、Stream、OP和CUDA等部分。最后，文章给出了一些使用GPU进行运算的例子，并介绍了如何调用CUDA的代码。

00

动手Theano：最强大的Python科学工具之一

也许已经听说过有关Theano的内容，但是究竟是什么呢？一种编程语言？编译器？Python库？好吧，实际上，这就是所有这些东西：Theano开发为以非常有效的方式编译，实现和评估数学表达式。实际上，它允许开发人员使用CPU和GPU来执行代码。现在，可能想知道使用GPU而不是CPU运行代码的优势是什么。

02

ParallelX在GPU上运行Hadoop任务

在面对大规模计算密集型算法时，MapReduce范式的表现并不总是很理想。为了解决其瓶颈，一支小型创业团队构建了名为ParallelX的产品——它将通过利用GPU的运算能力，为Hadoop任务带来显著的提升。 ParallelX的联合创始人Tony Diepenbrock表示，这是一个“GPU编译器，它能够把用户使用Java编写的代码转化为OpenCL，并在亚马逊AWS GPU云上运行”。它的最终产品是一项与亚马逊Elastic MapReduce类似的服务，只不过不同之处在于它将利用EC2 GPU实例类型

为什么不用A卡AI绘画？而推荐用腾讯云

NVIDIA的GPU发明并开发了CUDA深度学习框架,可通过CUDA直接编程控制GPU进行矩阵运算和深度学习计算。而A卡的开发商OpenCL框架CUDA扩展性和性能较差。所以深度学习框架大多优先支持CUDA。

03

教程 | 如何在Julia编程中实现GPU加速

为了简化操作，可以在 nextjournal 上注册账户，点击「edit」即可直接运行文章中的简单代码了。

02

Theano 中文文档 0.9 - 4. 要求

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）。

02

【TensorFlow实战——笔记】第3章：TensorFlow第一步_TensorFlow的编译及安装

不管哪种情况，我们都推荐使用Anaconda作为Python的环境，因为可以避免大量的兼容性问题。

01

GPU可通过LeftoverLocals泄露LLM提示数据

一家纽约安全公司发现了一个漏洞，该漏洞破坏了许多(尽管不是所有)GPU的安全防护。

01

Mac OS X 背后的故事（下）

Mac OS X 背后的故事（九）半导体的丰收半导体的丰收（上）　　在美国宾夕法尼亚州的东部，有一个风景秀美的城市叫费城。在这个城市诞生了一系列改变世界的奇迹：第一个三权分立的国家——美立坚合众国，就在第五街的路口诞生；举世闻名的费城交响乐团，1900年在市中心的 Academy of Music 奏响了他们的第一个音符。而写这篇文章时，我正坐在三十四街的宾夕法尼亚大学计算机系的一楼实验室，面前摆放着世界上第一台电子计算机——ENIAC。　　1946年 2 月 14 日，ENIAC 问世，每秒可运行

08

Gromacs也开始支持OpenCL啦！

GROMACS 是目前最常用的分子动力学开源软件。主要用于蛋白、高分子化学和碳纳米管模拟。荷兰一家OpenCL技术服务公司StreamComputing在Gromacs开发团队的支持下将Gromacs CUDA移植到OpenCL1.1上。源代码来源和构建目前该项目还在进行中，不过已经接近完成。因为还没有二进制代码，所以除了有C，C + +和CMake知识外，你还需要知道如何使用Git。它建立在Windows和Linux， Nvidia和AMD GPU是现阶段的目标平台。

06

运行于显卡（GPU）的Rootkit木马和键盘记录器问世

如今木马后门已完全可以运行在电脑的显卡中，这种独特的运行方式增强了它们的隐匿性，同时还大大提高了恶意行为的执行性能。基于GPU的恶意软件最近，开发人员发布了两款概念验证性的恶意软件——Jellyfish rootkit和Demon键盘记录器，这两款恶意软件的运行并不是利用电脑的CPU，而是利用图像处理器GPU。这种恶意软件能够利用GPU实现比特币挖矿机，性能更高。两名匿名开发者对该Rootkit（木马后门）的描述：请输入内容“Jellyfish是一个基于Linux的用户态GPU rootkit概

07

NVIDIA Docker CUDA容器化原理分析

在AI应用容器化时，会碰到cuda failure 35错误，查了下是跟CUDA驱动版本有关。但有时同一个镜像在不同环境运行仍会有问题，查了下宿主机的显卡驱动版本，也没发现什么问题。为了彻底解决这类问题，了解了CUDA API的体系结构，并对NVIDIA Docker实现CUDA容器化原理进行了分析。

04

【玩转 GPU】GPU开发实践：聚焦AI技术场景应用与加速

本文将探讨GPU开发实践，重点关注使用GPU的AI技术场景应用与开发实践。首先介绍了GPU云服务器在AIGC和工业元宇宙中的重要作用，然后深入讨论了GPU在AI绘画、语音合成等场景的应用以及如何有效地利用GPU进行加速。最后，总结了GPU并行执行能力的优势，如提高算力利用率和算法效率，卷积方式处理效率更高，现场分层分级匹配算法计算和交互，超配线程掩盖实验差距，以及tensor core增加算力峰值等。

00

FFmpeg在Intel GPU上的硬件加速与优化

大家好，今天与大家分享的主题是FFmpeg在 Intel GPU上的硬件加速与优化。

03

基于Spark的异构分布式深度学习平台

文/张伟德，曲宁，刘少山导读：本文介绍百度基于Spark的异构分布式深度学习系统，把Spark与深度学习平台PADDLE结合起来解决PADDLE与业务逻辑间的数据通路问题，在此基础上使用GPU与FPGA异构计算提升每台机器的数据处理能力，使用YARN对异构资源做分配，支持Multi-Tenancy，让资源的使用更有效。深层神经网络技术最近几年取得了巨大的突破，特别在语音和图像识别应用上有质的飞跃，已经被验证能够使用到许多业务上。如何大规模分布式地执行深度学习程序，使其更好地支持不同的业务线成为当务之急。

08

深度学习中如何选择一款合适的GPU卡的一些经验和建议分享

章翻译自： Which GPU(s) to Get for Deep Learning（http://t.cn/R6sZh27）深度学习是一个计算需求强烈的领域，GPU的选择将从根本上决定你的深度学习研究过程体验。在没有GPU的情况下，等待一个实验完成往往需要很长时间，可能是运行一天，几天，几个月或更长的时间。因此，选择一个好的，合适的GPU，研究人员可以快速开始迭代深度学习网络，几个月的实验可以在几天之内跑完，几天的实验可以在几个小时之内跑完。因此，在购买GPU时，正确的选择至关重要。那么应该如何选择适

04

深度学习落地移动端——Q音探歌实践(一)

1.摘要 Q音探歌是QQ音乐孵化的一款全新APP，主打高效、准确的“听歌识曲”，“扫描识别MV”功能，这些服务的实现离不开深度学习能力。把深度学习推断带到边缘设备( inference on the edge )，可以减少计算时间，改善用户体验，但是也面临着种种挑战。我们希望本文提供的观察、见解和我们针对不同平台的设计原则能够帮助大家更好地设计和评估移动端的深度学习推断。 2.介绍 2.1深度学习的边缘化发展的机遇越来越多的服务会使用到深度学习的能力，例如给用户聚类、识别动作与跟踪、语音识别等等。尽管所有

02

Ubuntu_ROS中应用kinect v2笔记

http://www.ros.org/news/2014/09/microsoft-kinect-v2-driver-released.html

02

手把手教你如何用Julia做GPU编程（附代码）

GPU是一个大规模并行处理器，具有几千个并行处理单元。例如，本文中使用的Tesla k80提供4992个并行CUDA内核。 GPU在频率，延迟和硬件功能方面与CPU完全不同，但有点类似于拥有4992个内核的慢速CPU！

01

AMD发布APPML源码，构建clMath库

APPML（Accelerated Parallel Processing Math Library ）和Bolt（C++ template library OPENCL）两大项目主要技术负责人Kent Knox（AMD任职已有15年）在AMD开发者博客上发表博文称，目前，AMD将加速并行处理数学库开源，内容包含了BLAS和FFT的OpenCL实现。APPML利用OpenCL编程并运行在AMP GPU上，同时也可以运行在CPU上支持程序调试和多核编程。项目托管在GitHub上，命名为clMath，

AI芯片的“战国时代”：计算力将会驶向何方？

人工智能应用的蓬勃发展对算力提出了非常迫切的要求。由于摩尔定律已经失效，定制计算将成为主流方向，因而新型的 AI 芯片开始层出不穷，竞争也日趋白热。参与这一竞争的不光是传统的半导体芯片厂商，大型的互联网和终端设备企业依托于自身庞大的应用规模，直接从自身业务需求出发，参与到 AI 芯片的开发行列。这其中以英伟达为代表的 GPU 方案已经形成规模庞大的生态体系，谷歌的 TPU 则形成了互联网定义 AI 芯片的标杆，其余各家依托各自需求和优势，提出了多类解决方案。本文将简要梳理目前各家技术进展状态，结合人工智能应用的发展趋势，对影响 AI 芯片未来发展趋势的主要因素做出一个粗浅探讨。

02

DirectX is coming to the Windows Subsystem for Linux

平时有很多碎片化时间，比如下班的地铁上，或者等待的时间，我们总喜欢拿出手机玩，这个时间也可以用来学习呢，当然佳爷自己也想学习英语，所以上下班的时间看看。

01

【指南】买家指南：挑选适合你的深度学习GPU

最近，有相当多的人想知道如何选择机器学习的GPU。以现状来说，深度学习的成功依赖于拥有合适的硬件。当我在构建我的个人深度学习盒时，我查看了市场上所有的GPU。在本文中，我将分享关于选择合适的图形处理器

09

基于OpenGL ES的深度学习框架编写

背景与工程定位背景项目组基于深度学习实现了视频风格化和人像抠图的功能，但这是在PC/服务端上跑的，现在需要移植到移动端，因此需要一个移动端的深度学习的计算框架。同类型的库 caffe-Android-lib 目前应该是最便于集成使用的深度学习框架库。 tensorflow和mxnet据说也有对应的android库，因时间原因暂未测试。 CNNdroid，网址https://zhuanlan.zhihu.com/p/25259452，这个是用 renderscript 作优化的深度学习框架，不过就

09

深度学习的硬件之争关键年：NVIDIA, AMD, Intel鹿死谁手？

大数据文摘作品编译：新知之路、党晓芊、吴双、Aileen 随着英伟达Titan V的发布，我们迈入了深度学习硬件发展的动荡期。NVIDIA能否在2018年保住深度学习硬件首要供应商的地位还未可知，AMD和Intel Nervana都仍有机会。所以对于想买硬件的消费者，最精明的选择就是等上3至9个月，到这种不确定的状态过去之后再决定。深度学习芯片领域的竞争从未停止过。 NVIDIA决定在竞争初现端倪之前，先将自己的垄断地位变现。通过这种方式，他们希望在未来1-2年内确保行业领先，所以他们的Titan V

03

深度学习的GPU：深度学习中使用GPU的经验和建议

深度学习是一个计算需求强烈的领域，您的GPU的选择将从根本上决定您的深度学习体验。在没有GPU的情况下，这可能看起来像是等待实验结束的几个月，或者运行一天或更长时间的实验，只是看到所选参数已关闭。有了一个好的，坚实的GPU，人们可以快速迭代深度学习网络，并在几天而不是几个月，几小时而不是几天，几分钟而不是几小时的时间内运行实验。因此，在购买GPU时做出正确的选择至关重要。那么你如何选择适合你的GPU呢？这个博客文章将深入探讨这个问题，并会借给你的建议，这将有助于你做出适合你的选择。拥有高速GPU是开始学

Theano 中文文档 0.9 - 5.4 CentOS 6安装说明

如果你想从GitHub安装Theano的前沿或开发版本，请确保你正在阅读此页面的最新版本。

03

【干货】7月机器学习Top 10，GitHub平均1041星！

【新智元导读】本月的最热机器学习项目出来了！Mybridge对过去一个月的近250个机器学习开源项目进行了排名，甄选出GitHub星数最多的10大热门项目。开源项目是机器学习研究的宝库，你一定能从中找到一个能启发你的有趣项目。

01

nspawn 容器调优指南 (GPU,音频,输入法等)

所以对应的服务应该是 systemd-nspawn@archlinux.service

03

2018年7月机器学习开源项目TOP 10

在过去的一个月里，Mybridge AI根据各种因素对项目进行排名，在将近250个机器学习开源项目中选出前10位。

02

用 TornadoVM 让 Java 性能更上一个台阶

在 QCon Plus 大会上，Juan Fumero 谈到了 TornadoVM，一种 Java 虚拟机（JVM）高性能计算平台。Java 开发人员可以通过它在 GPU、FPGA 或多核 CPU 上自动运行程序。

01

GPU-Z v0.39发布

近日，techPowerUp发布了GPU-Z v0.39 📷 更新内容如下：新增本地化工具提示语言:AM, AR, BG, CN, DE, FA, FR, IT, PT, RS, RU, TR, UA.默认语言是系统语言。你可以在菜单切换。增加对以下ATI型号的支持:ATI HD 5830, HD 5770, HD 5750, HD 5670, HD 5570, HD 5450, HD 4860, HD 4750, Mobility HD 3430, M97, Mobile HD 5850, 573

03

FFmpeg 硬件加速方案概览（上）

多媒体应用程序是典型的资源密集型应用，因此优化多媒体应用程序至关重要，这也是使用视频处理专用硬件加速的初衷。作为回报，这允许整个系统更加有效地运行（以达到最佳性能）。但是为了支持硬件加速，软件开发厂商面临着各种挑战：一个是存在潜在的系统性能风险问题；此外，软件开发商一直也因为要面对各种硬件架构的复杂性而苦苦挣扎，并需要维护不同的代码路径来支持不同的架构和不同的方案。优化这类代码，耗时费力。想想你可能需要面对不同的操作系统，诸如Linux，Windows，macOS，Android，iOS，ChromeOS；需要面对不同的硬件厂商，诸如Intel，NVIDIA，AMD，ARM，TI, Broadcom……，因此，提供一个通用且完整的跨平台，跨硬件厂商的多媒体硬件加速方案显得价值非凡。

02

手把手教你构建8个GPU的破密码机

长话短说这台密码破解机既不需要任何的“黑魔法”，也不需要你花大量时间和精力去组装各种乱七八糟的零配件。如果你按照这篇文章给出的方法来进行设备组装的话，你应该可以在三个小时之内搭建出一台密码破解工作站

06

如何成为一名异构并行计算工程师

作者 | 刘文志责编 | 何永灿随着深度学习（人工智能）的火热，异构并行计算越来越受到业界的重视。从开始谈深度学习必谈GPU，到谈深度学习必谈计算力。计算力不但和具体的硬件有关，且和能够发挥硬件能力的人所拥有的水平（即异构并行计算能力）高低有关。一个简单的比喻是：两个芯片计算力分别是10T和 20T，某人的异构并行计算能力为0.8，他拿到了计算力为10T的芯片，而异构并行计算能力为0.4的人拿到了计算力为20T的芯片，而实际上最终结果两人可能相差不大。异构并行计算能力强的人能够更好地发挥硬件的能力，而

04

陈天奇团队发布NNVM编译器，性能优于MXNet，李沐撰文介绍

夏乙若朴编译整理量子位出品 | 公众号 QbitAI 亚马逊和华盛顿大学今天合作发布了开源的端到端深度学习编译器NNVM compiler。先提醒一句，NNVM compiler ≠ NNVM。 NNVM是华盛顿大学博士陈天奇等人2016年发布的模块化深度学习系统，今年8月中旬，他们又推出了将深度学习工作负载部署到硬件的端到端IR堆栈TVM，也就是把深度学习模型更简单地放到各种硬件上。当时，陈天奇把TVM+NNVM描述为“深度学习到各种硬件的完整优化工具链”，而这次推出的NNVM compile

06

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭