U-n-i-t-y 提供了 [Compute Shader][link1] 来使得我们可以将大量的复杂重复的计算交给并行的 GPU 来处理，正是由于并行原因，这样就可以大大加快计算的速度，相比在 CPU 的线程中有着巨大的优势。类似 OpenglES 3.0 的 [Transform Feedback][link2] 和 Metal 的 [Data-Parallel Compute Processing][link3] 都是用来达到同样的目的的。但是很遗憾 Compute Shader 基本和移动设备无缘了，而 也未能提供给开发者直接驾驭图形接口的能力，（[GL.IssuePluginEvent][link4] 似乎可以做到，但是这意味着需要自己处理很多跨平台跨设备的问题，感觉有点得不偿失）。在 [Unity Roadmap][link5] 中也未看到任何类似的迹象。
[link1]:&[link2]:&[link3]:&. html#//apple_ref/doc/uid/TP-CH6-SW1[link4]:&[link5]:&
于是乎一种曲线救国的方式就产生了，当然这里介绍的方法并不能替代 Compute Shader，只是某些特定情况下解决问题的方法，下面我们来仔细看这种方法的实现细节。
其实说来也简单，唯一要用到的就是 RenderTexture。我们可以在 fragment shader 中输出一个颜色值，这个颜色值就是经过一系列复杂计算得到的结果，而这些计算本来只能在 CPU 中进行，再通过某种方式（Texture、Mesh、Uniform Value）传给 GPU（这个传递的过程意味着一次 overhead，在移动设备上虽然没有硬件的物理因素，即使是内存共享也意味着内存的拷贝以及图形对象消耗），这个颜色值最终会被写入到相机所绑定的 RenderTexture 上，这样就得到了一张包含了很多数据的 RenderTexture，只是这些数据表现为颜色。然后将这张 RenderTexture 传给真正用来渲染的着色器，着色器从 RenderTexture 对应位置取出已经计算好的结果值，使用即可。
这是一张尺寸为 128x128 的 RenderTexture，一共存储了 18）个复杂运算的结果，如果将这个计算量交给 CPU 来做的话将会是很大一笔开销，这些值在每一帧中重新计算出新的结果，就形成了上图的效果。或许会有这样的疑问，为什么需要将结果存入 RenderTexture，而不是在 Shader 的需要用到的时候直接计算得到呢。这是因为如果是每次都在 Shader 中直接计算出新的结果，就必须有一个符合其数值变化规律的函数：
y = f(x)或(x,y) = f(t)
不管自变量和结果如何，必须要找到函数 f()。可是我们无法找到这个函数，因为渲染的结果是和场景有交互的，不可能一个公式搞定所有：
于是就想到了是否能直接在 GPU 中计算，即加快了计算速度，又避免了传输数据的消耗。但又由于 Compute Shader 在移动平台的无效，所以就有了使用 RenderTexture 的这种方法。
大致的概念都说清楚了，下面来看一下实现的细节。也就是如何将数据编码到 RenderTexture 中的某个像素中，并且如何从对应的像素中读取数据。
首先当然是创建一个 RenderTexture：
// C#// 这里使用的是 HALF_FLOAT 格式，因为我需要在这张 RenderTexture 中存储一个三维空间的坐标// 如果你不需要，可以设置为 RGB24 即可rt = new RenderTexture(rtSize, rtSize, 0, RenderTextureFormat.ARGBHalf);// 关闭 mipmap，使用点采样，这样纹理采样的时候不会受 filter 的影响rt.useMipMap =rt.generateMips =rt.filterMode = FilterMode.Prt.anisoLevel = 0;rt.wrapMode = TextureWrapMode.Crt.Create();
对创建的 RenderTexture 进行初始化：// C#// 新创建的 RenderTexture 中会包含显存中的垃圾数据，所以我们使用想要的数据对其初始化initTex = new Texture2D(rtSize, rtSize, TextureFormat.ARGB32, false);Color[] colors = initTex.GetPixels();int numColor = colors.Lfor (int i = 0; i & numC ++i){colors[i] = new Color(0, 0, 0);}initTex.SetPixels(colors);initTex.Apply();
Graphics.Blit(initTex, positionsRT);
创建一个相机，用来向 RenderTexture 中填充数据：// C#GameObject camGo = new GameObject();camGo.hideFlags = HideFlags.HideAndDontSCamera cam = camGo.AddComponent();// 相机默认处于关闭状态，我们会手动调用相机的渲染cam.enabled =// 相机的渲染目标为我们刚才创建的 RenderTexturecam.targetTexture =// 不要让相机清除 RenderTexture 上数据，因为每一帧的数据对于下一帧都是有意义的cam.clearFlags = CameraClearFlags.N// 这个相机不需要渲染所有的东西，只渲染我们需要即可cam.cullingMask = LayerMask.GetMask("MyCullingLayer");
当然要向 RenderTexture 中渲染些东西，并不一定要通过相机：// C#// 使用这种方式也是可以的，消耗要比使用相机渲染小一点// 两种方法根据需要进行选择RenderTexture.active =Graphics.DrawMeshNow
这里就要开始创建需要渲染 Mesh 了，Mesh 中的每个顶点上的数据都是非常关键的，我们会通过程序代码来创建 Mesh 而不是建模软件，因为顶点中的数据都有其独特的意义，比如说 normal 属性里存储的并不是真正的法线信息，而是我们自己定义的数据。当然如果 Mesh 中每个顶点属性中存储的数据类型完全确定好之后，在 Unity 中实现一个笔刷来让美术刷出这些数据也就并非是难事，这是后话先不说了。// C#List&vertices = new List();List&colors = new List();List&uv = new List();List&tangents = new List();List&triangles = new List();
// 这里开始填充顶点数据// 具体填充什么数据呢，这个根据要渲染成什么模型有关，每个人都会做出不同的选择// 比如我们上文中的两个 Demo，一个是粒子碰撞，一个是毛发模拟，这两个 Demo 中在 Mesh 中填充的数据都不一样// 所以这里暂时跳过，但是通过下面的说明，应该会让我们更清楚这里需要什么数据
mesh = new Mesh();mesh.vertices = vertices.ToArray();mesh.colors = colors.ToArray();mesh.uv = uv.ToArray();mesh.tangents = tangents.ToArray();mesh.triangles = triangles.ToArray();// 设定新的包围盒很重要，相机的视锥体裁切都靠它了，我偷了个懒，直接设置为一个很大的包围盒，实际情况需要根据模型的大小来设置mesh.bounds = new Bounds(Vector3.zero, new Vector3(, 9999));
在应用程序中所有需要的东西都创建好了，下面开始渲染：// C#// 这是 MainCamera 的回调，在 MainCamera 渲染之前，Unity 会自动回调这个函数void OnPreRender(){// 上文说过，要渲染一个模型（向 RenderTexture 填充数据）有两种方法// 方法1// cam 是上文中有代码创建的相机// rt 是上文中用代码创建的 RenderTexturecam.targetTexture =cam.RenderWithShader(Shader.Find("FillRenderTextureShader"), null);// 方法2if(mat == null){mat = new Material(Shader.Find("FillRenderTextureShader"));}RenderTexture oldRT = RenderTexture.RenderTexture.active =mat.SetPass(0);Graphics.DrawMeshNow(mesh, Matrix.Identify); // 这里的矩阵，因为我们在 Shader 中并没有用到，所以直接设置为单位（任意）矩阵RenderTexture.active = oldRT;}
至此，所有必要的准备都已经完成，然后就是 Shader，前面所做的一切都是为一步在做准备：// FillRenderTextureShader// vertex shaderv2f vert(appdata v){// o.vertex 直接决定了将当前 fragment 输出到 RenderTexture 上的哪个像素中// o.vertex.xy 经过投影变换后的值都是在 -1 到 1 之间// 我们需要知道当前应该输出到 [-1,1] 之间的哪个值上，这就需要在上文中创建 Mesh 时填充顶点数据时指定好，这里直接读取即可// o.vertex.z 这个值我们其实用不到，但是不能随便设置，因为 OpenGL 是 [-1,1]，而 DirectX 是 [0,1]，// 超出这个范围会被裁切掉，所以要同时兼顾到，设置为 0// o.vertex.w 这是用来做齐次坐标变换的，将顶点转换到 Canonical View Volume。简单来说最终的会将 o.vertex.xy 除以 w，来转换到齐次裁剪空间坐标系，// 但是我们不希望进行这个操作，以免破坏了精心计算的 o.vertex.xy，所以设置为 1o.vertex = ......;
// 这是用来解决平台差异的// 因为 OpenGL 的纹理坐标 (0,0) 点在左下角，而 DirectX 的纹理坐标 (0,0) 点在左上角#if UNITY_UV_STARTS_AT_TOPfloat scale = -1.0;#elsefloat scale = 1.0;#endifo.vertex.y *=
// 在这里进行一系列的计算，将计算结果存放到 color 中// i.color = ...... 这里写错了 感谢 hh 指正o.color = ......}
// 注意这里的返回值类型，因为用它表示三维空间中的坐标，所以使用 float// 同样 v2f 结构中 color 的类型也要注意float4 frag(v2f i) : SV_Target{return i.}
数据填充好后，如何在 MainCamera 渲染模型的时候将顶点对应的数据从 RenderTexture 中取出来呢，这就非常简答了：// Shader// uv 也是在创建 Mesh 的时候就已经指定好了，直接从顶点数据中拿来用即可tex2D(_RenderTexture, uv);
以上就是要用到的所有关键代码和主要思路了。粒子碰撞和毛发模拟就是使用的这种方式实现的，让并行的 GPU 进行了大量的计算，使得 CPU 为零消耗，而 GPU 也只发挥了大概 25% 不到的能力，也就是说 GPU 还能处理很多其他的事情。FPS 也达到了满帧。 以上数据是在 Instruments 的 GPU Driver 中查看的，使用的测试设备是 Iphone6S。并且在 Metal、OpenGLES3.0、OpenGLES2.0 这三个 Graphics API 下都表现正常。注意实际开发时需要在更多设备上进行测试，并且做好设备不支持时的备选方案。
最后说一个容易被忽视的细节，而这个细节有可能会导致最终出现我们不想要的结果。使用以上方法就意味着对于一张 RenderTexture 的 Texel，同时既从中读取数据又向其写入数据，根据我的理解，这就是 [Sampling and Rendering to the Same Texture][link6] 和 [Feedback Loops][link7] 所指的情况。而我的测试中并没有遇到过，所以先忽略的，可能是测试设备使用了类似文中所提到的 texture_barrier 技术。当然如果真的出现了这种情况也是有方法解决的，我们可以使用两张 RenderTexture 交替使用，在第一帧中从 A 读取，写入 B，第二帧中从 B 读取写入 A，类似双缓冲一样就能解决这个问题了。
[link6]:&[link7]:&
来源：游戏蛮牛
阅读(...) 评论()pytorch通过torch.cuda使用GPU加速运算且比较GPU与CPU运算效果以及应用场景 - pytorch中文网
pytorch通过torch.cuda使用GPU加速运算且比较GPU与CPU运算效果以及应用场景
o 6789 次浏览 o 0 个回复 o 日
在GPU中使用torch.cuda进行训练可以大幅提升深度学习运算的速度. 而且 Torch有一套很好的GPU运算体系.可以大大的提升我们的元算速度，特别是当我们进行大数据的运算时，今天我们来讲解以及分析一下pytorch使用CUDA，视频教程可以参考
pytorch检查自己的系统是否支持CUDA
首先你的电脑里必须得有合适的GPU显卡(NVIDIA),且支持CUDA模块. GPU支持请参考
必须安装GPU版的Torch,即安装pytorch时指定了cuda，安装教程参考
说了这么多，到底如何查看当前环境是否支持CUDA呢？只需要：
print torch.cuda.is_available()
# 返回True代表支持，False代表不支持
pytorch中torch.cuda基础入门以及简单使用
pytorch中的torch.cuda基础入门在文档中其实已经讲得很详细了，比如我们使用torch.cuda.synchronize()可以等待当前设备上所有流中的所有内核完成。同时我们还可以使用,还有很多用法，这里就不一一介绍了，具体查看
pytorch中GPU与CPU的运算性能比较
有很多朋友说在使用GPU和CPU进行运算的过程中（比如GAN），发现使用的时间都差不多；是不是GPU并不比CPU快多少呢？
其实不是这样，如果你运行一个很小的数据模型，那么CPU和GPU的运算速度是差不多的，但是如果你运行大型模型，就可以看到加速效果。我们不能单纯说GPU一定比CPU快，决定因素除了除了我们GPU的配置，还有我们的网络，数据的大小以及数据的类型，有时候GPU运算反而不如CPU快速
举例说明：在使用的情况下，在Titan X GPU中运行VGG16比在Dual Xeon E5-2630 v3 CPU中快66倍
pytorch中GPU与CPU的相互转化
深度学习中我们默认使用的是CPU，如果我们要使用GPU，需要使用.cuda将计算或者数据从CPU移动至GPU，
如果当我们需要在CPU上进行运算时，比如使用plt可视化绘图, 我们可以使用.cpu将计算或者数据转移至CPU.
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import torch
from torch.autograd import Variable
# 将变量或者数据移到GPU
gpu_info = Variable(torch.randn(3,3)).cuda()
# 将变量或者数据移到CPU
cpu_info = gpu_info.cpu()
原创文章，转载请注明 ：
原文出处：
https://ptorch.com/news/53.html
问题交流群 ：
本站主要用于提供Pytorch,Torch等深度学习框架分享交流使用,本站包括Pytorch/Torch最新资讯，中文文档，中文交流社区。如有问题，大家可在社区交流讨论！谢谢大家！
扫码加入QQ群
手机浏览社区2978人阅读
并行计算、GUP
1、什么是GPU加速计算
GPU，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器，与CPU类似，只不过GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。随着人工智能的发展，如今的GPU已经不再局限于3D图形处理了。GPU
加速计算是指同时利用图形处理器 (GPU) 和 CPU，加快科学、分析、工程、消费和企业应用程序的运行速度。GPU 加速器于 2007 年由 NVIDIA(R) 率先推出，现已在世界各地为政府实验室、高校、公司以及中小型企业的高能效数据中心提供支持。GPU 能够使从汽车、手机和平板电脑到无人机和机器人等平台的应用程序加速运行。
2、GPU与CPU的性能比较
理解 GPU 和 CPU 之间区别的一种简单方式是比较它们如何处理任务。CPU 由专为顺序串行处理而优化的几个核心组成，而 GPU 则拥有一个由数以千计的更小、更高效的核心（专为同时处理多重任务而设计）组成的大规模并行计算架构。
GPU的特点是有大量的核（多达几千个核）和大量的高速内存，最初被设计用于游戏，计算机图像处理等。GPU主要擅长做类似图像处理的并行计算，所谓的“粗粒度并行（coarse-grainparallelism）”。这个对于图像处理很适用，因为像素与像素之间相对独立，GPU提供大量的核，可以同时对很多像素进行并行处理。但这并不能带来延迟的提升（而仅仅是处理吞吐量的提升）。比如，当一个消息到达时，虽然GPU有很多的核，但只能有其中一个核被用来处理当前这个消息，而且GPU核通常被设计为支持与图像处理相关的运算，不如CPU通用。GPU主要适用于在数据层呈现很高的并行特性（data-parallelism）的应用，比如GPU比较适合用于类似蒙特卡罗模拟这样的并行运算。
CPU和GPU本身架构方式和运算目的不同导致了CPU和GPU之间的不同，主要不同点列举如下。
更形象点的说法是：
现在全班要去春游，你有一辆保时捷和一辆大巴：保时捷只有四个座位，但半个小时就到了；大巴有50个座位，但要一个多小时。为了让全班尽早过去，大巴一定是首选。从计算的角度看，各位的CPU就是保时捷，GPU就是大巴。GPU每个核心都很弱，但众多的核心还是让GPU在并行计算上拥有了相当的优势。另外一点，GPU有相当的价格优势。单纯从浮点数计算能力来看，不到300块的GT430（91.564G）已经接近于一两千块的i7（107.6G）。
以下比较 CPU 和 GPU 的有趣视频片段.
http://v.youku.com/v_show/id_XNjY3MTY4NjAw.html
3、GPU的优势
上面已经介绍的很详细。因为GPU的特点特别适合于大规模并行运算，GPU在“深度学习”领域发挥着巨大的作用，因为GPU可以平行处理大量琐碎信息。深度学习所依赖的是神经系统网络——与人类大脑神经高度相似的网络——而这种网络出现的目的，就是要在高速的状态下分析海量的数据。例如，如果你想要教会这种网络如何识别出猫的模样，你就要给它提供无数多的猫的图片。而这种工作，正是GPU芯片所擅长的事情。而且相比于CPU，GPU的另一大优势，就是它对能源的需求远远低于CPU。GPU擅长的是海量数据的快速处理。
将GPU加速器用于机器学习的早期用户包括诸多规模的网络和社交媒体公司，另外还有数据科学和机器学习领域中一流的研究机构。与单纯使用CPU的做法相比，GPU具有数以千计的计算核心、可实现10-100倍应用吞吐量，因此GPU已经成为数据科学家处理大数据的处理器。
4、GPU的劣势
简单地讲，不是所有运算都可以并行化，其实这也是并行计算的弱势。但几乎所有矩阵运算都有并行化的可能，所以Machine Learning的很多方法移植到GPU还是相当有搞头的。
5、现状与趋势
工业与学术界的数据科学家已将GPU用于机器学习以便在各种应用上实现开创性的改进，这些应用包括图像分类、视频分析、语音识别以及自然语言处理等等。尤其是深度学习，人们在这一领域中一直进行大力投资和研究。深度学习是利用复杂的多级「深度」神经网络来打造一些系统，这些系统能够从海量的未标记训练数据中进行特征检测。
虽然机器学习已经有数十年的历史，但是两个较为新近的趋势促进了机器学习的广泛应用:海量训练数据的出现以及GPU计算所提供的强大而高效的并行计算。人们利用GPU来训练这些深度神经网络，所使用的训练集大得多，所耗费的时间大幅缩短，占用的数据中心基础设施也少得多。GPU还被用于运行这些机器学习训练模型，以便在云端进行分类和预测，从而在耗费功率更低、占用基础设施更少的情况下能够支持远比从前更大的数据量和吞吐量。
目前大量的开发语言如R、Python等的机器学习/深度学习框架和包都支持GPU，比如，TensorFlow，Theano， 等等。
参考资料：
http://cos.name/2013/10/gossip-r-gpu/
http://blog.csdn.net/h5y6w8/article/details/
http://www.nvidia.cn/object/machine-learning-cn.html当前位置：
&【原创】GPU加速计算分子模拟
【原创】GPU加速计算分子模拟
GPU计算高性能计算机与传统的CPU计算高性能计算机比较，10分之一的价格，20分之一的电力消耗！本文旨在介绍GPU用于分子模拟计算领域的简单基础和发展近况。
一、GPU（Graphic Processing Unit）计算介绍
& & GPU计算使用 GPU（图形处理器）来执行通用科学与工程计算。 GPU计算模型在一个异构计算模型中同时使用了 CPU 和 GPU。应用程序的顺序部分在 CPU 上运行，计算密集型部分在 GPU（图形处理器）上运行。
应用程序开发人员将需要修改其应用程序中的计算密集型内核，并将其关联到 GPU（图形处理器）。应用程序的其它部分将仍然依赖于 CPU 进行处理。
& & GPU计算得到了 NVIDIA（英伟达?）被称作 CUDA（Compute Unified Device Architecture） 架构的 GPU大规模并行架构的支持。CUDA?是一种通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。该架构拥有针对流行编程语言与API、内容丰富的开发者工具集（编译器、分析器、调试器），其中包括C语言、C++、Fortran语言以及OpenCL和DirectCompute等驱动程序API。
& & 与最新的四核CPU相比，Tesla 20系列GPU计算处理器以二十分之一的功耗以及十分之一的成本即可实现同等性能。每一颗Tesla GPU均包含数以百计的并行CUDA核心并且基于革命性NVIDIA（英伟达?）CUDA?并行计算架构。
现在GPU已经发展到了颇为成熟的阶段，可轻松执行实际应用程序并且其运行速度已远远超过了使用多核系统时的速度。 未来计算架构将是并行核心GPU与多核CPU串联运行的混合型系统。
二、应用方案举例
& & 现在，许多应用可以充分利用基于NVIDIA（英伟达?）CUDA的GPU（图形处理器）的强大计算性能。
1、生物信息学测试举例
2、计算化学测试举例
3、分子动力学测试举例
4、计算流体动力学测试举例
5、Matlab加速测试举例
更多纵向解决方案见：
三、Tesla BIO Workbench - 助力新型科学
& & NVIDIA（英伟达?）Tesla? Bio Workbench让生命科学家与计算化学家有机会挑战生化研究的极致结果。利用NVIDIA（英伟达?）Tesla? Bio Workbench， 生物物理学家和计算科学家们实现了生物化学研究的突破性发展，运行医药研究、DNA排序等复杂的生物科学计算代码，与传统CPU计算系统相比较，运行速度快出10至20倍。
支持GPU计算的分子动力学与量子化学软件
ACE MD (即将问世)
BigDFT (即将问世)
GROMOS (即将问世)
TeraChem (QC)
支持GPU计算的生物信息学软件
CUDA-BLASTP
CUDASW++ (Smith-Waterman)
AMBER：凭借支持CUDA的GPU，加速AMBER中的显溶剂（explicit solvent）和隐溶剂（implicit solvent）模拟。辅以基于CUDA架构的Tesla GPU计算解决方案，系统即可获得10倍于四核CPU的计算速度。
研究性代码测试和下载见：
LAMMPS：GPU-LAMMPS编码支持MPI，并且适用于大型GPU集群扩展。大部分的代码仍然基于CPU，坐标每一时间步长都传给GPU，计算作用力后再传回CPU。在运行 GPU-LAMMPS 时，两块 Tesla GPU性能超过24块 CPU。
代码下载见：
NAMD：NAMD由于开发CUDA架构代码比较早，现已相对比较成熟。实测结果8个GPU的性能能与96个CPU相比，并且性能随GPU数量增加而线性增加。
代码下载见：
GROMACS：目前在Beta版中，GROMACS已经向CUDA平台进行了移植，从而可实现GPU加速功能，这一版本还支持Particle-Mesh-Ewald（PME）、非键合相互作用的任意形式以及隐式溶剂Generalized Born等方式。目前暂不支持MPI。
代码下载见：
CHARMM：c36a2开始支持GPU库，不过由于charmm代码的特殊性，开发成熟的CUDA版本还需要一段时间，初步测试结果显示，和其它软件一样，有10倍的性能提升。
VMD：VMD中多个关键内核与应用程序目前均能够利用NVIDIA（英伟达?）GPU（图形处理器）的大规模并行CUDA架构。现在CUDA代码已在1.8.7正式版本放出。与单纯在CPU上运行时相比，当使用NVIDIA?（英伟达?）CUDA GPU时，这些应用程序实现了20至100倍的速度提升。
代码下载见：
GAMESS：支持HF和DFT方法，Firefly 7.1.G版改善并提高对CUDA的支持。
HOOMD：基于CUDA构架编写，暂不支持MPI，一颗Tesla GPU所实现的性能可以和32个CPU核心相当。
代码下载见：
更多BIO Workbench的近况见：
四、AMAX是NVIDIA指定中国唯一Tesla BIO workbench 测试平台供应商
Tesla BIO workbench 是提供了针对CUDA优化过的一系列生化行业常用软件，如AMBER，GROMACS，NAMD等。AMAX集团华美科技是中国地区唯一为客户提供BIO相关软件免费远程测试体验服务,以及GPU计算硬件平台的供应商。（相关信息请参考NVIDIA官网：）
AMAX公司是NVIDIA的推荐供应商，是NVIDIA在中国唯一的Work Station和Server双推荐供应商，我们公司的销售工程师，技术工程师以及售后工程师都是经过NVIDIA培训和认证的，根据客户的具体需求，专业为客户定制化生产GPU计算工作站，服务器，集群等解决方案。
GPU计算是这2年兴起的技术，2009年我们为同济大学海洋学院搭建了全国第一套GPU计算集群，我们在中央政府采购网的PSC-2N是销量最好的GPU计算工作站（相关信息请参考中央政府采购网：），我们的Xn-4101G是全国唯一一款单节点最多支持8块GPU计算卡的高性能计算机。
如有兴趣，欢迎与我交流，QQ：，手机：
cuda是被炒热的
用GPU做的话，也就发那几篇文章了事
有钱人玩玩就好，当个强大的PC机，估计也就跟6~8核差不多
程序改成GPU单核计算的话 我的是能够提高到单核的6倍左右
你好，我在安装lammps的gpu package时，出现错误。
[zhangq@gpu01 src]$ make yes-asphere
Installing package asphere
&&updating package GPU
[zhangq@gpu01 src]$ make yes-kspace
Installing package kspace
&&updating package GPU
[zhangq@gpu01 src]$ make yes-gpu
Installing package gpu
[zhangq@gpu01 src]$ make linux
make: *** [linux] Error 1
zhangq@gpu01 gpu]$ mpirun -np 8 lammps&in.melt
LAMMPS (30 Jul 2016)
ERROR: Package gpu command without GPU package installed (../input.cpp:1571)
能帮我分析解决一下吗？感激，
24小时热帖
下载小木虫APP
与700万科研达人随时交流NVIDIA将人工智能引入计算图形学
NVIDIA GPU渲染加速视觉特效
近几年，人工智能取得了飞速的发展，并且已经开始应用到各行各业以及生活的的方方面面。NVIDIA也在人工智能领域大放异彩，并将人工智能引入了计算图形学。
NVIDIA GPU渲染
传媒娱乐领域对图像处理和视觉特效的需求日益增加、复杂程度也不断提升，为传统电脑特效制作带来了挑战，视觉特效工作者需要在有限的时间内，更快、更轻松地打造各种复杂、逼真的视觉特效。
一直以来，NVIDIA致力于不断为用户提供非凡的图形和计算性能，为专业化的工作流程注入人工智能、虚拟现实和照片级写实的画质，以适应用户的严苛要求。NVIDIA在计算机图形学方面拥有悠久的历史，现在又将AI领域的专业知识与之相结合，将人工智能引入图形计算，推动了计算图形的创新。
　　由于每个设计师（无论是产品、建筑、影视&）在设计时遵循的设计流程都是一样的：灵感－设计－模拟仿真－可视化。其中模拟仿真是其中最困难的一环，需要高强度计算、耗时很长、而且需要反复微调、反复渲染。
　　在传统设计流程中，设计师需要把作品发到拥有高强度计算能力的服务器上进行渲染仿真，数据需要在本地、服务器、数据中心等地方来回拷贝传输，效率低下。如上文所说，如果两个GP100连在一起使用，并联后能以CPU 18倍的速度输出照片级的图像，可以让这些数据在设计师的电脑上一站式快速完成，不需要来回传送数据，并且缩短了调整后等候再次渲染的时间。
　　一个更直观的数据是，根据英伟达中国区销售总监何犹卿介绍，一帧4K的《变形金刚3》的电影画面，根据使用2路CPU渲染时需要288小时，而用GPU渲染只需要3个多小时。
　　同时，由于其计算功能能够被用于人工智能。未来的设计过程中，电脑可以直接为人类提供设计方案。比如一把椅子，未来我可以告诉电脑，我需要这把椅子拥有大于300磅的承重量，自重不超过15磅，成本不超过100美元，计算机随后可以出几百个符合要求的不同外形方案给我，同时比人类的方案更优秀、更节省材料。
原文标题：GPU在线课堂| NVIDIA GPU渲染加速视觉特效
文章出处：【微信号：NVIDIA-Enterprise，微信公众号：英伟达NVIDIA企业解决方案】欢迎添加关注！文章转载请注明出处。
关注电子发烧友微信
有趣有料的资讯及技术干货
下载发烧友APP
打造属于您的人脉电子圈
关注发烧友课堂
锁定最新课程活动及技术直播
发布评论请先
早在近期的紧张局势出现之前，中兴就与美国政府有了矛盾。中兴据称曾向伊朗、朝鲜出售电子产品，违反了美国....
金山科技展示了拥有国内MEMS技术的最先进医疗产品，包括“慧图”磁控胶囊胃镜系统、“广角”胶囊式内窥....
华为轮值董事长徐直军做了大会开场的主旨发言，重点解读了华为的愿景和使命。数字化、智能化给每个人、每个....
时代在改变、技术在进步，不及时改变思维，顺应时代和技术发展的方向，这是让大多数股民后悔的错误！如果你....
长安汽车在意大利都灵、日本横滨、英国伯明翰、美国底特律和硅谷都建立了各有侧重的研发中心。美国底特律和....
随着网络犯罪背后的黑色产业链获利能力的大幅提高，互联网的无国界性使得网络威胁对全球各国用户造成的损失....
据HOP获悉，相比亚洲公司纷纷服软，惠普、戴尔则对NVIDIA的GPP说了“不”。联想的态度目前还不....
动物的智慧将帮助人工智能技术变得更聪明。 我们和动物相处时，总会时不时和它们说说话，这种交流让人类和....
云知声，是一家专注物联网人工智能服务，拥有完全自主知识产权、世界顶尖智能语音识别技术的高新技术企业 ....
近日，京东对外发布人工智能开放平台“NeuHub”，并介绍了以三大主体、七大应用场景、五个人工智能产....
今天跟大家讲讲云计算、大数据和人工智能。这三个词现在非常火，并且它们之间好像互相有关系。
然而，近年来，随着各国科技企业纷纷加紧部署人工智能，人工智能已经从几年前还是一个比较学术的科学，演变....
然而，近年来，随着各国科技企业纷纷加紧部署人工智能，人工智能已经从几年前还是一个比较学术的科学，演变....
未来要实现人工智能，最关键的就是“数据”。而要在物联网时代获得海量数据，必须要有感知能力。在此判断的....
但是实际上在学术界大家一直没有想清楚一件事情，就是我们为什么要用这么深的模型？今天深度学习已经取得了....
在这一阶段，为了寻求卖点，获得更大的市场占有率，主打移动内存、彩色屏幕、滑盖、内置摄像头拍照、折叠、....
作为连接移动互联网和未来物联网的核心平台,智能手机与人工智能概念的结合可以说是大势所趋。因为智能手机....
近年来，随着各国科技企业纷纷加紧部署人工智能，人工智能已经从几年前还是一个比较学术的科学，演变成相对....
这项技术在去年的双11上得到了非常充分的运用。这项技术有了以后，对于每一个不同的产品会有不同的设计出....
4月13日，Zabbix SIA在拉托维亚里加与上海宏时数据系统有限公司(SGDS)签署了战略合作协....
不久前，中国宣布将相当幅度降低汽车进口关税，很可能将整车关税从目前的25%降低到15%，以特斯拉为代....
我们从计算机图形学研究中获得了启发。在这一领域中基于自然动作的人体仿真模拟已经存在大量的工作，相关研....
近两年，人工智能一直站在“上风口”，对行业和资本来说是一个炙手可热的技术概念，“AI＋”似乎成为“互....
4月15日下午，京东人工智能创新峰会在北京举行，在本次会上京东首次向外界展示在AI领域的战略发展方向....
也许人工智能能够最快改变的医疗领域就是放射领域。人工智能将是解读重要医学影像的关键，这些医学影像反映....
通过采用NVIDIA Metropolis端到云视频平台，Verizon公司打造了一套深度学习应用，....
中移在线服务有限公司与商汤科技战略合作，双方将在计算机图像识别技术、智能硬件研发、智能安防及智能商业....
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是计....
您印象中的机器人还仅仅是按照代码指令完成任务吗？其实，通过观察人类行为来进行操作才是机器人的未来趋势....
除了可以让消费性设备更高质量、更快速度和更低功耗地完成图像与视频的展现、还原和处理，图形处理技术的应....
人工智能在教育方面的应用在于提供一种个性化的方式，国内我们想要打造人工智能+教育的“特级教师”，在国....
QCS605 和 QCS603 系统级芯片能够为终端侧的摄像头处理和机器学习提供强大的计算能力，同时....
十年时间内，机器人将接手制造业45%的工作，并削减9万亿美元的劳动力成本，使得当今社会的很大一部分被....
反恐应急方面：反恐型机器人一般都在商场等人员密集的公共场所使用，也有极少量家庭使用。此外，频繁爆发的....
日，第79届中国国际医疗器械（春季）博览会在上海国际会展中心开幕，来自全球各地的4....
2017年,被公认为人工智能行业井喷式发展的一年,全球AI初创企业的融资额达到152亿美元,创历史新....
对于人工智能产业的发展趋势，董纪冬认为：“人工智能技术通过大量落地应用，不断在技术上优化与迭代，从而....
3月30日，“智涌钱塘”2018AI Cloud生态国际峰会在G20主会场路杭州国际博览中心隆重举行....
26日消息，百度与“小鱼在家”联合出品的智能视频音箱“小度在家”正式发布。“小度在家”搭载百度Due....
智能物流仓储系统是个庞大的系统，该系统共规划2台道岔堆垛机管理8个巷道，该项目共有4480个货位，主....
我们发现，对抗性训练和防御性精炼都意外地执行了一种梯度掩码。这两种算法都没有明确地被设计来执行梯度掩....
21 世纪以来，随着新一代信息通信、新能源、新材料等技术加快与汽车产业融合，信息通信、互联网等新兴科....
根据Gartner公司的数据，在2017年全球出货量下降3%后，预计2018年全球PC，平板电脑和手....
长久以来避而不提的隐私和安全问题，也因此被摆上台面，现在正是算法学会法律和道德发展的关键时刻。掌握大....
无人驾驶这一概念成为当下风口，汽车厂商和科技企业纷纷布局，争夺控制权，但发展无人驾驶面临诸多挑战，涉....
4月11日下午，中国人工智能学会副理事长，IEEE Fellow、西安电子科技大学人工智能学院焦李成....
日前，紫光集团刚刚成立了“北京紫光智能汽车科技有限公司”，其中董事长正是紫光国芯新任总裁马道杰，人工....
微软宣布进行重大重组，Windows部门将被拆分，不再作为一个独立的事业部存在。Windows、Of....
日-13日，“2018中国半导体市场年会暨IC 中国峰会”在南京举行。本届年会由中....
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-