而对于目前的市场来看,NVIDIA独显无疑是占据了产品端的绝对主力,9系列独显也已经全面上市,但除了大家熟悉的GTX级之外,入门级的更新也同样对入门级玩家有着至关重要的意义,其中最具代表性的莫过于今天我们测试的主角——GT 940M.它是一款怎样的产品,拥有怎样的性能水准,适合哪些玩家选择呢? GT 940M.GTX 950M/960M都只是换名升级 9/8系列中端独显规格对比表 微架构 制程 流处理器单元数量 核心频率 显存频率 显存位宽 GT 940M Maxwell 28nm 384 10

电源的科学: Q1:电源的额定功率是什么?峰值功率又是什么?A1:电源的额定功率就是电源正常工作时的功率,它的值为用电器的额定电压乘以额定电流.而峰值功率指的是电源短时间内能达到的最大功率, 一般情况下电源峰值功率可以超过最大输出功率50%左右.而混淆额定功率与峰值功率概念,则是很多卖场商家牟取利润的其中一大手段.Q2:电源的额定功率越大代表用电越厉害?A2:其实电源的耗电量完全以硬件工作状态所需的耗电量来决定的,额定功率数值仅仅是一个“能量池”,它越大只能证明负载的电量越多而已.而耗不耗电,影

首先强调,我们实验室的机器是3.3w的机器,老板专门买来给我们搞深度学习,其中显卡是NVIDIA GeForce  GTX1080(最近新出的,装了两块),cpu是intel i7处理器3.3Ghz,主板华硕,两个480固态硬盘 ,内存16G,磁盘1T容量,这个配置真是没得说,刚买来2个礼拜,最近重装几次ubuntu,开机变得特别慢,不知道为什么,囧! ---------------------------------------------------------------分割线------

DL服务器主机环境配置(ubuntu14.04+GTX1080+cuda8.0)解决桌面重复登录 前面部分是自己的记录,后面方案部分是成功安装驱动+桌面的正解 问题的开始在于:登录不了桌面,停留在重复输入密码界面 博文中分析的结论: 虚拟机中不能直接调用物理显卡进行 CUDA 编程:虚拟机中运行 CUDA 需要硬件和软件的配合才能使用,对于一般使用者可能暂时不太可能的. 参考博文: 深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0 深度学习主机环境配

目录 Tensorflow1.5.0+cuda9.0+cudnn7.0+gtx1080+ubuntu16.04 0. 前记 1. 环境说明 2. 安装GTX1080显卡驱动 3. CUDA 9.0安装 4. cuDNN安装 5. Tensorflow-GPU安装 6. Cuda的卸载,cuDNN的卸载 处理之前安装的cuda文件 处理之前安装的cuDNN 7. Reference Tensorflow1.5.0+cuda9.0+cudnn7.0+gtx1080+ubuntu16.04 0. 前记

前一篇[基于Ubuntu16.04的GeForce GTX 1080驱动安装,遇到的问题及对应的解决方法]是在机器原有系统上安装GPU驱动,后来决定备份数据后重装系统,让服务器环境更干净清爽. 1．安装操作系统Ubuntu16.04 采用U盘启动安装的方式: => 插入系统U盘,开启电源 => 按Delete键进入BIOS界面,在"Boot"中把"USB KEY"设到最高优先级(把Hard Disk设置到第二优先级,装好系统后拔掉U盘就会直接从硬盘启动)

1. TensorFlow TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,表达了高层次的机器学习计算,大幅简化了第一代系统,并且具备更好的灵活性和可延展性. TensorFlow一大亮点是支持异构设备分布式计算,它能够在各个平台上自动运行模型,从电话.单个CPU / GPU到成百上千GPU卡组成的分布式系统. TensorFlow支持CNN.RNN和LSTM算法,这都是目前在Image,Speech和NLP最流行的深度神经网络模型. 2015年11月5日,G

1. 安装Ubuntu16.04 不考虑双系统,直接安装 Ubuntu16.04,从 ubuntu官方 下载64位版本: ubuntu-16.04-desktop-amd64.iso . 在MAC下制作了 Ubuntu USB 安装盘,具体方法可参考: 在MAC下使用ISO制作Linux的安装USB盘 ,之后通过Bios引导U盘启动安装Ubuntu系统: 1)一开始安装就踩了一个坑,选择”Install Ubuntu”回车后过一会儿屏幕显示“输入不支持”,google了好多方案,最终和ubunt

安装参考网站:http://blog.csdn.net/lp654063449/article/details/79340655 依照安装目录依次安装,所需安装包均已下载,在最后的一步中,打开cuda将bin,include,lib文件中的库拷入到Cuda下的安装目录下的bin,include,lib.需分别对应. 安装包 链接: https://pan.baidu.com/s/1UeN78imS2XfOjjJzAegK9A 密码: 3n4r

1. 前言 本教程使用的系统是Ubuntu 14.04 LTS 64-bit,使用的CUDA版本为8. 理论上本教程支持Pascal架构显卡,如游戏卡GeForce GTX1070,GTX 1080,新Titan X:以及刚刚推出的计算卡Tesla P100. 如果你在安装时使用计算卡进行GPU加速,而用于显示的显卡不是NVIDIA显卡,则可能导致因为安装NVIDIA驱动时自动加载X Server配置而无法启动图形界面.这时可以使用服务器版的Ubuntu,或者换用CentOS等. 2. 安装基础

由于公司需要进行了中文验证码的图片识别开发,最近一段时间刚忙完上线,好不容易闲下来就继上篇<基于Windows10 x64+visual Studio2013+Python2.7.12环境下的Caffe配置学习 >文章,记录下利用caffe进行中文验证码图片识别的开发过程.由于这里主要介绍开发和实现过程,CNN理论性的东西这里不作为介绍的重点,遇到相关的概念和术语请自行研究.目前从我们训练出来的模型来看,单字识别率接近96%,所以一个四字验证码的准确率大概80%,效果还不错,完全能满足使用,如

ubantu16.04+mxnet +opencv+cuda8.0 环境搭建 建议:环境搭建完成之后,不要更新系统(内核) 转载请注明出处: 微微苏荷 一 我的安装环境 系统:ubuntu16.04 显卡:gt940m python: 2.7.12 GCC:5.3.0 (ubuntu 默认是5.4, 关于降级,后边有叙述) 二 安装步骤 (一) gcc降级 (可选/安装opencv2.4.13则必选) 根据需要,opencv安装时提示,gcc 不支持5.3以上版本,所以降级. 方法1:5.4 =

本文在windows下使用visual studio2013配置关联python(python-2.7.12.amd64.msi)的caffe项目,如果有耐心的人,当然可以自己去下载caffe项目自己进行编译,由于我比较懒,所以这里我利用微软自己移植的caffe进行部署,就不尝试编译官方的caffe(听说自己编译需要解决各种坑),微软移植的解决方案编译确实很方便,解决一些引用就ok了.   (一)Caffe微软官方GitHub 下载地址:https://github.com/Microsoft/

转载自http://blog.csdn.net/u010733679/article/details/52221404,经过实际操作,采用了第二种手动替换代码文件.修改个别函数名的方式,成功编译. ---- 原文 ----- faster rcnn 代码默认是使用的cudnn v4, 但是为了体验最新的v5, 或者使用GTX1080 ,我们编译faster rcnn的时候就会报错: In file included from ./include/caffe/util/cudnn.hpp:5:0,

安装完MXNet之后,运行了官网的手写体识别的例子,这个相当于深度学习的Hello world了吧.. http://mxnet.io/tutorials/python/mnist.html 运行的过程中开始想的是新建一个文件夹专门存放我的工程,但是在导入mxnet的过程中又出现了错,于是将minist的脚本文件放在了与mxnet平行的目录下,可以运行,并且十分节省显存!!但是有以下的问题: 1.在GTX1080的显卡上训练,网络是不收敛的,但是在980或者更旧的显卡上就可以,在github上也

Caffe + Ubuntu 14.04 + CUDA 8 + cudnn 8.0+Ananconda3+opencv3.0.0 //由于本人使用的是英文版ubuntu,没装汉语输入法,暂时就用蹩脚的英语(--)来记录我的caffe安装过程了, //有的少数我认为很重要的地方会用 在线拼音转汉语 来用汉语标注 1 CUDA downloads  and install instructions https://developer.nvidia.com/cuda-downloads sudo ap

1. 环境:Windows7,Cuda8.0,显卡GTX1080,Matlab2016a,VS2013 (ps:老板说服务器要装windows系统,没办法,又要折腾一番,在VS下编译好像在cuda8.0情况下会报各种错,只能参照官网新的编译方式来, 原来的VS编译方式也将被官网弃用) 2.下载caffe 包:https://github.com/BVLC/caffe/tree/windows 按照Github上的命令行就行: 这里的Projects是自己在本地新建的文件夹,随便放在哪里,如果gi

计算20000次10000点的fft,分别使用CPU和GPU,得 the running time of cpu is : 2.3696s the running time of gpu is : 0.3425s 相同的参数matlab处理的时间为 1.2865s ,理论上gpu最快,cpu次之,matlab最慢,得到的结果不对 处理的环境是(CPU i7 4790K,gpu GTX1080, matlab 2015a,内存1666MHZ 16G, PCI E M.2 固态硬盘(读1.2GB/s

基于LeNet网络的中文验证码识别 由于公司需要进行了中文验证码的图片识别开发,最近一段时间刚忙完上线,好不容易闲下来就继上篇<基于Windows10 x64+visual Studio2013+Python2.7.12环境下的Caffe配置学习 >文章,记录下利用caffe进行中文验证码图片识别的开发过程.由于这里主要介绍开发和实现过程,CNN理论性的东西这里不作为介绍的重点,遇到相关的概念和术语请自行研究.目前从我们训练出来的模型来看,单字识别率接近96%,所以一个四字验证码的准确率大概8

1. 前言 本教程使用的系统是Ubuntu 14.04 LTS 64-bit,使用的CUDA版本为7.5,使用的NVIDIA驱动版本为352. 如果您使用的Pascal架构显卡,如GTX1080或者新ttx,则必须使用更高版本的驱动和CUDA 8.本教程不适于这种情况,请不要尝试. Ubuntu每两年发布一次LTS版本(即长期支持版),所以现在已经发布了16.04 LTS版本.鉴于很多程序在新系统下的兼容性还没有测试,本教程依然介绍的是上一个LTS版本上安装Caffe的方法,随后会推出针对于Ub