登录社区云，与社区用户共同成长
邀请您加入社区
在当今这个科技飞速发展的时代，AI技术已经深入到我们生活的方方面面。而对于程序员来说，AI编程助手的出现无疑是一个巨大的福音。今天，就给大家介绍一款超厉害的AI编程助手——Roo Code，它可以说是Cline的最强分叉升级，绝对是AI编程助手的新标杆！Roo Code + VSCode + DeepSeek 的超强王炸组合，更是让编程效率指数级提升！
随着AI智能体技术的快速发展，如何高效构建和管理多Agent系统成为开发者关注的焦点。本文将深入解析8种当前最受欢迎的LLM Agents开发框架，并详细演示如何为每种框架集成MCP Server，让你的智能体拥有强大的外部工具调用能力。
MCP（Model Context Protocol）是由Anthropic推出的标准化协议，用于连接大语言模型与外部数据源。它采用客户端-服务器架构，使智能体能够通过标准化接口访问各类外部资源。
还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！【完整版领取方式在文末！！内容实在太多，不一一截图了。
⽐如: nn.Conv2d 需要⼀个4D Tensor, 形状为(nSamples, nChannels, Height, Width). 如果你的输⼊只有单⼀样本形式, 则需要执⾏input.unsqueeze(0), 主动将3D Tensor扩充成4D Tensor.当调⽤loss.backward()时, 整张计算图将对loss进⾏⾃动求导, 所有属性requires_grad=True的T
到2020年接触pytorch做了计算机视觉图像分类，到2021年做了目标检测，2022年做了文本实体抽取，2023年做了Agent。（还有一些GAN、扩散模型等和图片生成有关的，3D卷积等和视频有关的，RL等游戏智能体相关的，ViT等Transformer和视觉结合的，图里先不表现）说起来，到底多大才算大语言模型最开始挺有争议的，现在0.3B的模型也开始出现了（如文心开源的 ERNIE-4.5-
干货来了，2025最新版超级详细MCP说明手册，内容有点长，耐心看完，必有收获！
（1）说明之前在训练模型并使用模型检测的时候，发现一直用的是cpu，没有使用gpu，尝试了一些办法，都没有成功，前几天终于调试过了吧，因此记录下来。如下为背景，是使用模型训练和识别的过程。【学习AI-相关路程-工具使用-自我学习-jetson&模型训练-图片识别-使用模型检测图片-基础样例 （5）】（2）使用GPU和CPU。
从基于NVIDIA Ampere GPU架构的设备开始，CUDA编程模型通过异步。
大致摸索了学习路线，但是学习一些概念的过程中，其实没有什么实感的，因为你只是学习东西，并没有什么抓手，让你实实在在感觉，你确实学习了些东西，但是又好像啥也没学，这种感觉很不好。所以我们需要一个抓手，或者工具，至少可以写写代码，看看代码，让自己了解，AI相关编程是这个样子的，找到的就是cuda平台，对于我们来说，就是cuda套件。以前学习c语言的时候，挺早以前，我们安装环境是vc++6，一些老程序员
cuda详解；cuSPARSE库介绍
Nvidia官方CUDA入门课程学习笔记
一旦所有的SM都被完全占用，所有剩余的线程块都保持不变直到当前的执行被完成。由于线程块完成的速度和顺序是不确定的，随着内核进程的执行，起初通过bid相连的活跃线程块会变得不太连续了。观察输入和输出布局，你会注意到：·读：通过原矩阵的行进行访问，结果为合并访问·写：通过转置矩阵的列进行访问，结果为交叉访问。因此，当用对角坐标表示块ID时，需要将对角坐标映射到笛卡尔坐标中，以便可以访问到正确的数据块。
待解决的问题：5.2.1.5和5.2.1.6的运行结果待补充。
面向GPU的CUDA编程， NVCC编译原理，PTX基本概念，SASS指令集和makefile。
学习cuda的教程的时候在常量内存突然看到了一个一维卷积，里面的数据填充的理解消耗了一部分，在这里做一个学习记录。重点在于理解数据填充方法。
7. C++ Language ExtensionsC++语言扩展7. C++ Language ExtensionsC++语言扩展。
共享内存被SM中的所有常驻线程块划分，因此，共享内存是限制设备并行性的关键资源。为了获得高内存带宽，共享内存被分为32个同样大小的内存模型，它们被称为存储体，每个存储体可以存储8个字节大小的数据 （计算能力2.x为4位），它们可以被同时访问。__syncthreads还确保在障碍点之前，被这些线程访问的所有全局和共享内存对同一块中的所有线程都可见。内存栅栏的功能可确保栅栏前的任何内存写操作对栅栏后
CUDA（Compute Unified Device Architecture）是由NVIDIA公司开发的一个并行计算平台和应用程序编程接口（API），它允许软件开发者和软件工程师使用NVIDIA的图形处理单元（GPU）来进行通用计算。简而言之，CUDA让开发者能够利用NVIDIA的GPU进行高效能的计算工作，这通常被称为GPGPU（通用计算图形处理单元）。
不启用一级缓存（没有缓存的加载不经过一级缓存）：在内存段的粒度上（32字节）而不是缓存池的粒度（128字节）执行。更细粒度的加载，可以为非对其或非合并的内存访问带来更好的总线利用率（可能不会减少整体加载时间）。最初的想法肯定是：按照图一合并读更有效率，因为写的时候不需要经过一级缓存，所以对于有一级缓存的程序，合并的读取应该是更有效率的。如果你这么想，恭喜你，你想的不对（我当时也是这么想的）。都是分
平台：Windows VScode。
和 const 来修饰传递给内核的全局指针，那么在为 cc3.5 及更高版本的设备生成代码时，这也向编译器发出了强烈的提示，使这些全局内存负载流经只读缓存。从编译器的角度看，一个重要的事是指针别名，指针别名会阻碍编译器做各种各样的优化。同样，编译器不能将 c[4] 的计算重新排序到 c[0] 和 c[1] 计算的附近，因为之前对 c[3] 的写入可能会更改 c[4] 计算的输入。通过这样做，减少了
_syncthreads()是用于块内同步的，在归约核函数中，用来保证线程进入下一轮之前，每一轮的所有线程都把局部结果写入全局内存。当只剩下一个线程束时（线程<=32），因为线程束执行是SIMT单指令多线程，每条指令之后有隐式的warp内同步过程。归约循环的最后6个迭代（最后一个warp内）可以用语句展开。这个线程束的展开避免了执行循环控制和线程同步逻辑。volatile关键字：表明编译器对访问该
给定线程——>线程和块索引——>线程和块索引的全局内存偏移量ix,iy——>全局内存的存储单元idx。第二次用16*16的块，运行时间为0.004395 sec。核心：可以看作二维网格二维块的特殊情况，第二个块的维度是1。第二次块的尺寸为128，运行时间为0.004372 sec。第一次块的尺寸为32，运行时间为0.005981 sec。16的块，运行时间为0.004395 sec。1的块，运行时
无
Triton的学习笔记3，参考并理解了二维卷积，矩阵分块乘法和二维的矩阵量化乘法。
CUDA
和之前的图示相比，工作的thread数目没有变化，但是，每个thread的load/store global memory的位置是不同的。从高级语言层面是无法看出性能提升的原因的，需要从low-level instruction层面去分析，第二段代码循环次数减少了一半，而循环体两句语句的读写操作的执行在CPU上是可以同时执行互相独立的，所以相对第一段，第二段性能要好。global array in
我们之前在ubuntu上安装了cuda和visco，并且尝试了一个demo文件，并且调用相应cuda库，相当编写了一个hello world 一样。本篇，我们在jetson orin NX 上也同样运行下，但是不一样的是，我们安装pytorch，通过网上了解到，这是一个深度学习框架，我们之后部署也要在jetson，或者至少不会部署在我们使用的，研发那台电脑上。但jetson本身可以看做一个电脑，相
安装
核心：流式多处理器SM每个GPU有多个SM，每个SM支持数百个线程并行执行其中，共享内存和寄存器是非常重要的资源，共享内存分配在常驻block中，寄存器在thread中被分配，活跃的warp数量对应SM上的并行量当启动一个gird时，block被分配在SM上执行，多个block可以被分配到同一个SM，一个SM可以容纳多个block。
学习CUDA11.8编程
WIN11+VS2022+CUDA11.6。入门级cuda矩阵运算
提取码：fbcl。
2006年，NVIDIA公司发布了CUDA，CUDA是建立在NVIDIA的CPUs上的一个通用并行计算平台和编程模型，基于CUDA编程可以利用GPUs的并行计算引擎来更加高效地解决比较复杂的计算难题。近年来，GPU最成功的一个应用就是深度学习领域，基于GPU的并行计算已经成为训练深度学习模型的标配。目前，最新的CUDA版本为CUDA 9。GPU并不是一个独立运行的计算平台，而需要与CPU协同工作，
待解决的问题：代码3-3cpu_sum最后的值为0，匹配失败，怀疑在数据传输时memcpy传输数据出现了问题，还没找到纠错的方法。
转载于。
全局内存就是较大的板载内存，而共享内存则是较小的片上内存。
基本原理一个kernel启动的所有线程称为一个网格（grid）同一个网格中的线程共享全局内存空间，grid是线程结构的第一层网格又划分成多个线程块block,这是第二层线程块中有多个线程，32个线程为一个warp，这是第三层ID排列顺序一个线程需要两个内置的坐标变量来唯一表示（blockidx, threadidx）,它们都是dim3的类型，blockidx指明线程在block中的位置，threa
学习资料分享和第一个小程序运行坎坷
【OneFlow博文目录】岁末年初，为你打包了一份技术合订本《如何实现一个高效的Softmax CUDA kernel？——OneFlow 性能优化分享》
CUDA与TensorRT(7)之TensorRT INT8加速
Kernel Profiling Guide：介绍了如何profiling kernel，并透露了更多硬件实现上及kernel执行过程的细节。官方文档就是最好的教程 docs.nvidia.com/cuda/ 文档很多，推荐前期重点读以下三份文档。CUDA C++ Programming Guide：介绍了CUDA C的编程模型,附录的内容也很丰富。CUDA C++ Best Practices
ELMo根据上下文动态调整word embedding, 可以解决多义词的问题.GPT使用了Transformer提取特征, 使得模型能力大幅提升.第三种方式就是前后分别保留一部分token, 总数是510.BERT预训练模型所接收的最大sequence长度是512。GPT只使用了单向Decoder, 无法融合未来的信息.第一种方式就是只保留前面510个token.第二种方式就是只保留后面510个
2.1。
https://huggingface.co/learn/llm-course/zh-CN/chapter6/2?fw=pt
1.背景介绍多模态学习是指从不同类型的数据中学习，例如图像、文本、音频等。在过去的几年里，多模态学习已经成为人工智能领域的一个热门研究方向，因为它可以帮助我们更好地理解和处理复杂的实际问题。在这篇文章中，我们将关注多模态学习与图像描述生成的相互作用，以及如何结合计算机视觉和自然语言处理来实现更高效的图像描述生成。图像描述生成是一种自然语言生成任务，其目标是将图像转换为文本描述。这个任务在计...
ComfyUI是GUI（图形用户界面）的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术。把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程。作者的详细说明书这里！是对这个视频的文字整理，原视频很清晰ClipDrop平台功能：文字去除、背景去除与替换、放大重新打光等特点：无需注册，免费使用，提供付
学习
——学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI编程社区
MCP技术社区
腾讯云开发者社区
松山湖开发者村综合服务平台
Triton中文社区
智源数据社区
