登录社区云，与社区用户共同成长
邀请您加入社区
摩尔线程旗舰级训推一体全功能智算卡MTT S5000，基于自主MUSA软件栈，已完成对蛋白质结构预测模型Protenix、基因组基础模型Evo 2的完整验证。此外，摩尔线程已开源MUSA加速版MONAI 1.5.0，为AI医学影像这一关键环节提供国产算力支持，进一步增强了AI4S工具环的可控性。
OrionX社区版是一款面向中小企业、开发者和高校科研团队的免费GPU池化工具，通过显存超分、GPU虚拟化等核心技术，实现算力资源的高效利用。该工具支持主流AI框架和云原生部署，提供可视化界面与开放API，并具备实时监控告警功能。用户只需简单申请即可零门槛使用，帮助降低算力成本、提升资源利用率，推动AI项目快速落地。
摘要：曾经估值40亿美元的环保跑鞋品牌Allbirds在业绩持续下滑后，于2026年3月以3900万美元"跳楼价"出售鞋履业务，随即宣布转型AI算力租赁，公司更名为NewBirdAI。这一"极限求生"操作引发股价单日暴涨721%，市值从2100万飙升至1.845亿美元。然而分析指出，该公司既无技术积累又缺资金实力（仅融资5000万美元），实质是利用上市壳资源
CUDA 13.0重磅发布：统一ARM生态与创新特性解析 NVIDIA最新发布的CUDA 13.0带来了多项突破性特性，显著提升了GPU加速计算的开发体验。关键更新包括：1）首次实现ARM生态系统的统一，简化了服务器与嵌入式平台（如Jetson）的开发流程，支持"一次构建、随处部署"；2）在Jetson平台引入统一虚拟内存（UVM）和完全一致性支持，使GPU可直接访问主机内存，
不过，并非真的是矢量字库，而是我们可提供各种点阵的ASCII字库，字库的显示是通过瑞佑的GPU硬件加速，不仅不会吃MCU的资源，显示速度还是超快！单片机在没有采用LVGL等等类似的UI设计平台，显示字符往往是比较头疼的，通过瑞佑Micro GPU来控制TFT彩屏，这个问题现在就容易了！在此推荐一种更酷的方式，单片机只需要加上一颗瑞佑的GPU图形处理芯片，再用下方介绍的算法，即可实现“矢量级”的AS
在使用JetBrains系列IDE（如IntelliJ IDEA、PyCharm、WebStorm等）时，用户可能会遇到“GPU进程(JCEF)重启次数过多”的报错信息。该问题主要表现为IDE频繁闪退、卡顿，甚至无法正常启动。这种现象的主要原因是系统GPU进程不稳定或与JCEF（JetBrains Chromium Embedded Framework）组件存在兼容性问题。本文将深入分析该问题的原
本项目基于单片机和RA8889/RA6809图形处理芯片的TFT触摸屏滑动条控件。该控件支持水平和垂直滑动条，可自定义外观和行为，并支持回调函数进行值变化通知。
今天我们来聊聊电子设备里那些名字带“U”的神秘芯片——MPU、MCU、CPU、GPU、NPU
本文详细介绍了如何在Linux系统上搭建开源实时数字人引擎LiveTalking的全过程。从硬件需求（推荐RTX3060显卡、16GB内存等）到软件环境配置（Ubuntu20.04、Python3.8等），逐步指导安装显卡驱动、CUDA Toolkit、cuDNN等必要组件，并通过Docker部署SRS服务、GPT-SoVITS和LiveTalking三大核心服务。特别提供了使用musetalk模
想要了解有关 NIM 的更多信息？，即可免费访问任何基础设施云、数据中心或个人工作站上最多 16 个 GPU 上的自托管 NVIDIA NIM 和微服务。加入免费的 NVIDIA 开发者计划后，您可以随时通过 NVIDIA API 目录访问 NIM。要获得企业级安全性、支持和 API 稳定性，请选择通过我们的免费 90 天 NVIDIA AI Enterprise 试用版使用企业电子邮件地址访问
贴图优化：~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~1.贴图格式设置，尺寸应为2的n次幂的正方形（如64*64，128*128，256*256等等）2.贴图如果可以不带Alpha（透明像素）尽量避免Alpha（透明像素）,如避免掉某些立绘的4个圆角3.Android平台设置...
本文介绍如何通过PyTorch与CUDA结合Docker和Kubernetes，实现GPU算力的标准化与按需分配。涵盖容器化镜像构建、MIG资源切分、显存管理及监控告警等关键技术，提升AI研发效率与GPU利用率。
摘要：在运行IsaacSim和IsaacLab时遇到GPU求解器报错，提示PhysX切换至软件模式。通过建立符号链接解决该问题，具体操作为将libcuda.so.1链接为libcuda.so并更新动态链接库配置。这一解决方案成功恢复了GPU加速功能。
方法效果适用场景⭐⭐⭐ 极大降低（<1 μs）重复执行相同 kernel⭐⭐ 减少启动次数多个小 kernel 可合并预编译 cubin⭐ 避免首次 JIT 延迟所有场景减少参数大小⭐ 避免回退路径参数接近 4KB 时如果你的场景涉及高频调用（如每毫秒多次），CUDA Graphs 是目前最有效的手段。
在AI算力需求呈现指数级增长的背景下，本文以NVIDIA GPU中的Warp Shuffle指令为例，深入解析了超越通用API、直接进行硬件指令级优化的方法论。通过对阿里巴巴推荐系统性能提升66%的实战案例分析，系统阐述了如何利用Shuffle机制化解海量数据交换的通信瓶颈。针对国产计算芯片的生态挑战，文章更进一步总结了华为昇腾平台从中继到对等，最终实现架构级创新的三阶段迁移路线图与关键技术工具链
本文介绍了在星图GPU平台上自动化部署🔥 FireRedASR Pro语音识别工具镜像的方案。该平台简化了部署流程，用户可快速搭建高性能语音识别环境。该工具适用于实时会议转录、直播字幕生成等对处理速度要求较高的应用场景，显著提升音频处理效率。
NVIDIA Container Toolkit是NVIDIA官方推出的工具链，旨在解决容器环境中GPU资源访问的复杂性问题。它通过标准化、自动化的方式，将GPU设备、驱动库和计算框架无缝集成到容器生态中，是构建GPU加速应用的基石。核心目标允许容器直接访问宿主机的GPU硬件资源（如物理GPU设备、显存、计算核心）；自动注入容器所需的 NVIDIA 驱动库（如 CUDA Runtime、cuDNN
本文介绍大模型推理“最后一公里”瓶颈的系统性解决方案——通过vLLM框架集成PagedAttention技术，彻底消除KV缓存的显存碎片化问题并实现吞吐量2-4倍提升。针对传统推理引擎因KV缓存连续预分配导致的内部/外部碎片化、内存利用率不足20%-38%的痛点，本文深入剖析PagedAttention借鉴操作系统虚拟内存分页机制的设计原理、块表映射、按需分配与块级共享策略，以及与连续批处理、CU
本文手把手教你如何在Docker容器中真正激活TensorFlow 2.9的GPU支持，避开常见陷阱。从镜像选择、nvidia-container-toolkit安装到多层验证方法，确保GPU被实际调用而非空转。结合典型架构图与排错指南，帮你打通深度学习算力调度的‘最后一公里’。
在深度学习的研究与工程实践中，硬件算力是不可或缺的。浏览器登录夸克网盘网页版，按F12打开浏览器“调试”，选中“Network”，点击鼠标右键选择刷新，就能找到携带 Cookie 参数，随后将Cookie参数复制填写对应位置。训练完成后下载数据如果是在JupyterLab的终端，需要先进行压缩，然后再下载，因为JupyterLab不支持下载文件夹，只能下载单个文件。my-env换为自己的环境名称，
之前在服务器上跑深度学习代码时，一直用的虚拟环境（），安装很多包的时候需要管理员权限。虚拟环境安装教程推荐：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001432712108300322c61f256c74803b43bfd65c6f8d0d0000最近重新配置了ana..
1 linux查看当前服务器GPU占用情况:nvidia-smi 周期性输出GPU使用情况: (如设置每3s显示一次GPU使用情况) watch -n 3 nvidia-smi 效果如下: 2 指定GPU训练,使用CUDA_VISIBLE_DEVICES来指定 如果要指定第2块GPU训练,可以在python代码中如下指定:import osos.environ['CUDA...
本文探讨了将RTX4090 GPU集成至Kubernetes的架构与实践，涵盖设备插件、资源调度、容器运行时支持及多场景应用，提出性能优化与成本管理方案。
内存管理流和事件图像处理特征检测几何检测：CannyEdgeDetector, Hough系列, CornersDetector光流计算：多种光流算法（Brox, Farneback, PyrLK, TV-L1等）立体视觉：多种立体匹配算法（BM, SGM, Belief Propagation等）背景减除：多种背景建模算法（MOG, MOG2, GMG, FGD）对象检测匹配与分类系统工具下表整
本文详细介绍了在JupyterLab中统一监控NVIDIA GPU和华为昇腾NPU的实战方案，解决异构计算环境下的性能监控难题。通过定制NVDashboard和优化AscendCL接口，实现了多品牌AI加速卡的可视化组件集成，提升开发效率与监控精度。
面对YOLO模型在不同场景下的部署需求，NVIDIA A100与T4展现出截然不同的优势。A100适合高吞吐、批量处理的云端集中分析，而T4凭借低功耗和高效推理成为边缘部署的理想选择。实际性能不仅取决于算力，更受制于工作负载、能效比和系统协同。通过TensorRT优化、量化和硬件解码等手段，可在各自平台上最大化YOLO的实时性与效率。
本文探讨通过选用高能效比GPU与LLaMA-Factory等高效框架，实现大模型微调中的节能减排。结合软硬件协同优化，提升算力效率的同时降低碳排放，推动AI可持续发展。
B200和B100都是基于英伟达最新一代Blackwell架构的数据中心GPU，英伟达目前的市场策略是以B200为主，从整体参数上，两者除了显存的规格一致，其他的不同精度的算力、功率有所不同，具体可以见下图，供参考，可以看到B100的TDP是700W，有传言说是为了兼容现有H100的服务器平台（机头）做的设计，但是从综合性能上B200更优，比如FP16算力是H100的2倍以上，同时TDP也提升到了
1月23日，摩尔线程与北京市十一学校共同宣布，双方战略合作的“AI教育实训基地”已正式启用。作为首个落地北京的AI实训示范项目，该基地部署了摩尔线程MTT AIBOOK及云端算力，为学校多元化的人工智能课程体系注入了坚实的国产算力支持。
首先要明确：现在的GPU算力租赁，早已不是“单纯租一台机器”，而是针对不同需求定制的灵活方案，就像我们租房子，短期租、长期租、整租、拎包入住，各有适配场景，没有最好的，只有最适合自己的。总结：GPU算力租用的核心逻辑的是“场景匹配”，先选对模式，再挑对显卡，最后确认平台服务，小白不用懂复杂参数，按指南对号入座，就能高效、省钱地用到合适的算力，轻松避开所有坑。优点：灵活性拉满，不用提前规划，随时启动
本文深度对比了昇腾910B NPU与NVIDIA A100 GPU在大模型训练中的性能表现，涵盖计算吞吐量、分布式训练扩展性、显存优化及能效比等关键指标。测试显示昇腾910B在中小batch size下计算性能领先14.5%，且通过CANN和MindSpore的优化实现显著显存节省。同时分析了架构差异对AI训练效率的影响，为硬件选型提供数据支撑。
GPU
——GPU
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
成都城市开发者社区
2048 AI社区
AtomGit开源社区
AI硬件创业社区
魔珐星云开发社区
开源鸿蒙跨平台开发者社区
昇腾开源生态专区
快递鸟社区
九章云极普惠算力
