近年来， 诸如 TPU、MPU、DPU 等的”X”PU 们似乎层出不穷，市场经常会对这些新创造出的名词感到困惑： 为什么会出现这么多的单元？本质上是由于 CPU 的算力到达瓶颈了，背后是通用计算时代的终结。从发明 以来， CPU 算力的提升主要依靠两大法宝：一是提高时钟频率，但时钟频率提升面临瓶颈了。 因为越高的时 钟频率， 意味着每秒可执行的运算次数越高，但随着电压下降到 0.6v 的“底限”，

Fassi通过CUDA支持GPU，要求3.5以上算力，float16要求CUDA7.5+通过index_gpu_to_cpu可以将索引从GPU复制到CPU，index_cpu_to_gpu 和 index_cpu_to_gpu_multiple可以从CPU复制到GPU，并支持GpuClonerOptions来调整GPU存储对象的方式。GpuIndexFlat, GpuIndexIVFFlat 和

一个可选的偏移量，默认值为 0。它会在计算过程中加到每个像素值上，具体计算公式为 new_value = alpha * pixel_value + beta。：一个可选的缩放因子，默认值为 1。它控制图像每个像素值的放大或缩小。具体来说，new_value = alpha * pixel_value + beta。：输出图像（Mat 类型），结果图像将存储在该变量中。：输入图像（Mat 类型），

一，卸载CUDA 7.0在目录：/usr/local/cuda-7.0/bin有CUDA自带的卸载工具uninstall_cuda_toolkit_7.0.pl，使用命令：sudo ./uninstall_cuda_toolkit_7.0.pl

链接：https://pan.baidu.com/s/1mJIDmAVZ51Z0B9LwZ_N6yw提取码：tzxd

近年来，知识提炼中的神经结构搜索，即在教师模型的指导下，对学生结构和知识转移进行联合搜索，将是未来研究的一个有趣课题。Offline Distillation缺点是教师网络通常容量大，模型复杂，需要大量训练时间，还需要注意教师网络和学生网络之间的容量差异，当容量差异过大的时候，学生网络可能很难学习好这些知识。然而，现有的在线方法（如相互学习）通常不能解决在线设置中的大容量教师，因此，进一步探索在线

本文整理、总结了常见softmax（如A-Softmax,AM-Softmax,ArcFace）的公式、论文出处等。先总结几个重要的点：L-Softmax 提出了angular margin的概念，重新思考，引入cos角，认为各类之间的夹角需要有个margin。A-Softmax将weight归一化，使得特征上的点映射到单位超球面上。AM-Softmax将角度上的倍数关系改为cos值的比较。Arc

在练习Python中package的相对导入时，即from . import XXX　　或者　from .. import XXX　　时会遇到这样两个错误：SystemError: Parent module '' not loaded, cannot perform relative import　　和ValueError: attempted relative import beyond to

faiss安装使用Anaconda安装使用Anaconda安装使用faiss是最方便快速的方式，facebook会及时推出faiss的新版本conda安装包，在conda安装时会自行安装所需的libgcc, mkl, numpy模块。faiss的cpu版本目前仅支持Linux和MacOS操作系统，gpu版本提供可在Linux操作系统下用CUDA8.0/CUDA9.0/CUDA9.1编译的版本。注意

https://blog.csdn.net/ydyang1126/article/details/78842952决策树、随机森林结果可视化决策树、随机森林结果可视化一、 决策树可视化环境搭建二、 决策树可视化的三种方法第一种第二种第三种三、 决策树可视化实例四、 随机森林可视化实例五、 决策树各特征权重可视化【本文测试环境为python3】一、 决策树可视化环境搭建scikit-learn中决策