debug笔记：gpustat显示没有进程运行，但是GPU显存被占用

文章目录设备属性例子设备属性列表多GPUCUDA错误处理异步错误 https://docs.nvidia.com/cuda/cuda-runtime-api/structcudaDeviceProp.html#structcudaDeviceProp 设备属性 例子 我们通过得到设备属性来计算当前GPU设备的内存带宽 #include <stdio.h> int main() { int nDevices; cudaGetDeviceCount(&nDevices);

我们可以把这2个命令参数写成固定，自动调用这2个命令就可以完成显示初始化。上面的函数除了初始化，还依次显示红屏，绿屏，蓝屏。这里的mem_id = 0.，不想影响原来的代码，于是我把。这个函数关键部分就是往显存地址。,因为很多函数重名，所以。

作者/编辑/配图 | 橘子 来源 | 橘子AI笔记（ID：datawitch）如果从现在开始决定学习深度学习，写代码、搭建自己的模型，那么准备开发环境将是你艰难的第一步。橘子当时搜必应、查谷歌，安装攻略没少看，结果真到自己上手实践的时候，依然碰到了不少问题。本文将尝试站在萌新的视角，尽力还原这一过程中可能碰到的种种问题，希望它能指引着你顺利完成配置过程、帮你省下一些宝贵的时间。01. 硬件准备一个...

一个HDRP场景中除了包含模型外，还需要包含相机、灯光、光照探针、反射探针。然后最重要的是，使用Volume控制整个场景的光照和后处理效果。也需要使用光照贴图烘焙技术来为场景添加全局光照明。

前一阵子买了个新的笔记本电脑，幻13-3050TI-1T版本，全能本，CPU是8核心16线程的标压版AMD锐龙9-5900HS，显卡是NVIDIA-3050TI，重量和macbook差不多，都是1.4kg，便携、可以改变形态。大概长这样：幻13可以变换3种形态（莫名有种兴奋感），可能也有人问我为啥不买macbook，没买的原因有两点：macbook不支持nvidia显卡，...

第三条看不懂没关系，参考文章里有讲，第一条其实就是有没有安装CUDA和cuDNN(这个是加速器，可安装也可不安装）显示 GPU 的详细信息，例如型号cuda version :12.1、驱动程序版本driver version:531.79、内存使用情况等。但我的笔记本是有显卡的，查询之后，发现原因在于自己安装的pytorch不是gpu版本。这里显示的是cpu版本，如果是cuda_py311....这样的说明是gpu版。这里的cudatoolkit=12.1要根据自己下载的cuda版本修改后面的数字。

Indexing 部分，llamaIndex 是目前比较火的框架。两篇技术报告写得很好，推荐开发者去读一下，很多问题并不是新问题，但在新技术场景下可以尝试不同的解决方案。看来浦语对茴香豆的定位升级成平台性产品了。

资源 www.d3dcoder.net www.merclearning.com 第四章 Direct3D初始化 4.1 预备知识 4.1.1 Direct3D 12 总述 更底层 更少抽象 更接近GPU架构 大大降低CPU开销 提升多线程支持 4.1.2 COM（Component Object Model） 从COM接口中得到COM对象，而不需要使用C++的new 释放COM对象需调用COM对象的Release方法，而不需要使用delete WRL（Windows Runtime Library）

1 MAE Mean Absolute Error ，平均绝对误差 是绝对误差的平均值

nbextensions 是jupyter notebook 的一个扩展，可以有很多有用的功能 1 安装&配置nbextensions 在我们配置nbextensions之前，jupyter notebook的界面是这样的： 我们在命令行输入以下命令，即可安装并配置nbextensions 1.1安装nbextensions pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --.

最近在安装prophet，使用'pip install prophet‘ 怎么安装都不对（报错信息附在最后【Requirement already satisfied和warning部分略去了】，如果有大神能指教一下，感激不尽~） 1 另一种安装方法 先从prophet/python at main · facebook/prophet (github.com)中下载代码（将网址复制到GitZip (kinolien.github.io) 然后在对应的路径上执行python set...

1 定义 1.1 硬阈值 硬阈值的定义如下： 相当于 1.2 软阈值 软阈值的定义如下： 相当于 1.3 二者对比（可视化解释） 这是一张很经典地表述软阈值和硬阈值区别的图，其中软阈值是蓝色的线，他没有突变；硬阈值是红色的虚线，在±a的时候会有一个突变 2 二者的作用 2.1 硬阈值 硬阈值可以解决如下优化问题： 其中 表示是向量X的零范数（向量X中非零元素的个数） 根据范数的定义...

从一个LTE或5G小区或物理资源块（Physical Resource Block, PRB）收到的所有参考信号的线性平均值。RSRP 是评估网络覆盖范围的关键指标。高的 RSRP 值通常意味着更好的网络覆盖。

import torch t_embeddings = torch.nn.Embedding(2,5) x=torch.tensor([[2,3]]) y=t_embeddings(x) 代码如上，报错如下： IndexError: index out of range in self 报这个错误是embedding层的张量输入超过了合法范围，embedding层的合法张量输入数值范围应该在[0, num_embeddings - 1]的范围内，过大过小都会报错。 ...

0 总述 DTW可以计算两个时间序列的相似度，尤其适用于不同长度、不同节奏的时间序列（比如不同的人读同一个词的音频序列） DTW将自动扭曲（warping）时间序列（即在时间轴上进行局部的缩放），使得两个序列的形态尽可能的一致，得到最大可能的相似度。 DTW采用了动态规划的方法来进行时间规整的计算 1 欧几里得距离的局限性 描述两个序列之间的相似性，欧氏距离是一种十分简单且直观的方法，但对于序列之间步调不统一的情况，计算欧氏距离得到...