vasp编译gpu加速版

Ⅰ opencv_python4.1如何GPU加速，需不需要重新编译之类的

需要重新编译opencv 的，最后getCudaEnabledDeviceCount();这个函数返回值大于零才行 // first.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include #include "opencv2/opencv.hpp" #include "opencv2/gpu/gpu.hpp" #pragma co..

Ⅱ 为什么编译出的 gromacs 多 GPU 加速效果不好

一个可能的原因是 boost 的版本较低。

改进办法是执行如下命令：

# sudo apt-get install libboost-all-dev

然后按照文章步骤安装就可以了，为了便于阅览，我们把步骤也贴在这里：

机器操作系统为 Ubuntu14.04，安装了 CUDA7.5。

在家目录下建立 gromacs 目录做为工作目录下，拷贝了 4 个安装包：

openmpi-1.6.5.tar.gz

fftw-3.3.3.tar.gz

cmake-2.8.9.tar

gromacs-5.0.4.tar.gz

1.安装 openmpi

$cd ~/gromacs

$tar –xvf openmpi-1.6.5.tar.gz

$cd openmpi-1.6.5

$./configure --prefix=/opt/openmpi

$sudo make

$sudo make install

2.安装 fftw

$cd ~/gromacs

$tar –xvf fftw-3.3.3.tar.gz

$cd fftw-3.3.3

$./configure --prefix=/opt/fftw –enable-float –enable-shared

$sudo make

$sudo make install

3.安装 cmake

$cd ~/gromacs

$tar xvf cmake-2.8.9.tar

$cd cmake-2.8.9

$./bootstrap

$sudo make

$sudo make install

4.编译 gromacs GPU 版本

$cd ~/gromacs

$mkdir build-gpu

$cd build-gpu

$sudo cmake .. -DFFTWF_LIBRARY=/opt/fftw/lib/libfftw3f.so -DFFTWF_INCLUDE_DIR=/opt/fftw/include -DGMX_MPI=ON –DGMX_GPU=ON -DCMAKE_INSTALL_PREFIX=/opt/gromacs-5.0.4-gpu

$sudo make

$sudo make install

步骤 4 编译 gromacs 时，cmake 步骤如果有如下提示信息的话，说明 boost 版本低：

Ⅲ 有哪位大神用过ansys的GPU加速功能的

我用过，经常用，你有什么要问的？

Anys的GPU加速目前只支持开普勒架构的nVidia Qurado K5000以上级别的显卡，或者时Tesla运算卡，如果你想拿游戏显卡来做GPU加速，请绕道。。。。

Ⅳ Quadro P2000怎么开启AE2017显卡加速这可是专业显卡，不支持GPU加速有点过分了！

目前官方还不支持P2000，以下显卡则通过AE2017的认证：

• Quadro K2000

• Quadro K4000

• Quadro K5000

• Quadro K6000

我们是丽台DAILI，有问题HI。

Ⅳ PR2020 GPU加速改为CUDA视频黑屏，GPU加速改为opencl才不黑 有没有大神知道怎么回事

如果你不用CPU核显回放的话，请把首选项〉媒体〉启用加速 intel h.264解码去掉，然后重启下Pr。

Ⅵ tensorflow怎么gpu加速

安装GPU版本的tensorflow就可以了pipinstall--upgrade还需要安装GPU加速包，下载CUDA和cuDNN的安装包了，注意版本号分别是CUDA8.0和cuDNN5.1。如果都安装成功，运行程序时会自动使用GPU计算

Ⅶ tensorflow gpu版本运行时怎么知道有没有调用gpu以及cuda加速

首先需要看你的PC配置是否够，TF的GPU模式只支持N卡，然后计算能力高于3.0，具体可以查：安装教程可以参考：Ubuntu16.04上gtx1080的cuda安装July172016目前tensorflow是一个非常流行的深度学习计算框架，常规硬件及系统的安装方法官方的doc已经说的很清楚了，但是因为系统是ubuntu16.04,显卡是GTX1080,所以不可避免的要折腾起来。在上一篇已经在16.04上安装好了驱动。接下来其实重点安装的是CUDA和cuDNN.首先说为什么要安装CUDA和cuDNN，关于采用GPU计算比CPU有速度有多少提升的benchmark找找就有，这次重点是怎么让tensorflow充分用的上GTX1080能力。具体的就是如何把支持GTX1080的CUDA和cuDNN装起来，然后让tensorflow认识我们新装的CUDA和cuDNN。首先总体说下安装步骤：1首先要注册NVIDIAdeveloper的帐号，分别下载CUDA和cuDNN2确认准备gcc版本，安装依赖库sudoapt-getinstallfreegl3安装CUDA4解压cuDNN5clonetensorflow源码，configure配置6编译安装7最后一哆嗦,测试！准备工作在正式开始前，需要做几个准备工作，主要是大概先看下文档cudaFAQtensorflow的安装文档cuda-gpu的支持列表/计算能力/FAQcudnn5.1有多牛cudatookit下载页面CUDA_Installation_Guide_linux.pdfcudnnUserGuide文档看过之后接下来就是实际动手的过程：1注册NVIDIAdeveloper的帐号，分别下载CUDA和cuDNN1.1下载CUDA打开cudatoolkit下载页面,GTX1080要用的是CUDA8。先点击JOIN,注册帐号。完了后，再回到cudatoolkit下载页面。选择linux,x86-64,ubuntu,16.04,runfile(local)1.2下载cuDNN进入cudnn的下载页,一堆调查,日志写时下载的是[DownloadcuDNNv5(May27,2016),forCUDA8.0RC],点开选linux,不出意外的话这个就是下载地址.2确认GCC版本，安装依赖库确认本机gcc版本,16.04默认的是gcc5,这里安装需要的最高是gcc4.9。接下来就安装配置gcc4.9.2.1安装gcc4.9，并修改系统默认为4.9sudoapt-getinstallgcc-4.9gcc-4.9g++-4.9g++-4.9gcc--versionsudoupdate-alternatives--install/usr/bin/g++g++/usr/bin/g++-4.910sudoupdate-alternatives--install/usr/bin/cccc/usr/bin/gcc30sudoupdate-alternatives--setcc/usr/bin/gccsudoupdate-alternatives--install/usr/bin/c++c++/usr/bin/g++30sudoupdate-alternatives--setc++/usr/bin/g++gcc--version2.2一个小依赖sudoapt-getinstallfreegl3安装CUDA需要注意的是这个地方有个选择安装低版本驱动的地方，选n大致的安装流程如下：3.1安装CUDAchmod+x/cuda_8.0.27_linux.run./cuda_8.0.27_linux.run.?accept/decline/quit:-x86_64361.62?(y)es/(n)o/(q)uit:nInstalltheCUDA8.0Toolkit?(y)es/(n)o/(q)uit:yEnterToolkitLocation[defaultis/usr/local/cuda-8.0]:/usr/local/cuda?(y)es/(n)o/(q)uit:yInstalltheCUDA8.0Samples?(y)es/(n)o/(q)uit:yEnterCUDASamplesLocation[defaultis/home/h]:/home/h/Documents/cuda_samples.3.2写入环境变量vim~/.bashrc#添加下面变量exportPATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}exportLD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}3.3安装好后简单验证a.进入刚配置时指定的cudasample所在文件夹,NVIDIA_CUDA-8.0_Samples/b.cd0_Simple/asyncAPI;sudomakec.NVIDIA_CUDA-8.0_Samples/0_Simple/asyncAPI$./asyncAPI[./asyncAPI]-Starting…GPUDevice0:逗GeForceGTX1080地withcomputecapability6.1CUDAdevice[GeForceGTX1080]timespentexecutingbytheGPU:10.94timespentbyCPUinCUDAcalls:0.安装cuDNNh@h:~/Downloads$tarxvzfcudnn-8.0-linux-x64-v5.0-ga.tgzcuda/include/cudnn.hcuda/lib64/libcudnn.socuda/lib64/libcudnn.so.5cuda/lib64/libcudnn.so.5.0.5cuda/lib64/libcudnn_static.ah@h:~/Downloads$sudocp-Rcuda/lib64/usr/local/cuda/lib64h@h:~/Downloads$sudomkdir-p/usr/local/cuda/includeh@h:~/Downloads/cuda$sudocpinclude/cudnn.h/usr/local/cuda/include/sudochmoda+r/usr/local/cuda/include/cudnn.h/usr/local/cuda/lib64/libcudnn*5clone,configuretensorflow5.1clone源码$gitclone5.2configure配置整个配置流程应该跟下面的基本一样的h@h:~/Downloads/tensorflow$cd./tensorflow/h@h:~/Downloads/tensorflow$./.[Defaultis/usr/bin/python]:***?[y/N]N******?[y/N]y***thehostcompiler.[Defaultis/usr/bin/gcc]:**.RefertoREADME.mdformoredetails.[Defaultis/usr/local/cuda]:/usr/local/cuda-8.0****.[Leaveemptytousesystemdefault]:5.0.5****.0.5libraryisinstalled.RefertoREADME.mdformoredetails.[Defaultis/usr/local/cuda-8.0]:/usr/local/cuda**Pleasespecifyalistofcomma-.:**rbuildtimeandbinarysize.[Defaultis:"3.5,5.2"]:6.1**编译安装6.1编译工具Bazel安装配置先看一眼文档然后就执行下面的流程:#安装java1.8sudoadd-apt-repositoryppa:webupd8team/javasudoapt-getupdatesudoapt-getinstalloracle-java8-installer#安装好后车参考下java-version#添加源echo"deb[arch=amd64]stablejdk1.8"|sudotee/etc/apt/sources.list.d/bazel.listcurl|sudoapt-keyadd-#下载sudoapt-getupdate&&sudoapt-getinstallbazel#升级sudoapt-getupgradebazel6.2编译tensorflow的pip版本并安装$bazelbuild-copt//tensorflow/tools/pip_package:build_pip_package#TobuildwithGPUsupport:$bazelbuild-copt--config=cuda//tensorflow/tools/pip_package:build_pip_package$bazel-bin/tensorflow/tools/pip_package/build_pip_package/tmp/tensorflow_pkg#Thenameofthe..#注意编译完成后生成的文件名字和官方doc里面的是不一定一致的$sudopipinstall/tmp/tensorflow_pkg/tensorflow-0.*-linux_x86_64.whli6700k32g编译时间:只编译代码不带pipINFO:Elapsedtime:967.271s,CriticalPath:538.38sbazel-bin/tensorflow/tools/pip_package/build_pip_packageINFO:Elapsedtime:65.183s,CriticalPath:48.587最后测试前面都整完了，现在该测试了，注意前面有两个动态链接库的位置，cuDNN在/usr/local/cuda/lib64，而cuda在/usr/local/cuda-8.0/lib64，所以这个时候的bashrc应该这么写：exportPATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}exportLD_LIBRARY_PATH=/usr/local/cuda/lib64:/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}写完后,source~/.bashrccdtensorflow/tensorflow/models/image/mnistpythonconvolutional.py成功的话会出现流畅的跑动:h@h:~/Downloads/tensorflow/tensorflow/models/image/mnist$pythonconvolutional.pyItensorflow/stream_executor/dso_loader.cc:108].solocallyItensorflow/stream_executor/dso_loader.cc:108].so.5.0.5locallyItensorflow/stream_executor/dso_loader.cc:108].solocallyItensorflow/stream_executor/dso_loader.cc:108].so.1locallyItensorflow/stream_executor/dso_loader.cc:108].solocallyExtractingdata/train-images-idx3-ubyte.gzExtractingdata/train-labels-idx1-ubyte.gzExtractingdata/t10k-images-idx3-ubyte.gzExtractingdata/t10k-labels-idx1-ubyte.gzItensorflow/stream_executor/cuda/cuda_gpu_executor.cc:925](-1),,/core/common_runtime/gpu/gpu_init.cc:102]Founddevice0withproperties:name:GeForceGTX1080major:6minor:1memoryClockRate(GHz)1.8475pciBusID0000:01:00.0Totalmemory:7.92GiBFreememory:7.41GiBItensorflow/core/common_runtime/gpu/gpu_init.cc:126]DMA:0Itensorflow/core/common_runtime/gpu/gpu_init.cc:136]0:YItensorflow/core/common_runtime/gpu/gpu_device.cc:838]CreatingTensorFlowdevice(/gpu:0)->(device:0,name:GeForceGTX1080,pcibusid:0000:01:00.0)Initialized!Step0(epoch0.00),8.4msMinibatchloss:12.054,learningrate:0.010000Minibatcherror:90.6%Validationerror:84.6%Minibatcherror:0.0%Validationerror:0.7%Step8500(epoch9.89),4.7msMinibatchloss:1.601,learningrate:0.006302Minibatcherror:0.0%Validationerror:0.9%Testerror:0.8%

Ⅷ 如何使用硬件加速或者GPU，使程序运行加速

DXVA是视频硬件加速的统称，不仅仅是视频数据解码(包括H261，MPEG1，MPEG2,H263,MPEG4), 还有Alpha blending, Picture resampling等。但对于播放时CPU利用率影响最大的，则是视频解码，尤其是HDTV的解码。对于低端系统来说，让GPU来负责硬件解码是不二之选。但使用硬件解码，在整个功能上也受到很多限制，尤其是解压以后的视频数据的后期处理（如deinterlace,锐化，去马赛克). 因此对于追求画质的烧友，宁可放弃硬件解码，当然代价是需要升级整个系统。稍后再谈。

硬件解码生效的时候，系统是怎么运转的呢？现在我们有两个处理器，CPU和GPU。他们通过PCI/AGP/PCIE总线交换数据。
1。CPU从文件系统里读出原始数据(DirectSHow的源滤镜)，分离出压缩的视频数据（分离器）。放在系统内存中。 GPU 发呆
2。CPU把压缩视频数据交给GPU, 这时总线上开始忙了，压缩数据从系统内存拷贝到显卡上的显存里。
3. CPU要求 GPU开始硬件解码，现在 CPU进入发呆期，GPU开始忙。当然CPU会定期查询一下GPU忙的怎么样了。
4。GPU开始用自己的电路解码视频数据（已经在显存里了），解压后的数据还是放在显存里面。CPU继续发呆。
5. 视频数据刚解码完成以后还不能立刻拿去显示，因为还需要后期处理，如deinterlace, 3:2pulldown，等等。GPU再用自己的后期处理电路来进行处理。CPU还是发呆
6。后期处理以后的未压缩数据拿去显示到屏幕上， GPU再开始忙视频的缩放，亮度,gamma等事情。CPU还是闲
7. GPU终于忙完了，下面的视频数据在哪里？通知CPU，GPU先歇会。 CPU又开始忙了，回到第1步。

上面可以看到，硬件解码生效的时候，CPU真的可以很闲，但是为了让它生效，有些条件必须满足。最关键的原因是，与CPu－>系统内存和GPU－>显卡显存比起来，PCI、AGP、PCIE总线是龟速。PCI是133MB/S, AGP8X是2.1GB/S, PCIE16X是4GB/S, 而CPU-系统内存，GPU－显存则快若干倍。有兴趣的可以把不同时代的内存总线和AGP/PCIE总线速度进行一下对比。因为CPU和GPU互连的总线很慢，因此，视频数据（无论是解压前还是解压后）一旦交给GPU，GPU就要负责把它处理完，直到最终显示。
如果在前面1－5步里有哪一步GPU不能做或你不让它做，视频硬件解码就不生效，CPU要负责。
当然，你可能会问，也许CPU很慢，说不定在龟速总线上传输数据，GPU分担一部分工作，还是比全部CPU做要快呢？ 也许如此，但在Directshow架构里，代表视频数据处理各环节的滤镜（分离器，解码器，后期处理，渲染器）需要协商出一个大家都接受的视频数据存储方式，如果某个滤镜说我只能在系统内存里玩，大家都得要在内存里玩，GPU和显存只好放弃。