开始通过 Amazon SageMaker JumpStart 在亚马逊云科技上使用生成式 AI

679228b919044684932c67314fee071d.gif

目前，生成式 AI 正受到公众的广泛关注，人们围绕着许多人工智能技术展开讨论。很多客户一直在询问有关亚马逊云科技生成式 AI 解决方案的更多信息，本文将为您进行解答。

这篇文章通过一个真实的客户使用案例概述了生成式 AI，提供了简明的描述并概述了生成式 AI 的优点，引用了 Amazon DeepComposer[1] 用于创建新音乐作品的简单易学的演示，并概述了如何使用 Amazon SageMaker JumpStart[2] 开始部署 GPT2、Stable Diffusion 2.0 和其他生成式 AI 模型。

生成式 AI 概述

生成式 AI 是人工智能的一个特定领域，专注于生成新材料。生成式 AI 是人工智能领域最令人兴奋的领域之一，有可能改变现有企业，让全新的商业理念进入市场。您可以将生成式技术用于以下方面：

  • 使用 Stable Diffusion 2.0 等模型创作新艺术作品

  • 使用 GPT2、Bloom 或 Flan-T5-XL 等模型撰写畅销书

  • 使用 Amazon DeepComposer 中的 Transformers 技术谱写下一曲交响乐

Amazon DeepComposer 是一款教育工具，有助于您通过音乐创作语言理解与机器学习（ML）相关的关键概念。要了解更多信息，请参阅使用生成式 AI 生成爵士摇滚乐曲[3]。

Stable Diffusion、GPT2、Bloom 和 Flan-T5-XL 都是机器学习模型。这些模型只是数学算法，需要经过训练才能识别数据中的模式。学习到模式后，这些模型就会被部署到端点上，准备进行称为推理的过程。推理模型会输入模型未见过的新数据，从而产生新的创造性材料。

例如，利用 Stable Diffusion 等图像生成模型，我们只需几个字就能创作出令人惊叹的插图。利用 GPT2、Bloom 和 Flan-T5-XL 等文本生成模型，我们可以从一个简单的人类句子中生成新的文学文章，甚至是书籍。

Autodesk 是使用 Amazon SageMaker 的亚马逊云科技客户，Amazon SageMaker 有助于该客户的产品设计师整理成千上万次针对各种使用案例的视觉设计迭代，并使用机器学习来促使选择最佳设计。具体来说，该客户与 Edera Safety 合作，促进开发一种脊髓保护器，保护骑手在参加山地自行车等体育赛事时免受意外伤害。欲了解更多信息，请观看视频亚马逊云科技机器学习实现设计优化[4]。

要进一步了解亚马逊云科技客户在生成式 AI 和时尚方面的应用，请参阅使用 Amazon SageMaker 的生成式 AI 进行虚拟时尚造型[5]。

既然我们已经了解了生成式 AI 是怎么回事，那就让我们进入 JumpStart 演示，学习如何用人工智能生成新的文本或图像。

先决条件

Amazon SageMaker Studio[6] 是 SageMaker 中的集成式开发环境（IDE），可在单一管理面板中为我们提供所需的所有机器学习功能。在运行 JumpStart 之前，我们需要设置 Studio。如果您已经运行了自己的 Studio 版本，可以跳过这一步。

在使用任何亚马逊云科技服务之前，我们需要做的第一件事就是确保已经注册并创建了亚马逊云科技账户。接下来是创建管理用户和组。有关这两个步骤的说明，请参阅设置 Amazon SageMaker 先决条件[7]。

下一步是创建 SageMaker 域。域可以设置所有存储空间，并允许添加用户以访问 SageMaker。有关更多信息，请参阅加入 Amazon SageMaker 域[8]。此演示在 亚马逊云科技区域 us-east-1 中创建。

最后，启动 Studio。对于这篇文章，我们建议启动一个用户配置文件应用程序。有关说明，请参阅启动 Amazon SageMaker Studio[9]。

选择 JumpStart 解决方案

现在我们进入激动人心的部分。您现在应该登录到 Studio，看到类似于以下屏幕截图的页面。

a382e7d99b1994d932e897d22ed64e7c.png

在导航窗格中的 SageMaker JumpStart 下，选择模型、notebook、解决方案。

b68fb96fed957b4d9273fba14c7b06f2.png

您将看到一系列解决方案、根基模型和其他构件，这些内容有助于您开始处理特定模型或特定业务问题或使用案例。

如果您想在某个特定领域进行实验，可以使用搜索功能。或者，您也可以直接浏览构件，根据自己的需要找到相关的模型或业务解决方案。

例如，如果您对欺诈检测解决方案感兴趣，请在搜索栏中输入欺诈检测。

08a76c9effa237256b32aeac6a4a07c6.png

如果您对文本生成解决方案感兴趣，请在搜索栏中输入文本生成。如果您想探索一系列文本生成模型，选择 Intro to JS – Text Generation（JS 简介 – 文本生成）Notebook 是一个不错的起点。

e5fd6bf35d5e21290dcea8c611f14387.png

让我们深入了解一下 GPT-2 模型的具体演示。

JumpStart GPT-2 模型演示

GPT 2 是一种语言模型，有助于根据给定的提示生成类似人类的文本。我们可以使用这种类型的 Transformer 模型来创作新句子，并协助我们实现自动写作。这可用于内容创作，如博客、社交媒体帖子和书籍。

GPT 2 模型是生成式预训练 Transformer 系列的一部分，是 GPT 3 的前身。在撰写本文时，GPT 3 被用作 OpenAI ChatGPT 应用程序的基础。

要开始探索 JumpStart 中的 GPT-2 模型演示，请完成以下步骤：

1、在 JumpStart 上，搜索并选择 GPT 2。

2、在部署模型部分中，展开部署配置。

3、对于 SageMaker 托管实例，请选择您的实例（在这篇文章中，我们使用 ml.c5.2xlarge）。

不同类型的机器附带不同的价位。在撰写本文时，我们选择的 ml.c5.2xlarge 每小时产生的费用不到 0.50 美元。有关最新定价，请参阅 Amazon SageMaker 定价[10]。

4、对于端点名称，输入 demo-hf-textgeneration-gpt2。

5、选择 Deploy（部署）。

cc2dabcfeef618df8a9e81fb1d3d2e88.png

等待机器学习端点部署完成（最长 15 分钟）。

6、部署端点后，选择打开 Notebook。

22c93fc5cc355113fc8903be7c837cbd.png

您会看到一个类似于以下屏幕截图的页面。

c909bd36918ac93c65a079fff3f218da.png

我们用于演示的文档是一个 Jupyter notebook，其中包含所有必要的 Python 代码。请注意，此屏幕截图中的代码可能与您的代码略有不同，因为亚马逊云科技会不断更新这些 notebook，确保它们安全、无缺陷并提供最佳客户体验。

7、单击第一个单元格，然后按 Ctrl+Enter 运行代码块。

e29dc8338d09b838b11a9bba6cb44b25.png

代码块左侧出现星号（*），然后变成数字。星号表示代码正在运行，数字出现时表示代码已完成

8、在下一个代码块中，输入一些示例文本，然后按 Ctrl+Enter。

3bbae0f0d24e35551a0a3c89aff45759.png

9、在第三个代码块中，按 Ctrl+Enter 即可运行该代码块。

大约 30-60 秒后，您将看到推理结果。

对于输入文本“ Once upon a time there were 18 sandwiches, ”，我们会得到以下生成的文本：

Once upon a time there were 18 sandwiches, four plates with some salad, and three sandwiches with some beef.One restaurant was so nice that the food was made by hand.There were people living at the beginning of the time who were waiting so that

左滑查看更多

对于输入文本“ And for the final time Peter said to Mary, ”，我们会得到以下生成的文本：

And for the final time Peter said to Mary that he was a saint.


11 But Peter said that it was not a blessing, but rather that it would be the death of Peter.And when Mary heard of that Peter said to him,

左滑查看更多

您可以尝试多次运行第三个代码块，您会发现模型每次都会做出不同的预测。

要使用一些高级功能定制输出，请向下滚动到第四个代码块进行实验。

要了解有关文本生成模型的更多信息，请参阅在 Amazon SageMaker JumpStart 上使用 Bloom 和 GPT 模型运行文本生成[11]。

清理资源

在我们继续之前，别忘了在完成后删除端点。在上一个选项卡中的删除端点下，选择删除。

6d726239e152524e5452bfc8a40baf8e.png

如果您不小心关闭了此 notebook，也可以通过 SageMaker 控制台删除端点。在导航窗格的推理下，选择端点。

0def451f1c2eef4575fd8896f22b8212.png

选择您使用的端点，然后在操作菜单上选择删除。

74bf43668706c77e1bcf77a7a64bc1eb.png

现在我们已经了解了如何使用第一个 JumpStart 解决方案，让我们来看看如何使用 Stable Diffusion 模型。

JumpStart Stable Diffusion 模型演示

我们可以使用 Stable Diffusion 2 模型从一行简单的文本生成图像。这可用于为社交媒体帖子、宣传材料、专辑封面或任何需要创意插图的内容生成图像。

1、返回 JumpStart，然后搜索并选择 Stable Diffusion 2。

af08dec929c2742c0b3cae8412e759a0.png

2、在部署模型部分中，展开部署配置。

3、对于 SageMaker 托管实例，请选择您的实例（在这篇文章中，我们使用 ml.g5.2xlarge）。

4、对于端点名称，输入  demo-stabilityai-stable-diffusion-v2 。

5、选择 Deploy（部署）。

由于该模型较大，部署时间可能长达 25 分钟。准备就绪后，端点状态显示为服务中。

91fbb10a26a746cc10f131aa91b601ce.png

6、选择打开 Notebook 以打开包含 Python 代码的 Jupyter notebook。

b4c91eaa06429ef64a91c1c8e0633a6e.png

7、运行第一个和第二个代码块。

8、在第三个代码块中，更改文本提示，然后运行该单元格。

09a8332e0d0a2cb7d18e0d4785bf02e7.png

等待大约 30-60 秒，图像就会出现。下图基于我们的示例文本。

cfbb70b0546f863ecef8b9b661586d55.png

同样，您可以在下一个代码块中使用高级功能。所创造的画面每次都不一样。

清理资源

同样，别忘了删除端点。这次我们使用的是 ml.g5.2xlarge，因此产生的费用比以前略高。在撰写本文时，每小时只需 1 美元多一点。

最后，让我们来看看 Amazon DeepComposer。

Amazon DeepComposer

Amazon DeepComposer 是学习生成式 AI 的好方法。此服务允许您使用模型中的内置旋律来生成新形式的音乐。您使用的模型决定了输入旋律的转换方式。

如果您习惯于参加 Amazon DeepRacer[12] 日活动来协助员工了解强化学习，那么可以考虑使用 Amazon DeepComposer 来增强和强化这一天的活动，以了解生成式 AI。

有关本文中三个模型的详细解释和简单演示，请参阅使用生成式 AI 生成爵士摇滚乐曲[3]。

查看以下使用 Amazon DeepComposer 上传到 SoundCloud 的精彩示例[13]。

总结

在这篇文章中，我们谈到了生成式 AI 的定义，并通过一个亚马逊云科技客户案例进行了说明。然后，我们向您介绍了如何开始使用 Studio 和 JumpStart，并向您展示了如何开始使用 GPT 2 和 Stable Diffusion 模型。最后，我们简要概述了 Amazon DeepComposer。

要进一步探索 JumpStart，请尝试使用自己的数据对现有模型进行微调。有关更多信息，请参阅使用 Amazon SageMaker JumpStart 进行增量训练[14]。有关微调 Stable Diffusion 模型的信息，请参阅使用 Amazon SageMaker JumpStart 微调文本到图像的 Stable Diffusion 模型[15]。

要了解有关 Stable Diffusion 模型的更多信息，请参阅在 Amazon SageMaker JumpStart 上使用 Stable Diffusion 模型从文本生成图像[16]。

我们没有介绍任何有关 Flan-T5-XL 模型的信息，因此要了解更多信息，请参阅以下 GitHub 存储库[17]。Amazon SageMaker Examples[18] 存储库还包括 GitHub 上一系列可用的 notebook，适用于包括 JumpStart 在内的各种 SageMaker 产品，涵盖一系列不同的使用案例。

要通过一系列免费数字资产了解有关亚马逊云科技机器学习的更多信息，请查看我们的 亚马逊云科技机器学习提升指南[19]。您还可以尝试我们的免费 ML 学习计划[20]，在现有知识的基础上再接再厉，或者有一个明确的起点。要参加讲师指导的课程，我们强烈推荐以下课程：

  • Practical Data Science with Amazon SageMaker[21]

  • The Machine Learning Pipeline on Amazon[22]

  • Amazon SageMaker Studio for Data Scientists[23]

在人工智能/机器学习领域，这确实是一个激动人心的时刻。亚马逊云科技随时为您的机器学习之旅提供支持，因此请在社交媒体上与我们联系。我们期待看到您在未来几个月中使用各种机器学习服务进行学习、实验并从中获得乐趣，我们也很高兴有机会成为您机器学习之旅的指导员。

附录

  • [1] Amazon DeepComposer:

    https://aws.amazon.com/cn/deepcomposer/

  • [2] Amazon SageMaker JumpStart:

    https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html

  • [3] 使用生成式 AI 生成爵士摇滚乐曲:

    https://aws.amazon.com/blogs/machine-learning/generate-a-jazz-rock-track-using-generative-artificial-intelligence/

  • [4] 亚马逊云科技机器学习实现设计优化

    https://youtu.be/dZ_b7FJM2-0

  • [5] 使用 Amazon SageMaker 的生成式 AI 进行虚拟时尚造型：

    https://aws.amazon.com/blogs/machine-learning/virtual-fashion-styling-with-generative-ai-using-amazon-sagemaker/

  • [6] Amazon SageMaker Studio :

    https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html

  • [7] 设置 Amazon SageMaker 先决条件:

    https://docs.aws.amazon.com/sagemaker/latest/dg/gs-set-up.html

  • [8] 加入 Amazon SageMaker 域:

    https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html

  • [9] 启动 Amazon SageMaker Studio:

    https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html

  • [10] Amazon SageMaker 定价:

    https://aws.amazon.com/sagemaker/pricing/

  • [11] 在 Amazon SageMaker JumpStart 上使用 Bloom 和 GPT 模型运行文本生成:

    https://aws.amazon.com/blogs/machine-learning/run-text-generation-with-gpt-and-bloom-models-on-amazon-sagemaker-jumpstart/

  • [12] Amazon DeepRacer :

    https://aws.amazon.com/deepracer/

  • [13] 精彩示例:

    https://soundcloud.com/digitalcolmer

  • [14] 使用 Amazon SageMaker JumpStart 进行增量训练:

    https://aws.amazon.com/blogs/machine-learning/incremental-training-with-amazon-sagemaker-jumpstart/

  • [15] 使用 Amazon SageMaker JumpStart 微调文本到图像的 Stable Diffusion 模型:

    https://aws.amazon.com/blogs/machine-learning/fine-tune-text-to-image-stable-diffusion-models-with-amazon-sagemaker-jumpstart/

  • [16] 在 Amazon SageMaker JumpStart 上使用 Stable Diffusion 模型从文本生成图像:

    https://aws.amazon.com/blogs/machine-learning/generate-images-from-text-with-the-stable-diffusion-model-on-amazon-sagemaker-jumpstart/

  • [17] GitHub 存储库:

    https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart-foundation-models/text2text-generation-flan-t5.ipynb

  • [18] Amazon SageMaker Examples:

    https://github.com/aws/amazon-sagemaker-examples

  • [19] 亚马逊云科技机器学习提升指南:

    https://d1.awsstatic.com/training-and-certification/ramp-up_guides/Ramp-Up_Guide_Machine_Learning.pdf

  • [20] ML 学习计划:

    https://aws.amazon.com/training/learn-about/machine-learning/

  • [21] Practical Data Science with Amazon SageMaker:

    https://aws.amazon.com/training/classroom/practical-data-science-with-amazon-sagemaker/?ct=sec&sec=rolesol

  • [22] The Machine Learning Pipeline on Amazon:

    https://aws.amazon.com/training/classroom/the-machine-learning-pipeline-on-aws/?ct=sec&sec=rolesol

  • [23] Amazon SageMaker Studio for Data Scientists :

    https://aws.amazon.com/training/classroom/amazon-sagemaker-studio-for-data-scientists/?ct=sec&sec=rolesol

上下滑动内容

  • 原文链接: 

    https://aws.amazon.com/blogs/machine-learning/get-started-with-generative-ai-on-aws-using-amazon-sagemaker-jumpstart/

本篇作者

e28ad64249ee2ffe3a3c375481f895b3.jpeg

Paul Colmer 

亚马逊云科技高级技术培训师，专门研究机器学习和生成式 AI。他热衷于通过引人入胜的故事讲述、经验分享和知识传授，协助客户、合作伙伴和员工发展和成长。他在 IT 行业从业超过 25 年，专注于敏捷文化实践和机器学习解决方案。Paul 是伦敦音乐学院院士和英国计算机协会的会员。

1be00b5779ebd4caa01a6f578dc79133.gif

星标不迷路，开发更极速！

关注后记得星标「亚马逊云开发者」

49d17edd1f3305da088b77d4a3331496.gif

听说，点完下面4个按钮

就不会碰到bug了！

bc31b51f2c8af910746fa4f7d64efe23.gif

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/174673.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

京东数据分析软件（京东平台数据分析）：2023年Q3扫地机器人行业消费报告

京东数据分析软件（京东平台数据分析）：2023年Q3扫地机器人行业消费报告

随着90后、00后逐渐成为消费主力军，他们对生活品质更加关注、健康意识进一步增强，再加上“懒人经济”的盛行，人们对扫地机器人的使用率和关注热情也不断增长。 根据鲸参谋电商数据分析平台的相关数据显示，今年7月份-9月份&#xf…
阅读更多...
Linux ps -ef|grep去除 grep --color=auto信息

Linux ps -ef|grep去除 grep --color=auto信息

linux 监控 进程判断是否启动可通过该指令实现 ps -ef|grep java指令结果为 # -v 参数有过滤作用 ps -ef|grep java |grep -v grep
阅读更多...
CentOS 8最小安装，VM使用这个内存占用小很多

CentOS 8最小安装，VM使用这个内存占用小很多

文章目录 一、安装包下载作者使用的安装包 二、安装过程截图三、最小化安装拥有的外部命令四、查看ip（方便ssh连接）五、yum源有问题参考文档 一、安装包下载 CentOS 网站： https://www.centos.org/CentOS 维基： https://wiki.cen…
阅读更多...
HugeGraph安装与使用

HugeGraph安装与使用

1、HugeGraph-Server与HugeGraph-Hubble下载 HugeGraph官方地址：https://hugegraph.apache.org/ 环境为：linux 官网是有模块版本对应关系,尽量下载较新版本,hubble1.5.0之前是studio功能比较少。官网已经下架server,其他模块下载也比较慢。可以在网上找…
阅读更多...
xss-labs靶场1-5关

xss-labs靶场1-5关

文章目录 前言一、靶场需要知道的前置知识点1、什么是xss攻击？2、xss攻击分为几大类1、反射型xss2、存储型xss3、dom型xss 3、xss攻击形成的条件 二、xss-labs关卡1-51、关卡12、关卡23、关卡34、关卡45、关卡5 总结 前言 此文章只用于学习和反思巩固xss攻击知识&a…
阅读更多...
4.Gin HTML 模板渲染

4.Gin HTML 模板渲染

4.Gin HTML 模板渲染 Gin HTML 模板渲染 1. 全部模板放在一个目录里面的配置方法 创建用于渲染的模板html templates/index.html <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><title>Title</title> …
阅读更多...
如何入驻抖音本地生活服务商,附上便捷流程!

如何入驻抖音本地生活服务商,附上便捷流程!

抖音作为一款短视频社交媒体应用&#xff0c;已经成为全球范围内数以亿计的用户的首选。而在普及的同时&#xff0c;短视频领域也在不断拓展自身的业务领域&#xff0c;其中之一就是本地生活服务。继抖音本地生活服务之后支付宝、视频号也相继开展了本地生活服务&#xff0c;用…
阅读更多...
如何在IAR软件中使用STLINK V2编译下载和调试stm8单片机

如何在IAR软件中使用STLINK V2编译下载和调试stm8单片机

安装使用IAR后&#xff0c;如使用系统默认设置&#xff0c;往往很难正常实现用stlink v2来下载和调试stm8芯片&#xff0c;我的解决方法如下&#xff1a; 1、打开项目的options菜单&#xff1a; 2、在项目的选项菜单中选择ST-LINK作为调试工具&#xff1a; 3、选择额外的输出…
阅读更多...
六、程序员指南：数据平面开发套件

六、程序员指南：数据平面开发套件

PORT HOTPLUG FRAMEWORK 端口热插拔框架为DPDK应用程序提供在运行时附加和分离端口的能力。由于该框架依赖于PMD实现&#xff0c;PMD无法处理的端口超出了该框架的范围。此外&#xff0c;在从DPDK应用程序分离端口后&#xff0c;该框架不提供从系统中移除设备的方法。对于由物…
阅读更多...
1、数仓模型概述

1、数仓模型概述

1、问&#xff1a;什么是数据模型&#xff1f; 数仓领域中的模型指的是数据模型&#xff0c;要和商业分析中的模型不同 数据模型就是数据组织和存储方法&#xff0c;它强调从业务、数据存取和使用的角度合理的存储数据 2、问&#xff1a;模型和表的区别&#xff1f; 表是数据物…
阅读更多...
只有Target才有PDB

只有Target才有PDB

中间的OBJ的debug信息是放在Target里了。
阅读更多...
2021秋招-面经

2021秋招-面经

面经总结 微软STCA面试-面经 字节AI lab实习面试记录 腾讯PCG-腾讯新闻面试 百度(AIDU)-内容策略部门面试 百度(AIDU)-搜索策略-机器学习算法工程师 百度(AIDU)-知识图谱部门算法工程师(2020-07-08) 百度(AIDU)-NLP部门算法工程师(2020-07-10) 微软STCA面试-面经 2020-…
阅读更多...
HarmonyOS ArkTS 基础组件的使用（四）

HarmonyOS ArkTS 基础组件的使用（四）

1 组件介绍 组件&#xff08;Component&#xff09;是界面搭建与显示的最小单位&#xff0c;HarmonyOS ArkUI声明式开发范式为开发者提供了丰富多样的UI组件&#xff0c;我们可以使用这些组件轻松的编写出更加丰富、漂亮的界面。 组件根据功能可以分为以下五大类&#xff1a;…
阅读更多...
文章系列2：Unraveling the functional dark matter through global metagenomics

文章系列2：Unraveling the functional dark matter through global metagenomics

这篇文章发布于2023年10月nature。通讯作者是来自于 DOE Joint Genome Institute, Lawrence Berkeley National Laboratory, Berkeley, CA, USA. 背景介绍&目标 作者首先背景介绍了两种主流宏基因组分析方法&#xff0c;包括reads-based reference mapping&#xff08;eg…
阅读更多...
8.Gin 自定义控制器

8.Gin 自定义控制器

8.Gin 自定义控制器 前言 在上一篇路由文件抽离的过程中&#xff0c;我们发现接口的业务逻辑还写在路由配置中&#xff0c;如下&#xff1a; 1696385129126 但是如果业务逻辑比较多&#xff0c;如果写在路由之中&#xff0c;肯定不合适。 我们可以将业务逻辑抽离&#xff0c;单…
阅读更多...
python实战—核心基础4（超市购物小票随机抽奖程序） lv1

python实战—核心基础4（超市购物小票随机抽奖程序） lv1

目录 一、核心代码解释 二、代码 三、运行截图 一、核心代码解释 1、random() 函数 描述 random() 方法返回随机生成的一个实数&#xff0c;它在[0,1)范围内。 语法 以下是 random() 方法的语法: import randomrandom.random() 注意&#xff1a;random()是不能直接访问…
阅读更多...
【高性能计算】CUDA，OpenCL，FPGA 加速，MPI

【高性能计算】CUDA，OpenCL，FPGA 加速，MPI

OpenCL OpenCL&#xff08;Open Computing Language&#xff09;是一种跨平台的GPU加速技术&#xff0c;由Khronos Group开发。OpenCL允许开发人员在不同的硬件平台上编写并行计算应用程序。 OpenCL使用C语言的子集来编写应用程序&#xff0c;并提供了一组API&#xff0c;可以…
阅读更多...
Keil MDK 安装

Keil MDK 安装

0 Preface/Foreword 1 下载和安装 官网&#xff1a;Keil Embedded Development Tools for Arm, Cortex-M, Cortex-R4, 8051, C166, and 251 processor families. Keil MDK 下载链接&#xff1a;Keil MDK 1.1 下载 根据需求下载对应的Keil MDK edition。 不同的editions包括 …
阅读更多...
TensorFlow实战教程（一）-TensorFlow环境部署

TensorFlow实战教程（一）-TensorFlow环境部署

从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念，同时讲解TensorFlow2.0的安装过程及基础用法，主要结合作者之前的博客和"莫烦大神"的视频介绍，后面随着深入会讲解具体的项目及应用。基础性文章…
阅读更多...
Python的安装及其python程序生成exe可执行程序

Python的安装及其python程序生成exe可执行程序

Python是一种高级编程语言&#xff0c;由Guido van Rossum在1989年12月首次发布。它具有简单易学、易读、易写的语法和强大的动态类型和垃圾回收机制。Python解释器是自由且开放源代码的软件&#xff0c;可以在各种操作系统&#xff08;如Linux、Windows、macOS等&#xff09;上…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站