- 综合排序
- 最热优先
- 最新优先
- 来自专栏人人都是极客
GPU渲染之OpenGL的GPU管线
GPU渲染流水线，是硬件真正体现渲染概念的操作过程，也是最终将图元画到2D屏幕上的阶段。 GPU管线涵盖了渲染流程的几何阶段和光栅化阶段，但对开发者而言，只有对顶点和片段着色器有可编程控制权，其他一律不可编程。如下图： ? 简单总结GPU管线，这阶段中主要是对图元进行操作。 一， 顶点着色器 顶点着色器是一段类似C语言的程序（即OpenGL的GLSL，或只支持微软的HLSL，或Unity的Cg），由程序员提供并在GPU上执行，对每个顶点都执行一次运算。 片元着色器的输入是根据那些从顶点着色器中输出的数据插值得到的，其中最重要的渲染技术之一是纹理采样。 推荐阅读： GPU的工作原理 两段小视频轻松理解CPU & GPU的工作原理 GPU内存分级
3.8K32发布于 2018-07-26 - 来自专栏博文视点Broadview
Node后端数据渲染
SPA场景下SEO的问题 通常情况下，SPA应用或前后端分离的开发模式下页面加载的基本流程是，浏览器端先加载一个空页面和JavaScript脚本，然后异步请求接口获取数据，渲染页面数据内容后展示给用户。 如果使用Node后端数据渲染（有人称之为直出，后文中也称之为直出层），在页面请求时将内容渲染到页面上输出，那么搜索引擎获取到的HTML就已经包含页面完整的内容，页面也就更容易被检索到了。 前端页面渲染展示缓慢的问题 除了SEO问题，在前后端分离的开发模式下页面在JavaScript执行渲染之前是空白的（或提示用户加载中）。 前后端分离方式页面渲染主要流程 然而，如果使用后端直出来进行数据渲染，首先SEO的问题不复存在，用户浏览器加载完DOM的内容解析后即可立即展示，网络加载的问题也得到解决。 那么一般Node后端数据渲染的整个流程又是怎样的呢？
1.1K20发布于 2020-06-11 - 来自专栏01ZOO
后端渲染是什么
流行的后端渲染框架有哪些现在流行的后端渲染框架有很多，下面是一些常用的后端渲染框架：Next.js：Next.js 是一个基于 React 的轻量级应用框架，它支持服务器端渲染、静态网站生成以及客户端渲染等多种渲染方式 Nuxt.js：Nuxt.js 是一个基于 Vue.js 的应用框架，它支持服务器端渲染、静态网站生成以及客户端渲染等多种渲染方式。 Laravel：Laravel 是一个基于 PHP 的 Web 应用框架，它支持服务器端渲染，并提供了很多优秀的功能，如路由、数据库访问、缓存等。 有一些使用 Go 或者 Rust 语言开发的后端渲染框架，下面是一些常用的后端渲染框架：Go 语言：Buffalo：Buffalo 是一个基于 Go 语言的 Web 开发框架，它支持服务器端渲染，并且提供了很多优秀的功能 Revel：Revel 是一个高生产力的 Web 框架，基于 Go 语言开发，它支持服务器端渲染和客户端渲染，并提供了很多预置的功能，如路由、ORM、模板引擎等。
4.9K170编辑于 2023-02-25 - 来自专栏Renderbus云渲染农场
GPU挖矿和GPU渲染农场有多大区别？ -Renderbus云渲染
GPU挖矿，就是利用GPU计算hash值。 GPU挖矿具有运算速度比CPU挖矿快的优点，这是因为： 1.CPU有系统和该系统所运行的所有程序的运算负担； 2.CPU每时钟周期可以执行4次32位(128位SSE指令)运算，而GPU，例如Radeon 尽管cpu能增加其核数到6，8，12等，GPU的运算速度仍然比cpu快得多。 GPU挖矿 是计算新区块hash值，写入交易数据，生成区块连接到区块链内，并获得虚拟货币回报，例如比特币，以太币等。 GPU渲染 是使用GPU运算单元进行图形处理，如计算摄像机投影面中某一像素的灯光和材质等信息，并最终给该像素着色，获得图像信息，并写到文件或者在显示设备上显示出来。 GPU渲染农场是很多安装有GPU设备的计算节点组成的网络，通常致力于GPU渲染，获得图像文件，如国内研发的Renderbus渲染平台。 当然，GPU渲染农场也可通过改造后进行GPU挖矿。
4.8K20发布于 2018-06-28 - 来自专栏我的技术专栏
浅谈 GPU图形固定渲染管线
图形渲染管道被认为是实时图形渲染的核心，简称为管道。管道的主要功能是由给定的虚拟摄像机、三维物体、灯源、光照模型、纹理贴图或其他来产生或渲染一个二维图像。由此可见，渲染管线是实时渲染技术的底层工具。 应用程序阶段负责驱动GPU管道，在该阶段有三个角色： 可见性判别：仅把可见（或至少潜在可见）的物体提交GPU，以免浪费宝贵的资源去渲染看不见的物体。（裁剪？） 提交几何图元至GPU以供渲染：像DirectX中的渲染调用接口DrawIndexedPrimitive（），该接口把子网格材质对传送至GPU进行下一步操作，类似的，在OpenGL中的接口glDrawArrays 另一种提交方法是建立GPU命令表。场景如果需要多步骤渲染，则需要多次提交，所提交的几何图元应有适当地排序以优化性能。 控制着色器参数以及渲染状态。 几何阶段（GPU） 几何阶段主要负责顶点坐标变换、光照、裁剪、投影以及屏幕映射，该阶段基于GPU进行计算，该阶段的末尾得到经过变换和投影之后的顶点坐标、颜色、 以及纹理坐标。
3K20编辑于 2022-05-06 - 来自专栏我的技术专栏
浅谈 GPU图形固定渲染管线
图形渲染管道被认为是实时图形渲染的核心，简称为管道。管道的主要功能是由给定的虚拟摄像机、三维物体、灯源、光照模型、纹理贴图或其他来产生或渲染一个二维图像。由此可见，渲染管线是实时渲染技术的底层工具。 应用程序阶段负责驱动GPU管道，在该阶段有三个角色： 可见性判别：仅把可见（或至少潜在可见）的物体提交GPU，以免浪费宝贵的资源去渲染看不见的物体。（裁剪？） 提交几何图元至GPU以供渲染：像DirectX中的渲染调用接口DrawIndexedPrimitive（），该接口把子网格材质对传送至GPU进行下一步操作，类似的，在OpenGL中的接口glDrawArrays 另一种提交方法是建立GPU命令表。场景如果需要多步骤渲染，则需要多次提交，所提交的几何图元应有适当地排序以优化性能。 控制着色器参数以及渲染状态。 几何阶段（GPU） 几何阶段主要负责顶点坐标变换、光照、裁剪、投影以及屏幕映射，该阶段基于GPU进行计算，该阶段的末尾得到经过变换和投影之后的顶点坐标、颜色、 以及纹理坐标。
3.2K80发布于 2018-07-19 - 来自专栏粽子的深度学习笔记
Pytorch多GPU训练
Pytorch多GPU训练 1. torch.nn.DataParallel torch.nn.DataParallel()这个主要适用于单机多卡。 个人一般比较喜欢在程序开始前，import包之后使用os.environ['CUDA_VISIBLE_DEVICES']来优先设定好GPU。 例如要使用物理上第0,3号GPU只要在程序中设定如下： os.environ['CUDA_VISIBLE_DEVICES'] = '0,3' **注意：**如上限定物理GPU后，程序实际上的编号默认为device_ids batch_size设定 batch——size的大小应该大于所使用的GPU的数量。还应当是GPU个数的整数倍，这样划分出来的每一块都会有相同的样本数量。 Reference: OPTIONAL: DATA PARALLELISM PyTorch官方中文 pytorch 多 gpu 并行训练 https://blog.csdn.net/qq_34243930
2.8K30发布于 2021-07-07 - 来自专栏CSDN技术头条
MapD开源了一款支持多GPU的数据库
它能够构建全功能版的MapD Core数据库，该数据库能够在多GPU的服务器上对数十亿条记录进行二次查询。 并且，我们共同发布了我们的第一个项目，GPU数据帧（GPU Data Frame，简称GDF）项目。GPU数据帧允许在GPU进程之间传递数据，而不会增加复制数据或者将数据传递给CPU带来的开销。 该代码提供了多GPU加速SQL查询功能。 MapD可视化库：MapD提供的开源JavaScript库，允许用户创建支持MapD Core数据库的基于Web的可视化应用程序。 我们同时还推出了包含MapD Core数据库、MapD Core GPU渲染引擎和MapD Immerse可视化分析客户端的MapD分析平台企业版（MapD Analytics Platform Enterprise 我们还提供了社区版本的二进制文件下载，其中包含MapD Core数据库、GPU渲染引擎和MapD Immerse可视化分析客户端，这些文件都基于非商业的学术许可。
1.3K80发布于 2018-02-12 - 来自专栏月亮与二进制
Keras多GPU训练
Keras 2.X版本后可以很方便的支持使用多GPU进行训练了，使用多GPU可以提高我们的训练过程，比如加速和解决内存不足问题。 多GPU其实分为两种使用情况：数据并行和设备并行。 Keras在 keras.utils.multi_gpu_model 中提供有内置函数，该函数可以产生任意模型的数据并行版本，最高支持在8片GPU上并行。 数据并行是指将我们的模型放到多个GPU上去跑，来处理数据集的不同部分，Keras的keras.utils.multi_gpu_model支持任意模型的数据并行，最多支持8个GPU。 这里就给出数据并行的多GPU训练示例： from keras.utils.training_utils import multi_gpu_model #导入keras多GPU函数 model = 还有其他的改法可以参考这篇博客：[Keras] 使用多 gpu 并行训练并使用 ModelCheckpoint() 可能遇到的问题，思路都是一样的，只是改法不同。 这样就能够成功使用多GPU训练啦。
1.7K30发布于 2021-11-23 - 来自专栏云深之无迹
检查 GPU 渲染速度和过度绘制
本页介绍如何调试 GPU 过度绘制问题以及如何分析 GPU 渲染问题。 分析 GPU 渲染速度 GPU 渲染模式分析工具以滚动直方图的形式直观地显示渲染界面窗口帧所花费的时间（以每帧 16 毫秒的速度作为对比基准）。 检查输出 在图 1 中显示的 GPU 渲染模式分析图形的放大图像中，您可以看到 Android 6.0（API 级别 23）上显示的彩色部分。 ? 图 1. 放大的 GPU 渲染模式分析图形。 如需详细了解如何解释分析工具提供的信息，请阅读使用 GPU 渲染模式分析工具进行分析。 注意：尽管此工具名为“GPU 渲染模式分析”，但所有受监控的进程实际上发生在 CPU 中。 通过将命令提交到 GPU 触发渲染，GPU 异步渲染屏幕。在某些情况下，GPU 可能会有太多工作要处理，所以您的 CPU 必须先等待一段时间，然后才能提交新命令。
2.3K20发布于 2020-08-12 - 来自专栏腾讯技术工程官方号的专栏
GPU 渲染管线和硬件架构浅谈
一、GPU 渲染管线 1.1 渲染管线简述 所谓渲染管线，就是 CPU 传送给 GPU 一堆数据（顶点、纹理等），经过一系列处理，最后渲染得出来一副二维图像。有以下几个阶段。 1.5 总结 IMR 是桌面端 GPU 的主流架构。NVIDIA 较新的显卡也部分支持了 Tile based 的特性。 2.3 GPU 渲染过程 具体渲染过程，其实就是经典的渲染管线的执行过程。可以跟上一部分的渲染管线流程图对照阅读。 PowerVR、Adreno 的 GPU，以及 Mali 最新的 Valhall 架构的 GPU 都支持Super Scalar。可以同时发射多个指令，由空闲的 ALU 执行。 其大小通常比 Mali 的 16x16 要大非常多。因此，如果渲染目标如果开启 HDR+MSAA 的话，Bin size 会小很多，也就意味着更多的与主存的交互，明显增加功耗。
13.6K88编辑于 2022-06-07 - 来自专栏壹种念头
基础渲染系列（十九）——GPU实例（Instancing）
本文重点： 1、渲染非常多的球体 2、添加GPU Instancing支持 3、使用material property blocks 4、让instancing和LODgroups共存 这是渲染系列的第 尤其是场景窗口会使渲染放慢很多，因为这是必须渲染的额外视图。在播放模式下，我将其隐藏以提高性能。 1.2 支持实例化（Instancing） 默认情况下，还无法进行GPU实例化。 1.6 多灯光 我们仅在base pass和shadow caster pass中添加了实例化支持。因此，批处理不适用于其他光源。 （多灯光会导致渲染性能急速下降） 事实证明，不受额外光照影响的球体仍与阴影一起进行批处理。但是其他区域甚至没有在其base pass中分批处理。对于这些情况，Unity完全不支持批处理。 （延迟光照下的多灯光表现） 在确认它可以用于延迟渲染后，切换回正向渲染模式。 2 混合材质属性 所有批处理形式的限制之一是它们仅限于具有相同材质的对象。
13.7K30发布于 2020-07-10 - 来自专栏基础设施
Docker离线安装（支持GPU）
需要使用GPU的继续往下。 四、GPU支持 1、添加nvidia-docker支持 我们执行如下命令可以查看展示 nvidia-container-runtime 包的全部依赖： yum deplist nvidia-container-runtime
3.4K10编辑于 2024-02-28 - 来自专栏云原生实验室
GPU Mounter - 支持 GPU 热挂载的 Kubernetes 插件
前言 GPU Mounter 是一个支持动态调整运行中 Pod 可用 GPU 资源的 Kubernetes 插件，已经开源在 GitHub[1]： 支持 Pod 可用 GPU 资源的动态调整 兼容 Kubernetes 、k8s-deivice-plugin 等，支持在 Docker 和 Kubernetes 环境下使用 Nvidia GPU 资源 Docker 从 19.03 版本开始原生支持--gpus参数对接 nvidia-container-runtime Kubernetes 从 1.8 版本开始提供 Device Plugin 接口，解耦源代码中对 Nvidia GPU 的原生支持 因为有了上述工作，我们在 Docker 或 Kubernetes 环境中想要使用 也许正处于这一限制，当前各大深度学习云平台均无法支持调整一个运行中实例的 GPU 资源的特性。 GPU Mounter - 支持 GPU 热挂载的 Kubernetes 插件 出于上面的原因，我开源了一个 Kubernetes 插件支持 GPU 资源的热挂载。
1.6K10发布于 2021-03-16 - 来自专栏量子位
Google开源机器学习示例库：浏览器上可运行，免费GPU后端支持
几个月前，TensorFlow团队推出了一款类似Jupyter的交互式工具Colab，用户可以用谷歌免费提供的GPU直接通过浏览器运行代码无需设置。而最新推出的种子库，还能与Colab交相辉映。 之后进入Colab笔记本就可以立即连接到GPU学习示例和教程。
62920发布于 2018-07-19 - 来自专栏前端精读评论
精读《前后端渲染之争》
明确三个概念：「后端渲染」指传统的 ASP、Java 或 PHP 的渲染机制；「前端渲染」指使用 JS 来渲染页面大部分内容，代表是现在流行的 SPA 单页面应用；「同构渲染」指前后端共用 JS，首次渲染时使用 一般来说同构渲染是介于前后端中的共有部分。 2 内容概要 前端渲染的优势 局部刷新。无需每次都进行完整页面请求 懒加载。 省电省钱，JS 支持 CDN 部署，且部署极其简单，只需要服务器支持静态文件即可 天生的关注分离设计。服务器来访问数据库提供接口，JS 只关注数据获取和展现 JS 一次学习，到处使用。 React 这类支持同构的框架已经能解决这个问题，尤其是 Next.js 让同构开发变得非常容易。还有静态站点的渲染，但这类应用本身复杂度低，很多前端框架已经能完全囊括。 大家对前端和后端渲染的现状基本达成共识。即前端渲染是未来趋势，但前端渲染遇到了首屏性能和SEO的问题。对于同构争议最多，在此我归纳一下。
1.2K20编辑于 2022-03-14 - 来自专栏Python与算法之美
使用多GPU训练模型
如果使用多GPU训练模型，推荐使用内置fit方法，较为方便，仅需添加2行代码。 注：以下代码只能在Colab 上才能正确执行。 在Colab笔记本中：修改->笔记本设置->硬件加速器 中选择 GPU 可通过以下colab链接测试效果《tf_多GPU》： https://colab.research.google.com/drive __version__) from tensorflow.keras import * #此处在colab上使用1个GPU模拟出两个逻辑GPU进行多GPU训练 gpus = tf.config.experimental.list_physical_devices ('GPU') if gpus: # 设置两个逻辑GPU模拟多GPU训练 try: tf.config.experimental.set_virtual_device_configuration ') print(len(gpus), "Physical GPU,", len(logical_gpus), "Logical GPUs") except RuntimeError
2.1K30发布于 2020-07-20 - 来自专栏磐创AI技术团队的专栏
Tensorflow多GPU使用详解
磐创AI 专注分享原创AI技术文章 翻译 | fendouai 编辑 | 磐石 【磐创AI导读】：本文编译自tensorflow官方网站，详细介绍了Tensorflow中多GPU的使用。 目录： 介绍 记录设备状态 手动分配状态 允许GPU内存增长 在多GPU系统是使用单个GPU 使用多个 GPU 一． 介绍 在一个典型的系统中，有多个计算设备。 在 TensorFlow 中支持的设备类型包括 CPU 和 GPU。 如果要真正限制 TensorFlow 进程可用的GPU内存量，这非常有用。 五． 在多GPU系统上使用单个GPU 如果您的系统中有多个GPU，则默认情况下将选择具有最低ID的GPU。 使用多个 GPU 如果您想要在多个 GPU 上运行 TensorFlow ，则可以采用多塔式方式构建模型，其中每个塔都分配有不同的 GPU。
6K40发布于 2018-07-03 - 来自专栏逍遥剑客的游戏开发
Unity中使用GPU Instancing优化SkinnedMesh渲染
有这么个需求: 一堆不会动的SkinnedMesh, 通过物理模拟出死亡姿势后, 需要优化性能, 不然才10FPS
4.4K51发布于 2019-02-20 多 GPU CUDA 压力测试
多 GPU CUDA 压力测试# 1.下载软件 $ wget https://codeload.github.com/wilicc/gpu-burn/zip/master 2.解压缩 $ unzip gpu-burn-master.zip 3.进入目录编译(确保cuda环境变量已经配置成功 nvcc -v能显示结果) $ cd gpu-burn-master make 4.编译成功后,会在当前目录生成 gpu_burn 这个文件 $ gpu_burn 5.默认执行,跑全部GPU卡,空格后面参数为时间,一般快速测试设置100,稳定性测试为500 $ . /gpu_burn 100 6.可以指定某几张卡跑,比如指定0和1号卡 $ CUDA_VISIBLE_DEVICES=0,1 . /gpu_burn 100 References# http://wili.cc/blog/gpu-burn.html GPU burn 测试gpu 如何对 Linux 操作系统的 GPU 实例进行压测
2.8K20编辑于 2023-10-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号