Linux常用命令


转自:http://codecloud.net/linux-commond-461.html

系统信息

arch 显示机器的处理器架构(1)
uname -m 显示机器的处理器架构(2)
uname -r 显示正在使用的内核版本
dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI)
hdparm -i /dev/hda 罗列一个磁盘的架构特性
hdparm -tT /dev/sda 在磁盘上执行测试性读取操作
cat /proc/cpuinfo 显示CPU info的信息
cat /proc/interrupts 显示中断
cat /proc/meminfo 校验内存使用
cat /proc/swaps 显示哪些swap被使用
cat /proc/version 显示内核的版本
cat /proc/net/dev 显示网络适配器及统计
cat /proc/mounts 显示已加载的文件系统
lspci -tv 罗列 PCI 设备
lsusb -tv 显示 USB 设备
date 显示系统日期
cal 2007 显示2007年的日历表
date 041217002007.00 设置日期和时间 - 月日时分年.秒
clock -w 将时间修改保存到 BIOS


Theano+Lasagne 实现手写数字识别


  Python在机器学习领域的地位越来越重要了,不仅因为它的简洁快速,更重要的是众多的社区和库的支持。   下面介绍几个非常不错的Python深度学习库:Theano,Pylearn2,Blocks,Keras,Lasagne   详细介绍可以参照链接中的文章。

  本文来说说用Theano+Lasagne来实现。

  Theano是一个强大的库,几乎能在任何情况下使用,从简单的logistic回归到建模并生成音乐和弦序列或是使用长短期记忆人工神经网络对电影收视率进行分类。更为重要的是它可以使用了Cython和CUDA来加速,大大提高了效率。   而Lasagne则是基于Theano构建的库,可以更便捷得实现深度学习功能,二者缺一不可。   


VS2013+CUDA7.5配置


  想要研究GPU编程,很多人都在配置上卡住了,所以我把我的配置过程分享出来,希望能给大家提供参考。

电脑配置:     系统:WIN10 64位     开发平台:VS 2013     显卡:英伟达 GeForce GT 740M     CUDA版本:7.5

1.安装最新版CUDA    CUDA官方下载地址    默认安装在C盘

2.配置环境变量        CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.5 CUDA_LIB_PATH = %CUDA_PATH%\lib\x64  CUDA_BIN_PATH = %CUDA_PATH%\bin   CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\x64   CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64     然后,在系统变量 PATH 的末尾添加:

;%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;


Python GPU编程之NumbaPro入门


  相信如果你使用过Python Numpy包,一定了解NumPy(Numeric Python)提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。它专为进行严格的数字处理而产生。多为很多大型金融公司使用,以及核心的科学计算组织如:Lawrence Livermore,NASA用其处理一些本来使用C++,Fortran或Matlab等所做的任务。   但是由于复杂的计算,Numpy的计算效率难免受到影响,因此我们对它进行了许多优化,用于优化的包有PyPy、Numba 与 Cython,而NumbaPro就是建立在Numba和cuda基础上的高级优化方法。   下面我们一起来看。   使用NumbaPro,我们可以对Numpy中的方法进行优化,使Python代码可以动态编译为机器码,并在运行中加载,使得GPU充分发挥多线程的优势。针对GPU,Numbapro也可以自动完成工作,并优化GPU体系结构的代码。另外,基于CUDA API编写的Python代码也可以有效地利用硬件。   说了这么多,下面就让我们从简单的示例开始学习。

 from numbapro import vectorize
@vectorize(['float32(float32, float32)'], target='cpu')
def sum(a, b):
    return a + b

  如果需要使用GPU来运行,只需要将第二行改成@vectorize(['float32(float32, float32)'], target='gpu')