1.Ubuntu16.04/18.04配置mumax3+oommf
2.NVIDIA GPGPU（一）总览

Ubuntu16.04/18.04配置mumax3+oommf

       年更新：添加了mumax3的编译命令，确保完整。

       年更新：链接已更新至百度网盘。

       从年起，逐步搭建Ubuntu.和.的mumax3+oommf环境，详细步骤如下：

       首先，同花顺如何输入源码安装mumax3和nvidia显卡驱动。推荐避免官方推荐方法，因Ti不支持nvidia-驱动，且cuda版本过低。apt安装驱动时需谨慎，避免系统冲突。在ubuntu.上，cuda-9.0需配合gcc/g++6.0，图鉴类网站源码且安装前需确保系统环境整洁。

       安装cuda-9.0时，需关闭桌面并切换到命令行，确保无其他vnc进程干扰。选择cuda版本时，ubuntu.虽无官方支持，但可以通过其他方式安装。安装过程中，添加环境变量至终端。

       下载并解压mumax3源代码，修改cuda/cufft/mode.go文件，然后设置GOPATH和安装位置。通过winscp上传并解压源代码后，在线报名查询源码添加环境变量以使mumax3可用。

       安装oommf前，需配置tcl/tk环境并安装g++编译器。使用ActiveTcl 8.6.8，先安装ActiveTcl，然后在bashrc中添加环境变量。oommfb2版本的安装需运行特定命令，可能需要解决x安装不完整的问题。

       最后，创建启动脚本以管理启动和环境切换，尤其是与Anaconda的兼容性问题。通过vnc桌面操作，添加启动器图标，租地小程序源码即可愉快地使用mumax3和oommf。

       所需文件和软件包括：百度网盘提取码df6q，CUDA，mumax3，ActiveTcl，oommf，以及相关链接。详细步骤请参考提供的官方资源和链接。

NVIDIA GPGPU（一）总览

       GPGPU的概念已经火起来，理解其架构和功能对优化AI框架性能、推动国产自主研发AI芯片发展大有裨益。本文将对GPGPU进行概览，作为对先前学习的舵手主图源码总结。

       GPU相较于CPU，其设计重点更在计算性能上，大量面积用于计算单元（SM、SP）。GPU指令的延迟相对较高，但可编程性较强，能较好地支持软件程序员进行优化。在并行模型上，GPU设计通常采用SIMT（Single Instruction Multiple Threads）模型，灵活性与性能折中，相对SMT（Simultaneous Multithreading）和SIMD（Single Instruction Multiple Data）模型，具有编程友好性，减少地址计算和访存操作，但也存在分支运算和多访存单元的挑战。

       SIMT实现下，所有线程执行同一指令，遇到分支时，不同线程的执行路径存在等待。Warp作为线程集合，内部线程需执行同一指令，同一Warp硬件需在不同时间点执行不同Warp，以充分利用资源。存储模型方面，GPU采用缓存一致性策略（Relaxed Memory Consistency，RC）以支持内存连贯性，确保软件指令顺序执行的结果符合预期。内存连贯性与缓存一致性相互支撑，共同保证了数据访问的一致性和程序运行的正确性。

       GPU存储布局包括寄存器文件（Regfile）、共享内存（Share memory）、L1/L2缓存和外部DRAM。寄存器文件的大小依赖于执行核最大线程数，通过划分多个Bank提高访问效率。共享内存需处理多线程并发访问带来的银行冲突问题。L1/L2缓存用于缓解访问DRAM的性能瓶颈，GPU架构支持多种访存模型，包括顺序执行、TSO（Total Stored Ordering）、PSO（Partial Stored Ordering）和RC模型，以适应不同的计算需求。

       Tesla架构作为GPGPU之前的旗舰产品，采用统一着色与计算架构，集图形、游戏和计算功能于一身，其设计考虑了高性能并行计算需求。通过主机和系统内存的交互，GPU提供强大的计算能力，满足大数据量计算的需求。CUDA编译器和计算库CUDA全家桶（如cudnn、cublas、cufft）支持多种语言，提供GPU通用计算能力，加速了科学计算、机器学习等领域的研究和应用。

       编译流程中，nvcc编译器能够编译CUDA源代码，生成可运行的二进制文件，支持AOT（Ahead-of-Time）和JIT（Just-In-Time）模式，便于在不同平台上部署和优化应用程序。通过NVCC，开发者可以将CPU和GPU代码整合在同一项目中，实现统一编译和运行。

       GPGPU的发展经历了从Fermi到Hopper的一系列架构演进，每代产品在工艺技术、核心架构、计算能力上均有显著提升。Compute Capability作为设备计算能力的标识，反映了GPU支持特性的版本号，从Tesla架构（1.0）到最新的Hopper架构（9.0），每一代产品都在原有基础上增加了新特性，提高了能效比和计算密度。

       后续文章将深入探讨从fermi到hopper各代产品的具体架构设计、特性及其工作原理，旨在为读者提供全面而深入的GPGPU技术理解。