西安电子科技大学开源社区2019年一年一度的软件自由日再次来临，AI柠檬博主应邀参加，并做了主题为《ASRT和我的开源经历》的演讲，以下是PPT演讲的内容。
分类： 综合技术
使用GPU和CUDA、cuDNN进行深度学习计算的浪潮已经持续了很多年，在此期间，显卡驱动和CUDA版本，以及cudnn深度学习工具包的版本已经更新了很多次。随着新的TensorFlow 2.0版和Pytorch1.3版的发布，我们用于深度学习的机器也需要将运行环境更新到最新版本了，尤其是还在使用CUDA 8.0的话。本文将介绍如何卸载旧版CUDA(如8.0版)并安装新版CUDA(10.0版)。
在服务器端上线并提供一项软件服务的时候，最常见的方式是手工部署安装运行相关的服务软件（比如网站）。如果仅仅是部署一次就长期使用下去还好，但是如果需要在多台机器上批量部署，或者每过一段时间就有服务迁移的可能的情况下，如果配置非常的繁琐或耗时，数据配置迁移和升级维护过程较复杂，批安装量较大，以及不同的机器上的基础运行环境存在差异，那么使用Docker来统一进行安装和维护则是比较明智的选择。使用Docker安装，只需要在安装好docker软件后，使用一个相应的配置文件，即可快速批量完成服务的安装。
如今，我们需要在硬盘中存储大量的数据，尤其是存储用于机器学习的数据集。通常来讲，如果有一份数据，需要让多台计算机都能够访问，但是某些计算机由于硬盘存储空间不足，不能够拷贝一份副本在本地存放，或者为了节省总体的存储空间占用，或者为了当其中一些内容发生改变时，所有的计算机都能够获取到更新，那么，我们可以通过在其中一台计算机上搭建私有云存储服务器集中存储数据，并通过高速内网（通常使用千兆网络）互联，使得每一台计算机对其的访问都与本地存储无异。
由于博主做的工作原因，最近获取到了一批语音数据集，全部为wav格式。数据拿到手，自然要将数据存储到自己的硬盘中。由于固态硬盘的容量有限，所以我就将其全部复制粘贴到机械结构的移动硬盘中，随后要进行的工作就是数据的处理。
写好一封电子邮件不是一件随意的事情，即使它很简单。很多人不注意这方面的问题，类似于见字如见人，一封规范有礼仪的电邮能够给自己争得一个较好的第一印象。写电子邮件我们需要注意邮件的礼仪问题，本文我们来探讨一下，写电子邮件我们要注意哪些问题，如何写一封符合邮件规范和礼仪的电子邮件。
分类
如何使用GitHub
我们作为天天搞计算机的，应该都听说过GitHub吧，不过可能很多人并不知道它可以用来做什么和怎么使用，今天，我将在这里做一个入门教学，希望大家人人都会用GitHub，都能用好GitHub。
在很多应用场景下，我们普遍需要进行并行计算，而不仅仅是并发。举个例子，比如机器学习中，我们常常使用GPU来并行训练神经网络；在例如Hadoop这种大数据计算平台等分布式系统中，不同的计算机之间，程序的执行也是并行的；同一台计算机中，多核处理器的不同CPU内核之间的计算也是并行的，系统可以此来均衡负载以及提高速度。那么，当我们有需要的时候，也可自己通过编写并行程序来进行计算，以实现我们所需要的功能，MPI就是这样的一个框架。
本文已在2023年05月更新到最新方法，确保本文教程的有效性。
前言：
曾经(2017年)安装TensorFlow的GPU版本真的不是一件容易的事，好难（因为能用的教程很少，有些连最基本的一些必需的步骤都没写到，那样子的话能安装到位才是奇迹），但是现在不会了，因为本文出现了，本文是为数不多的可用教程。
在经历各种踩坑后，我终于总结出来一个走的通的安装tensorflow-gpu的方法，并且亲自动手实践，在Linux(Ubuntu) + Python3安装且运行成功。
TensorFlow是谷歌在近期开源的一款深度学习方面的框架，有纯CPU版本和使用了GPU的版本。我们通过使用它，可以大大方便我们在神经网络方面的工作，降低我们的工作量。众所周知，TensorFlow是基于Python的，所以我们需要使用Python来做。TensorFlow在Windows上仅支持64位Python 3.5。
鉴于Python2已经濒临淘汰，所以，我建议现在以及今后都直接使用Python3来做，除非你手头有一大堆现有的py2的代码项目，否则，Python2迟早是要切换到Python3，到时候又是一大堆代码要手动升级到3版本，3和2的代码差别太大了。
