概述

本文档详细介绍了在Windows环境下配置和使用Bandicoot-CUDA进行GPU加速计算的完整流程。Bandicoot是一个基于CUDA的C++线性代数库，能够显著提升矩阵运算性能。

目录

1. 环境要求
2. CUDA环境安装与验证
3. Bandicoot库编译配置
4. Visual Studio项目配置
5. 代码实现与测试
6. 常见问题解决

环境要求

硬件要求

• 支持CUDA的NVIDIA显卡
• 显卡计算能力（Compute Capability）3.0及以上

软件要求

• Windows 10/11操作系统
• Visual Studio 2019/2022
• CUDA Toolkit 12.0或更高版本
• CMake 3.15或更高版本

显卡兼容性查询

请访问以下官方网站查询您的显卡是否支持CUDA：

• CUDA兼容显卡列表

• 历史版本显卡支持
  下面文章中配置写的 sm 61 ，也是在这两个网页里面查看

  CUDA环境安装与验证

1. CUDA Toolkit安装

步骤1：卸载旧版本
如果系统中已安装CUDA，建议先完全卸载后重新安装，确保环境干净。

步骤2：下载安装CUDA

1. 访问NVIDIA CUDA官网
2. 下载适合Windows的CUDA Toolkit
3. 安装时务必选择"Developer"组件，记住安装路径

参考资料： CUDA环境配置详细教程

2. CUDA安装验证比较客观；

步骤1：创建测试项目

1. 打开Visual Studio
2. 创建新项目，选择"CUDA 12.0 Runtime"模板
3. 使用默认的测试代码进行编译运行

步骤2：处理兼容性问题
如果遇到显卡计算能力不足的错误，需要：

1. 查询显卡的SM（Streaming Multiprocessor）版本
2. 在项目属性中调整CUDA编译设置
3. 设置合适的计算能力版本

注意对于非 cuda 项目，例如纯 qt 项目，属性里面没有 cuda c/C++，可以如下图进行配置：

步骤3：验证安装成功
测试代码能够正常编译并运行，说明CUDA环境配置成功，注意测试代码可以在 main 最下面加上 std::cin.get() 暂停看下结果。

3. 其他项目中的CUDA配置

如需在非 CUDA 项目中使用 CUDA 功能，请参考：Visual Studio中CUDA配置方法

Bandicoot库编译配置

1. 依赖库准备

下载Bandicoot源码

• 访问Bandicoot官网
• 下载最新版本的源代码包

下载OpenBLAS库

• 访问OpenBLAS GitHub发布页
• 下载Windows x64版本（注意不要下载ARM版本）

2. 使用CMake编译

步骤1：CMake-GUI配置

打开CMake-GUI后进行以下配置：

1. 源代码路径（Where is the source code）：指向Bandicoot解压后的文件夹
2. 构建路径（等下构建内容在这里面）：创建一个空的英文路径文件夹
3. 配置编译器：点击"Configure"按钮

步骤2：处理配置错误

配置过程中会出现红色错误提示，这是正常现象：

按照提示逐项修改配置参数：

步骤3：生成项目文件
配置完成后，点击"Generate"生成Visual Studio解决方案文件。

3. 编译动态链接库

1. 在构建目录中打开生成的.sln文件
2. 在Solution Explorer中找到"bandicoot"项目
3. 分别编译Debug和Release版本
4. 编译完成后，在对应目录下会生成所需的DLL文件

Visual Studio项目配置

1. 创建新项目

重要提示： 请创建新的项目，不要在CUDA Runtime测试项目中添加Bandicoot，避免CUDA代码冲突。

2. 项目属性配置

右键项目 → 属性，进行以下配置：

包含目录配置

库目录配置

预处理器定义

3. 链接库配置

在"附加依赖项"中添加以下库文件：

bandicoot.lib
libopenblas.lib
cublas.lib
cublasLt.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
curand.lib
cusolver.lib
nvrtc.lib

注意： OpenBLAS库路径需要根据实际安装位置调整，例如：

E:\vsproject\bandicoot-2.1.1\OpenBLAS\lib\libopenblas.lib

参考资料： 完整的CUDA库配置列表（并不需要这么完整的）

代码实现与测试

1. 基础配置代码

创建Qt Console项目后，在代码开头添加必要的配置：

// 禁用OpenCL支持（必须）
#define COOT_DONT_USE_OPENCL 1

// 数学常量定义（必须）
#define _USE_MATH_DEFINES
#include <math.h>
#include <cmath>

// Bandicoot库
#include <bandicoot>
using namespace coot;

重要说明：

• #define COOT_DONT_USE_OPENCL 1 必须添加，否则会与CUDA产生冲突
• 数学头文件是Bandicoot库的必要依赖

2. 编译问题修复

常见编译错误修复：

在alias_wrapper.hpp文件第66行附近，找到以下代码：

template<typename T2>
constexpr //static  // 注释掉这个static关键字
coot_inline
typename enable_if2< !is_Mat<T2>::value && !is_subview<T2>::value && !is_diagview<T2>::value && !is_Cube<T2>::value && !is_subview_cube<T2>::value, bool >::result
check(const T2&)

将static关键字注释掉即可解决C++语法兼容性问题。

3. 完整测试代码

以下是集成了Armadillo（CPU）和Bandicoot（GPU）的性能对比测试代码：

#if defined(_MSC_VER) && (_MSC_VER >= 1600)    
# pragma execution_character_set("utf-8")    
#endif

#include <QtCore/QCoreApplication>
#include <qdebug.h>
#include <QElapsedTimer>

// 必要的数学库定义
#define _USE_MATH_DEFINES
#include <math.h>
#include <cmath>

// Bandicoot GPU库配置
#define COOT_DONT_USE_OPENCL 1
#include <bandicoot>
#define COOT_KERNEL_CACHE_DIR "D:\\cuda_cache_can_delete" //这个可能没效果
using namespace coot;

// Armadillo CPU库
#include <armadillo>
using namespace arma;

int main(int argc, char *argv[])
{
    QCoreApplication app(argc, argv);
    qDebug() << "GPU加速计算性能测试程序启动...\n";

    // 矩阵维度配置
    const int rows = 10000;
    const int cols = 10000;

    // ======================== CPU计算流程（Armadillo） ========================
    qDebug() << "=== CPU计算（Armadillo库） ===";
    QElapsedTimer cpu_create_timer, cpu_calc_timer, cpu_total_timer;

    // CPU矩阵创建阶段
    cpu_total_timer.start();
    cpu_create_timer.start();
    arma::mat cpu_A(rows, cols, arma::fill::randu);
    arma::mat cpu_B(rows, cols, arma::fill::randu);
    qint64 cpu_create_elapsed = cpu_create_timer.elapsed();
    qDebug() << "CPU创建矩阵耗时：" << cpu_create_elapsed << "毫秒";

    // CPU计算阶段
    cpu_calc_timer.start();
    arma::mat cpu_C = cpu_A * cpu_B;
    qint64 cpu_calc_elapsed = cpu_calc_timer.elapsed();
    qint64 cpu_total_elapsed = cpu_total_timer.elapsed();
    qDebug() << "CPU矩阵乘法计算耗时：" << cpu_calc_elapsed << "毫秒";
    qDebug() << "CPU总流程耗时：" << cpu_total_elapsed << "毫秒";

    // 显示CPU计算结果样本
    qDebug() << "CPU计算结果（第一行前11列）：";
    cpu_C.row(0).cols(0, 10).print();

    // ======================== GPU计算流程（Bandicoot） ========================
    qDebug() << "\n=== GPU计算（Bandicoot库） ===";
    QElapsedTimer gpu_create_timer, gpu_calc_timer, gpu_total_timer;

    // GPU矩阵创建阶段
    gpu_total_timer.start();
    gpu_create_timer.start();
    coot::fmat gpu_X1(rows, cols, coot::fill::randu);
    coot::fmat gpu_X2(rows, cols, coot::fill::randu);
    qint64 gpu_create_elapsed = gpu_create_timer.elapsed();
    qDebug() << "GPU创建矩阵耗时：" << gpu_create_elapsed << "毫秒";

    // GPU计算阶段
    gpu_calc_timer.start();
    coot::fmat gpu_X3 = gpu_X1 * gpu_X2;
    qint64 gpu_calc_elapsed = gpu_calc_timer.elapsed();
    qint64 gpu_total_elapsed = gpu_total_timer.elapsed();
    qDebug() << "GPU矩阵乘法计算耗时：" << gpu_calc_elapsed << "毫秒";
    qDebug() << "GPU总流程耗时：" << gpu_total_elapsed << "毫秒";

    // ======================== 性能对比分析 ========================
    qDebug() << "\n=== 性能对比分析 ===";
    qDebug() << "测试矩阵规模：" << rows << "×" << cols << " × " << rows << "×" << cols;
    qDebug() << "----------------------------------------";
    qDebug() << "| 计算阶段     | CPU耗时(ms) | GPU耗时(ms) | 加速比    |";
    qDebug() << "----------------------------------------";
    
    double create_speedup = gpu_create_elapsed > 0 ? 
        (double)cpu_create_elapsed / gpu_create_elapsed : 0.0;
    double calc_speedup = gpu_calc_elapsed > 0 ? 
        (double)cpu_calc_elapsed / gpu_calc_elapsed : 0.0;
    double total_speedup = gpu_total_elapsed > 0 ? 
        (double)cpu_total_elapsed / gpu_total_elapsed : 0.0;
    
    qDebug() << QString("| 矩阵创建     | %1        | %2        | %3x    |")
        .arg(cpu_create_elapsed, 8)
        .arg(gpu_create_elapsed, 8)
        .arg(create_speedup, 0, 'f', 2);
    qDebug() << QString("| 矩阵乘法     | %1        | %2        | %3x    |")
        .arg(cpu_calc_elapsed, 8)
        .arg(gpu_calc_elapsed, 8)
        .arg(calc_speedup, 0, 'f', 2);
    qDebug() << QString("| 总体流程     | %1        | %2        | %3x    |")
        .arg(cpu_total_elapsed, 8)
        .arg(gpu_total_elapsed, 8)
        .arg(total_speedup, 0, 'f', 2);
    qDebug() << "----------------------------------------";

    if (calc_speedup > 1.0) {
        qDebug() << QString("GPU在矩阵乘法计算中实现了 %1 倍加速！").arg(calc_speedup, 0, 'f', 2);
    } else {
        qDebug() << "注意：当前测试中GPU性能未超过CPU，可能原因：";
        qDebug() << "1. 矩阵规模较小，GPU并行优势未充分体现";
        qDebug() << "2. GPU初始化开销较大";
        qDebug() << "3. 建议增大矩阵规模进行测试";
    }

    return app.exec();
}

4. 代码说明

关键配置项：

1. COOT_DONT_USE_OPENCL 1：禁用OpenCL，避免与CUDA冲突
2. _USE_MATH_DEFINES：启用数学常量定义
3. COOT_KERNEL_CACHE_DIR：设置CUDA内核缓存目录（可选）

性能测试功能：

• 同时测试CPU（Armadillo）和GPU（Bandicoot）的矩阵运算性能
• 分别计时矩阵创建和矩阵乘法操作
• 自动计算加速比并生成对比报告

常见问题解决

1. 编译错误

问题： alias_wrapper.hpp中的static关键字编译错误
解决方案： 在该文件第66行附近注释掉static关键字

问题： 缺少数学常量定义
解决方案： 确保在代码开头添加：

#define _USE_MATH_DEFINES
#include <math.h>
#include <cmath>

2. 链接错误

问题： 找不到CUDA库文件
解决方案：

1. 检查CUDA安装路径是否正确
2. 确认项目配置中的库目录设置
3. 验证所有必需的.lib文件是否存在

问题： OpenBLAS库路径错误
解决方案： 根据实际安装位置调整库文件路径

3. 运行时错误

问题： 显卡计算能力不足
解决方案：

1. 查询显卡的Compute Capability版本
2. 在CUDA项目属性中设置合适的SM版本
3. 参考NVIDIA官方兼容性列表

问题： GPU性能未达到预期
解决方案：

1. 增大矩阵规模以充分利用GPU并行计算优势
2. 进行GPU预热操作，排除初始化开销
3. 检查显卡驱动是否为最新版本

4. 环境配置问题

问题： CMake配置失败
解决方案：

1. 确保使用英文路径
2. 检查CMake版本是否满足要求
3. 验证Visual Studio编译器配置

问题： DLL文件缺失
解决方案：

1. 确认编译生成了Debug和Release版本的DLL
2. 将必要的DLL文件复制到项目输出目录
3. 检查系统PATH环境变量

总结

本文档提供了在Windows环境下配置Bandicoot-CUDA GPU加速计算的完整指南。通过正确配置CUDA环境、编译Bandicoot库并在Visual Studio中进行项目配置，可以实现显著的矩阵运算性能提升。

关键要点：

1. 确保显卡支持CUDA并正确安装CUDA Toolkit
2. 使用CMake正确编译Bandicoot库
3. 在Visual Studio中配置所有必要的包含目录和链接库
4. 注意代码中的关键配置宏定义
5. 通过性能测试验证GPU加速效果

遵循本指南的步骤，您应该能够成功在 windows 下配置并使用Bandicoot进行高性能的GPU加速计算。

之前电脑中病毒，下载了 360 杀毒 pro，昨天逛知乎才知道 360 居然有时候读写磁盘次数非常多，把 360 关了，用知友说的软件看了下，没想到 edge 才是隐藏 boss，打开软件，读写都干冒烟, 下面是一些原帖子：
怎么看2025年360安全卫士写入事件致使用户固态硬盘提前报废？
用的 AppReadWriteCounter 软件
吾爱破解上的AppReadWriteCounter

如何禁止edge自动更新

还写了个脚本：

@echo off 
taskkill /f /im msedge.exe >nul 2>&1
taskkill /f /im msedgewebview2.exe >nul 2>&1 
echo 操作完成，按任意键退出... & pause >nul

就是桌面上应用软件会自动给你排好，排整齐无堆叠，现在 arch 下面的 niri 还是好用. 主要是处理多任务的时候直观方便。下面是 windows 桌面的截图

折腾经历

这两天又折腾了下 windows 下的平铺软件【安装了komorebi和yasb】，之前就弄过 FancyWM, 比较方便简单，开箱即用，但是有时候感觉暂时有点卡卡的。主流的好像也就是三个。

• FancyWM
• komorebi （现在用的，搭配的【 yasb 一个状态栏 】）
• glazewm （没用过，听说配置文件配置的简单点）

komorebi 怎么说了，最开始也不会用，🤣可能这才是常态。去 github 上下载了最新的程序，结果安装桌面连个快捷方式也没有，还好会用 everything 搜索，里面一堆程序

最开始点了那个 1 的 exe，弹一个黑框框，就让他一直显示也能用，就是有点丑还不是后台的运行，后来看了使用介绍才知道，可以用那个 2，在 cmd 里面运行 komorebic.exe start 就静默运行了，然后 komorebic.exe -h 里面实际上是有很多介绍，一些命令快捷操作，弄了还是很方便
2 个经验：

1. 要知道自己的目标是什么，根据目标慢慢找，耐心看一下
2. 看到英文的不要慌，开个网页翻译耐心看一点

其实 yasb 和 komorebi 安装还是简单，主要是使用

1. yasb 那个配置还是有点麻烦，也要看他的文档，还是下载别人的主题最方便，右键图标点那个 get themes，需要正确上网
2. 配合 autohotkey 来使用的快捷键，主要用它那个【toggle-monocle】实现全屏
   

FancyWM 安装步骤

去 github 上下载了（cer 和 msixbundle 文件），用 PowerShell (as Administrator) 就可以安装

certutil.exe -addstore TrustedPeople .\FancyWM.Package_1.0.0.0.x64.cer
Add-AppxPackage -Path .\FancyWM.Package_1.0.0.0.x64.msixbundle

相关软件

下载链接

人类寿命的极限探讨

人类寿命的上限是一个长期存在的研究课题。现代科学研究与古代文献记载在这一问题上呈现出某种一致性。

科学研究的观点

目前存在两个主要的科学理论。

海夫利克极限理论（Hayflick Limit）指出，由美国生物学家 伦纳德・海夫利克（Leonard Hayflick 于 1961 年提出，人体细胞的分裂次数有限，约为 40-60次。每次分裂时，染色体末端的端粒会缩短。当端粒缩短至临界值时，细胞停止分裂，机体进入衰老状态。根据此理论计算，人类寿命上限约为120岁。海夫利克极限是细胞生物学领域的核心理论¹

生理韧性理论是近年来提出的新观点。发表在《自然通讯》上的研究表明，人体的自我修复能力随年龄增长而下降。研究模型显示，在120至150岁之间，人体的修复能力将降至临界点，此时即使无重大疾病，生命也难以维持。

这两个理论从不同角度将人类寿命极限定位在120-150岁区间。

古代文献的记载

中国古代典籍中也有相关论述。

• 《黄帝内经》记载，遵循养生之道者能达到"天年"，即"度百岁乃去"。后世注解将"度百岁"解释为120岁。
• 《尚书》明确记载"上寿"为120岁。

古代文献的记载与现代科学研究结论存在相似性。这些记载基于长期的生活观察和经验总结。

小结

从现有证据来看，人类寿命存在一定的生物学上限。科学研究与历史文献都指向相似的数值范围。

对个体而言，在既定的生命长度内如何维持健康状态，可能比追求极限寿命更具现实意义。

参考资料:

1. Pyrkov, T.V., Avchaciov, K., Tarkhov, A.E. et al. Longitudinal analysis of blood markers reveals progressive loss of resilience and predicts human lifespan limit. Nat Commun 12, 2765 (2021).
2. 《黄帝内经·素问·上古天真论》
3. 《尚书·洪范》

第一组照片

六月【6-27】的时候去一个【卷桥河公园】非常大，就是天气太热了，还租了个车没跑一会然后就没起了，最后还是走回来的，下面是照片

太阳很好，颜色很正。




这张忘记在哪拍的了【7 月 2 日拍的】

第三组照片

去了一个动物园，野生动物园，还看见了大棕熊和老虎

第四组

【去江边公园拍到的】

最后一组

今天拍的小猫

大致思路是：

1. 先回忆了下 ULA 的 ESPRIT 方法；
2. 然后是 MIMO 下的 ESPRIT 方法
3. 然后是看文章看不懂，然后 AI 帮我解析，先读出大致的框架，然后丰富细节，最后对自己的理解进行确认，然后画出代码仿真的关键点

下面在这个网盘下面提供 2 个 PDF 和一个代码方便之后回顾学习
https://a.siyouyun.ren:30597/OutSaveFile2/RadarXG/ESPRIT_Double_mimo

matlab 代码预览

clc,clear all,close all;
%% Parameters of the radar system
M = 7;                                                 % number of Tx
N = 7;                                                 % number of Rx
d = 0.5;                                                 % inter-element space
% theta = [15 -10 5];                                % DOA
% phi = [20 35 60];    
theta = [-50 20 60];   % DOD                             % DOA
phi = [20 40 60];   
K = length(theta);                                  % number of target                      % dopplor frequency shift
L = 100;                                                % number of sanpshot
SNR = 30;                                            % signal-to-noise ratio before matched filtering
Geo_Rx = [0:N-1];                                  % geometry of Rx
Geo_Tx = [0:M-1];                                  % geometry of Tx
At = exp(-j*2*pi*d*Geo_Tx.'*sind(phi));   % transmitting direction matrix
Ar = exp(-j*2*pi*d*Geo_Rx.'*sind(theta));  % receiving direction matrix
item = 10;     
%% 设置互耦系数;
mc_K = 2;
mc_nb = mc_K+1;
C_t = generateMCMmat(M,mc_nb);
C_r = generateMCMmat(N,mc_nb);
C = kron(C_t,C_r);
%% 设置选择Pt和Pt矩阵
Pt = [zeros(M-2*mc_K,mc_K),eye(M-2*mc_K),zeros(M-2*mc_K,mc_K)];
Pr = [zeros(N-2*mc_K,mc_K),eye(N-2*mc_K),zeros(N-2*mc_K,mc_K)];
M1 = M-2*mc_K;
N1 = N-2*mc_K;
P = kron(Pr,Pt);
% number of trials
%% Selective matrices
JM1 = [eye(M1-1),zeros(M1-1,1)];
JM2 = [zeros(M1-1,1),eye(M1-1)];
JN1 = [eye(N1-1),zeros(N1-1,1)];
JN2 = [zeros(N1-1,1),eye(N1-1)];
Jt1 = kron(JM1,eye(N1));
Jt2 = kron(JM2,eye(N1));
Jr1 = kron(eye(M1),JN1);
Jr2 = kron(eye(M1),JN2);

a_kronrao = zeros(M*N,K);
for i=1:K
    a_kronrao(:,i) = kron(At(:,i),Ar(:,i));
end

for item_num = 1:item
    disp(['SNR = ',num2str(SNR),' dB, ',num2str(item_num), ' # try : ']);
    %% Matched Filtering
    S = randn(K,L)+1i*randn(K,L);
    X_0 = C*a_kronrao * S;
    X = awgn(X_0,SNR,"measured","dB");
    Y = P * X;
    %% Eigen decomposition
    %Rx = (X*X')/L;                                          % Estimated covariance matrix
    Rx = (Y*Y')/L;
    [Es,D] = eigs(Rx,K,'LM');                          % Signal subspace
    %% Rotational invariant property
    Vt =  pinv(Jt2*Es)*Jt1*Es;
    %Vt =  pinv(Jt1*Es)*Jt2*Es;
    [T,Phit] = eig(Vt);
    
    Phir = inv(T)*pinv(Jr2*Es)*Jr1*Es*T;
    %Phir = inv(T)*pinv(Jr1*Es)*Jr2*Es*T;
    E_theta  = asind(angle(diag(Phir))/pi).';
    E_phi = asind(angle(diag(Phit))/pi).';
    plot(E_theta,E_phi,'k*');hold on;
end
H(1)=plot(E_theta,E_phi,'k*');hold on;
H(2)=plot(theta,phi,'rx','markersize',28);grid on;
xlabel('DOA'),ylabel('DOD');
legend([H(1),H(2)],'Esimated','Ture')

闲聊

没想到 matlab 还可以画出这样的图片，“赛博生命”，hhh
https://mp.weixin.qq.com/s/GS-jSHnasVxrrIn5C2E3WQ

figure('Position',[300,50,900,900], 'Color','k');
axes(gcf, 'NextPlot','add', 'Position',[0,0,1,1], 'Color','k');
axis([0, 400, 0, 400])
SHdl = scatter([], [], 2, 'filled','o','w', 'MarkerEdgeColor','none', 'MarkerFaceAlpha',.4);
t = 0;
i = 0:2e4;
x = mod(i, 100);
y = floor(i./100);
k = x./4 - 12.5;
e = y./9 + 5;
o = vecnorm([k; e])./9;
while true
    t = t + pi/90;
    q = x + 99 + tan(1./k) + o.*k.*(cos(e.*9)./4 + cos(y./2)).*sin(o.*4 - t);
    c = o.*e./30 - t./8;
    SHdl.XData = (q.*0.7.*sin(c)) + 9.*cos(y./19 + t) + 200; 
    SHdl.YData = 200 + (q./2.*cos(c));
    drawnow
end

各个软件

微软 RDP，网易 UU 远程，RustDesk（知名开源），向日葵，ToDesk，连连控，云玩加（个人开发者）

前提要节

对于一些国内厂商的远程，一般都提供他们自己的服务器进行进行搭桥或者连接，网易 UU 好像在网络好的时候可以 p2p 。
例如向日葵，ToDesk 两个比较知名了，平时办公用用也还是可以的，但是也还是有些小问题，例如跨境连接等。

所以，基于以上原因，对于我来说，先把两个外网的设备内网穿透桥接起来。
用 皎月连 （需要打卡）或者 openp2p 这两个都可以；
至于 zerotier 和 tailscale，前一个没弄好，后一个没用过；

微软 RDP

基于 皎月连 或者 openp2p 就可以通过 windows 的 mstsc 访问了，但好像貌似专业版系统，还要简单设置下

一个知乎设置教程
一个免密码登陆教程
然后还有两个解锁 60 FPS 的教程，解锁60fps-1， 解锁2
怎么说了？之前平时一直是这么用的，感觉也还好，但是就是感觉（外网-手机热点）60 fps 还是没有
这两天看了检查方法

检测 60 fps 是否达到

肉眼检测，😂，这个网站： https://frameratetest.org/zh/fps-test ，看看那两个竖着的黑杠杠动的是否流畅，还是可以看出分别，可以本机电脑开一个，远控电脑开一个，放在屏幕上对比了看，还是比较明显的，🤣

推荐 RustDesk

RustDesk 也是看的别人的教程，内网穿透后使用的，有两个软件要安装；被控端（服务端+客户端）安装；本机电脑（客户端安装），客户端下载链接， 服务端下载链接，这是两个 github 的链接，这是 github加速网站；看的这个教程：教程，主要就是下载好这几个软件，设置下 ip 和 key

有几个小细节就是；可以吧下图的那个取消掉，网络好的话就是 p 2 p 直接连接，判断通过为全屏时左上角是✔就是 p 2 p，是刷新符号就是中继

如果声音没有，可以看看 github 的 issue，我是把下图的禁用勾选了，就有声音了

总体来说体验还是很不错的，速度上好像还比较快

其他软件

• uu 远程有时候还可以，有时候可以 60 FPS
• 然后是，连连控，还可以，可以稳定 60 FPS，稳定!！我都用的手机热点，还是可以，但是有些要开 vip
• 云玩加，b 站上一个 up 开发的，还可以适配了手柄，还是开源免费的，fps 没确定，但是好像是自己弄了服务器，帮助记录下账号和两个机器握手，大概是这样

小结

就这些，推荐 RustDesk。但其实还有 Parsec（steamcommunity_302. exe 用的这个软件提供网络访问协助，Parsec 国内有些不好访问），但是我屋里电脑没弄那个显示器，Parsec 这个速度倒是可以，但是居然没自带虚拟显示器，ParsecVDisplay 这个 github 项目可以添加，但是今天还是下单了个 HDMI 欺骗器 5￥

就这些了，RustDesk 还是可以的！

主要思路，把 PDF 转为一张张图片，然后给 ai ，让其输出翻译好的 md 文本，工具如下：

我用的豆包 1.5 的 vision 版本-大模型 api，提示词也可以自定义
效果大概如下图：

推荐火山引擎 api： https://console.volcengine.com/auth/login
还有一个硅基流动的： https://siliconflow.cn/zh-cn/
openrouter 好像也有些免费的

蓝奏云工具下载链接，api 在 config.json 里面要自己填下：
https://wwzw.lanzoup.com/i70mH2u34nve

这是源代码： https://wwzw.lanzoup.com/i60jm2u34ydc

目录

一、大模型的背景与来历：从神经网络到现代大语言模型
二、基础平台
三、对话：提问与提示词技巧
四、信息搜集
五、AI 编程
六、使用技巧
七、API 调用与知识库
八、本地大模型部署
九、多模态生成
十、资源与社区
十一、硬件性能与优化

• 连接主义的萌芽（1940 s-1980 s） 神经网络的概念源于 1943 年神经生理学家 Warren McCulloch 和数学家 Walter Pitts 提出了第一个数学神经网络模型提出的“M-P 神经元模型”，但受限于算力和数据，长期停留在理论层面。1986 年，反向传播算法（Backpropagation：BP）的提出，使其利用数学中的链式法则计算梯度，使多层感知机（MLP）实现有效训练，奠定了现代深度神经网络的基础，但是由于受限于硬件和算法，早期模型难以解决复杂任务，90 年代后神经网络研究陷入低谷。

• 第二次爆发：gpt 自然语言大模型

  • 
  • 2015 年，由 Sam Altman 等人创立的 OpenAI 以非营利组织的形式成立，初衷是确保通用人工智能 (AGI) 的发展安全且对全人类有益。在语言模型方面，OpenAI 采用了 google 在 17 年提出的 Transformer 创新架构。Transformer 利用自注意力机制，能够并行处理输入序列中的所有词，大大提高了训练效率和模型性能。

  • GPT 系列（2018-2024）：

    • GPT-1（2018）：
      基于 Transformer 解码器，首次采用无监督预训练+有监督微调策略，参数 1.17 亿。
    • GPT-2（2019）：
      参数增至 15 亿，提出“零样本学习”（Zero-Shot），验证模型规模与泛化能力的正相关。
    • GPT-3（2020）：
      参数达 1750 亿，引入“上下文学习”（In-Context Learning），通过 Few-Shot 提示解决多样化任务，标志大模型通用化。
    • GPT-4/4 o（2023-2024）：
      多模态支持（文本+图像+音频），引入强化学习与人类偏好对齐（RLHF），推理能力接近人类。

  这种"规模化"策略证明了大型语言模型能够表现出令人惊讶的能力，包括上下文学习、任务泛化和涌现能力。

  

故事插曲：GPU 的关键作用与 NVIDIA 的崛起

大模型训练依赖海量计算力，传统 CPU 无法满足需求。GPU (图形处理单元) 凭借其并行计算能力，成为深度学习的理想硬件。单个现代 GPU 可以同时处理数千个线程，比 CPU 快数十到数百倍。

NVIDIA 公司的创始人黄仁勋有着传奇色彩的故事。他 1963 年生于台湾，后移民美国。NVIDIA 最初专注于为电脑游戏提供高质量的图形处理解决方案。有趣的是，NVIDIA 的 GPU 最初完全是为游戏和图形渲染设计的。2006-2007 年，研究人员发现 GPU 强大的并行计算能力可用于加速神经网络训练，NVIDIA 敏锐地捕捉到这一机会，开发了CUDA 编程平台，使开发者能更容易地利用 GPU 进行通用计算。随着深度学习的兴起，NVIDIA 从一家游戏图形公司转型为 AI 计算的基础设施提供商，成为全球最有价值的公司之一。

二、大模型基础知识（直接对话类）

去哪里使用大模型？

引子：推荐优先选择 GPT-4、Claude、DeepSeek 等头部模型，根据需求与场景选择国内外平台。

大模型大致可以分为国内国外两类：

一、国外平台

1. 主流模型：

   • ChatGPT（OpenAI）：通用性强、响应速度快，适合全能型任务（如报告撰写、数据分析）。
   • Claude（Anthropic）：擅长进行文学创作，与代码编程。这是它的优势特点，很多编程插件首先选用 claude 模型。

   

   

2. 访问方式：

   • 需代理：国内用户需通过海外网络环境访问，gpt 官方大约 20 美元/月，claude 也是。

   • 国内第三方代理，付费工具推荐

     • Sider（浏览器插件）：（ https://sider.ai/zh-CN ）支持多模型切换、文件解析、实时联网搜索，功能集成度高。【成本多少】

       • 
       • 
     • IMYAI 智能助手：（ https://super.imyai.top/c ）多模型聚合（含 GPT-4 o、Claude 3），支持上传 PDF/Excel 提问，ai 绘图。
     • 
     • 银行录像局（ https://nf.video/ ）：稳定访问 GPT/Claude，支持长对话与文件处理。
     • 
     • closeAI（ https://www.closeai-asia.com/ ）：一家专门提供 api 访问的公司，很稳定，按量付费
     • 

二、国内平台

（1）自研特色模型

1. 豆包（字节跳动）：通用性好，做了很多关于 ai 赋能基础建设，例如 ai 代码开发（后面会讲），app 上支持 AI 电话（语气逼真），ai 耳机实时沟通等（硬件联动）（ https://www.doubao.com/chat/ ）。

   • 

2. 通义千问（阿里巴巴）：开源生态完善（Qwen 系列）、本地部署友好（Ollama 平台长期霸榜），支持法律 AI 顾问（ https://tongyi.aliyun.com/ ），通义万象 2.1 视频模型。

   • 

3. Kimi（月之暗面）：【国产大模型最早出来的一批，ai 独角兽公司】200 万字长文本解析（如合同审查、论文总结），AI+PPT 自动生成（输入大纲即可输出完整幻灯片）（ https://kimi.moonshot.cn/ ）。

   • 

4. DeepSeek（深度求索）：低成本高智商模型（R 1 开源版性能比肩 GPT-4），官网访问易拥堵，推荐通过第三方平台调用（ https://www.deepseek.com/ ）。

   • 

5. 阶跃 AI：多模态很不错，视频生成一致性好（ https://yuewen.cn/chats/new ）。

   

（2）综合集成平台

1. 问小白（ https://www.wenxiaobai.com/chat/200006 ）：

   • 实时调用满血版 DeepSeek，响应速度很快。

2. 纳米搜索（360 出品， https://bot.n.cn/ ）：

   • 支持多种国产模型切换（包含 DeepSeek）。
3. 腾讯元宝：集成了 DeepSeek 模型（ https://yuanbao.tencent.com/chat/ ）。

示例应用（以"区块链"为例）：

1. 直白释义：区块链是一种通过链式数据结构存储信息的分布式账本技术，核心特征是去中心化和不可篡改。
2. 使用场景：①加密货币交易 ②供应链溯源 ③电子合同存证
3. 举例说明：
   • 例 1：比特币系统中，每笔交易通过哈希函数生成唯一标识（如 SHA-256 算法：H = Hash (Tx_Data)），多个交易按时间顺序连接成区块
   • 例 2：类似全班同学共同记录收支的公共笔记本，任何人修改记录需获得半数以上同学同意，且修改痕迹会被永久保留

4. 直观类比："区块链就像乐高积木，每个新积木块（区块）必须严丝合缝扣在前一块上，想偷偷拆掉中间某块？除非你拆掉整个后半段并让所有玩家都同意"
   5.由来：xxxx

    
    【演示例子：什么是量子力学】
    
    【什么是信号处理中的谐波】
    
    【什么是热力学第二定律】
    
    

5. 提升类提示词

   在网络上有很多网友分享了自己的提示词，里面有他们自己的经验和思考，又很多通用的地方。

   总结出了“一步步思考”这个方法，例如在自己的问题最下面加一个“step by step think”或者“一步步思考”给出答案，那么比直接提问的效果就稍微好一些。例如：

   Take me deep breath and work on this problem step-by-step. 
   Write your answer and give me a confidence score between 0-1 for your answer. Are you sure? 
   This is very important to my career. 
   You'd better be sure. 
   用中文回答

   

   还有，可以对问题本身进行提问，例如"对于这个问题 xxx，你怎么看？"让大模型帮你分析问题的解决方法。例如写文章的时候，先让大模型写大纲这些。

   https://www.aishort.top/ ，这是一个专门写提示词的网站。

   记得之前 think 版本的模型还没出来的时候，有一个厉害的高中生（涂津豪）写了让 claude 仿人类的思考的提示词，直接把 claude 的水平提高了一大截。ht

   tps://github.com/richards199999/Thinking-Claude 这是那个提示词的 github，还有一个关于 claude 提示词的 github（ https://github.com/langgptai/awesome-claude-prompts ）

   与大模型的聊天确实一定程度上训练了人精准提问的能力。

   TopBook 的 b 站视频，也讲了写关于提问与使用上的方式【突破个人能力天花板，和 AI 协作的 12 个范式。】 https://www.bilibili.com/video/BV1pgmbY1EXX/?share_source=copy_web&vd_source=84d1208a0ce8dac7e5646fcc327301a5

6. 上面的思考方法也叫思维链方法 COT，模仿人的思考是有一个一个步骤的（Chain-of-Thought, CoT）

7. 自我验证（如“请检查上述答案是否有逻辑错误”）

   四、大模型信息收集：联网模型的应用价值

   在数字化工作环境中，高效获取和处理信息已成为核心竞争力。具备联网能力的大模型彻底改变了传统信息搜集方式，将"搜索"与"理解+整合"结合，大幅提升信息获取效率。

   优势：实时信息获取，信息整合能力

   工具推荐

8. Kimi、豆包、元宝、问小白、纳米搜索

   1. Kimi Chat（最推荐）

9. 实时性极佳，搜索结果全面，搜索的网页多【测试搜索今日新闻】

   2.豆包

10. 除了文字类信息搜索，有独家抖音生态接入，可以搜索到抖音视频

    3.元宝/问小白/纳米搜索

11. 这几个采用 deepseek+联网的模式，联网搜索效果也不错

    使用场景

    1.市场动态实时追踪（Kimi）：快速获取行业报告、政策更新、突发事件等时效性敏感信息

    2.学术研究与文献综述引文查找（纳米搜索+Kimi）

    这个月政府采购网发布了哪些采购的内容？

    给我找出10片关于地波雷达的论文，帮我列出名字来，方便我引用。

    五、大模型编程

12. 开发工具

    AI 的快速发展，也给开发者带来了便利。

    基础的使用，就是让在对话式 ai 里，描述需求，帮我们写小的功能模块，或者查询资料。

    【字符串正则匹配是一个很好用的例子】gadfgadfgaadf 发生的发 fsdf

    进一步的推荐两个工具：

13. Trae，字节跳动对标国外 Cursor，实现自然语言对话一键生成代码，现阶段 gpt 和 claude 可免费调用

15. Vscode，微软开源的轻量 IDE，支持很多 AI 插件（提供了代码补全，优化，重构等），推荐 MarsCode 插件与 Cline 插件（cline 需要 api 但是可以实现与 Trae 一样的功能）

    【帮我写一个 html 的登录界面，用 css 和 js 美化】

    【一个 Trae 写的工具的例子：PDF 转图片】

    【一些 Vscode 截图】

    【阅读他人的项目代码，或者过去的代码，达到快速理解的目的，或者优化代码】

    【代码提示，代码补全，代码注释】

    六、大模型使用技巧

    具体的使用案例

    6.1 Mermaid 流程图

    https://www.mermaidchart.com/

    

    6.2 PlantUML 图（ https://plantuml.com/zh/ ）

    

    

    

    

    

    6.3 图片转文字描述

    可以直接把图片转为对应的图片描述

    提示词：

    帮我用结构化的语句把图片内容描述出来，要专业，即使看不见的图片的人听了，也知道这个图的详细内容

    6.4文档类处理

    1. 公式转换【图片转公式，公式复制到 word】：

    

    

    https://www.latexlive.com/

    2. 全文翻译

    演示 2 种：

16. 阿里的通义千问可以直接对整个 pdf 翻译

17. PDF 转图片，然后直接丢给大模型翻译

    3. markdown 输出 word 文档

    markdown，

    一级标题

    二级标题

    演示

    4.文档检视：错别字检查、术语校对、格式标准化

    帮我检查下面文字中的错别字：
    “今天天七真不错， 是个大晴天，适合出去删不！”

    5. 大模型+Kimi：自动生成 PPT 大纲与内容

    通义千问也有

    https://tongyi.aliyun.com/aippt

    6. 技术文档生成（从代码/描述生成完整文档）

18. 文本润色（语法、术语、风格优化）

    6.5 法律援助（通义千问）

    网站链接： https://tongyi.aliyun.com/qianwen/agent/home?type=FindAgent

![image-20250311142059231](https://a.siyouyun.ren:30597/d/alist/webPic/image-20250311142059231.png?sign=si3lL4H8Hhe59q_pNtGOKGP_BJU2CrTfh2bGixPPlmY=:0)

## **七、大模型 API 调用与 RAG 知识库**

通过电脑上的客户端软件对大模型 api 调用，api 调用更加自由，可以自己开发自定义的程序。聊天更加流畅。推荐一个软件 CherryStudio。

https://cherry-ai.com/的官网 ，找到下载链接安装即可

下面为软件图片

![image-20250311104529188](https://a.siyouyun.ren:30597/d/alist/webPic/image-20250311104529188.png?sign=-B1CCU9WoNN_EelpAmynPby6QbwqqC45E0om5Gxc6pk=:0)

重点在于其可以调用本地知识库进行知识库问答，非常方便。

1. 获取 api，火山引擎或者硅基流动的 API，deepseek 的 api 也可以使用

2. 在软件中填写 api 密钥

3. 设置知识库，进行对话



## **八、隐私、安全与本地部署**
1. **隐私风险与应对**
    - 数据脱敏、企业合规要求

2. **本地大模型部署**

    - ![image-20250311150533355](https://a.siyouyun.ren:30597/d/alist/webPic/image-20250311150533355.png?sign=mJhoVKieqt-Rsk5MCVnG53_-qthj3iMdawNYCTWXTrw=:0)

    - **Ollama 教程**：模型下载、运行、微调（如 LLaMA 3 本地化）（ https://ollama.com/ ）
    - 硬件要求：CPU/GPU/NPU 性能优化

## **九、多模态生成**
1. **图片生成**

    - 豆包， https://www.doubao.com/chat/create-image

    - Midjourney/DALL·E 提示词设计

    - comfyui，真正要升入了解绘画，视频，就要了解这个工具

    - >ComfyUI 是一个开源的图形化界面工具，主要用于 Stable Diffusion 模型的图像生成工作流设计，其节点式可视化操作是最大特色，用户可以通过拖拽节点来精确控制图像生成的每个环节

2. **视频生成**

    - 短视频生成，（腾讯、阿里、跃问）
    - https://tongyi.aliyun.com/wanxiang/videoCreation , 通义万象 2.1
    - https://yuewen.cn/videos?utm_source=yuewen_nav&utm_medium=nav_link ，跃迁

3. **声音合成**

    - 语音克隆（工具：ElevenLabs、Azure TTS，ChatTTS）
    - https://www.chattts.co/zh#free

## **十、资源与社区**
1. **外部资料整合**
    - 李燕姐提供的 PDF 文档
    
      - ![image-20250311113121770](https://a.siyouyun.ren:30597/d/alist/webPic/image-20250311113121770.png?sign=bL1YYzUVKqSjKDFfunBtrL7HBTlK4WG8ghnnw__C9Bg=:0)
    
    - [金子的AI知识库](https://tffyvtlai4.feishu.cn/wiki/OhQ8wqntFihcI1kWVDlcNdpznFf)（工具与案例库）
    
    - [七小姐的提示词博物馆](https://vxc3hj17dym.feishu.cn/wiki/VDb1wMKDNiNj0mkJn6VcFgRenVc)（模板库）（可以吹一波飞书文档）
    
    - 豆包： https://www.doubao.com/chat/
    
      kimi： https://kimi.moonshot.cn/chat/
    
      问小白： https://www.wenxiaobai.com/
    
      纳米 AI： https://bot.n.cn/
    
      closeAI（api 类）： https://www.closeai-asia.com/
    
      火山引擎（api 类）： https://www.volcengine.com/
    
      硅基流动（api 类）： https://cloud.siliconflow.cn/
    
      IMYAI-GPT: https://new.imyai.top/ ; https://super.imyai.top/chat
    
      cherryStudio（客户端）： https://cherry-ai.com/
    
      chatBox（客户端）： https://chatboxai.app/zh
    
      trae（编程 IDE）： https://traeide.com/或https://www.trae.ai/home
    
    - ![image-20250311112531111](https://a.siyouyun.ren:30597/d/alist/webPic/image-20250311112531111.png?sign=6sS8wMskQsOFR5x1TzVSj4i7grzMeaqG1ENCcfm1n4w=:0)
    
2. **提示词社区构建**
   
    - 提示词版本管理（GitHub 仓库或飞书多维表格）
    - 开源社区平台
      - Hugging Face、ModelScope（ https://www.modelscope.cn/my/overview ），GitHub 等，ollama（国外）
    
    

#### **十一、硬件性能与优化**
在大模型推动各行业变革的当下，2025 年随着技术趋势演进与行业实践深入，下面简单了解其算力部署指南，包括硬件角色、选择策略、模型硬件匹配及微调技术等。 

#### 一、CPU/GPU/NPU 在大模型中的角色对比
1. **训练场景：GPU 主导，NPU 局部突破**
    - **GPU**（如 NVIDIA H 100/A 100）
      - **核心优势**：并行计算能力极强，支持大规模矩阵运算，适配 Transformer 架构的密集计算需求。
      - **典型应用**：千亿参数模型训练（如 GPT - 5、DeepSeek 671 B），需多卡并行（如 8 卡 H 100 集群）。
    - **NPU**（如华为昇腾 910 B、寒武纪 MLU）
      - **适用场景**：端侧/边缘设备轻量级训练（如 10 B 以下模型），能效比优于 GPU，适配智能驾驶、安防等低功耗场景。
2. **推理场景：GPU 主流，NPU 边缘端崛起**
    - **GPU**
      - **优势**：显存带宽高（如 H 100 的 3.35 TB/s），支持多任务并发推理（如同时处理文本生成+图像识别）。
      - **主流配置**：单卡显存≥24 GB（如 A 100 80 GB），适配 70 B 参数模型 FP 16 推理。
    - **NPU**
      - **突破点**：专为 AI 优化，单卡算力达 128 TOPS（如酷芯 NPU），在智能摄像头、手机端大模型（如 3 B 参数）部署中成本优势显著。
3. **CPU 的补充角色**
    - **功能**：数据预处理、任务调度、小模型推理（如 1.5 B 参数模型纯 CPU 运行）。
    - **优化方向**：英特尔至强 Sapphire Rapids 内置 AMX 加速器，推理性能提升 10 倍，适配金融风控等低延迟场景。

#### 二、主流硬件选择：GPU+大内存/显存成标配
1. **GPU 仍是算力核心**
    - **国际厂商**：NVIDIA H 100（FP 8 精度性能翻倍）、AMD MI 300 X（192 GB 显存支持超大规模推理）。
    - **国产替代**：华为昇腾 910 B（适配 DeepSeek R 1）、寒武纪 MLU（互联网大厂测试性能比肩 A 100）。
2. **内存/显存规格要求**
    - **训练端**：千亿级模型：显存≥640 GB（8 卡 H 100 集群） + DDR 5 内存≥2 TB。
    - **推理端**：
      - 7 B 参数模型：FP 16 需 16 - 20 GB 显存，INT 4 量化后仅需 8 GB（如 NVIDIA RTX 4090）。
      - 70 B 参数模型：需多卡并行（如 2×A 100 80 GB）或单卡优化（MI 300 X）。

#### 三、典型推理场景的模型与硬件匹配
| 场景分级       | 模型参数量 | 硬件配置                             | 典型案例                   |
| 
# Thank you Listening

所有资料放在了这个网盘，可以下载： https://a.siyouyun.ren:30597/AI_Share