原文链接在这里 http://dev.cra0kalo.com/?p=213 背景信息 Intel的GPA本身是一款图形分析软件,并没有设计从3D程序里抓取模型资源的功能,但这里作者是通过hook GPA应用,让他可以把捕捉到的顶点缓冲和索引缓冲. Intel GPA 64位的下载链接 http://registrationcenter-download.intel.com/akdlm/irc_nas/4674/gpa_14.3_release_231370_windows_x64.msi In

原文链接在这里 http://dev.cra0kalo.com/?p=213 背景信息 Intel的GPA本身是一款图形分析软件,并没有设计从3D程序里抓取模型资源的功能,但这里作者是通过hook GPA应用,让他可以把捕捉到的顶点缓冲和索引缓冲. Intel GPA 64位的下载链接 http://registrationcenter-download.intel.com/akdlm/irc_nas/4674/gpa_14.3_release_231370_windows_x64.msi In

1,mysql数据库导出模型到powerdesigner 2,CRL+Shift+X 3,复制以下内容,执行 '******************************************************************************'* File:     comment2name.vbs'* Purpose:  在PowerDesigner的PDM图形窗口中显示数据列的中文注释'* Title:    将字段的comment赋值到字段的name中'* Cat

产品环境模型部署,创建简单Web APP,用户上传图像,运行Inception模型,实现图像自动分类. 搭建TensorFlow服务开发环境.安装Docker,https://docs.docker.com/engine/installation/ .用配置文件在本地创建Docker镜像,docker build --pull -t $USER/tensorflow-serving-devel https://raw.githubusercontent.com/tensorflow/servin

又一次PERF暗黑三...只有GPA帮到了我. Intel GPA是一个用于测试产品性能和质量的工具.使用这个工具可以运行在游戏或3D应用程序中用来看看它们是如何工作的,其优势性的一点是,有了Auto-detect launched applications这个选项,使用launcher启动的游戏也可以搞得定,例如暗黑三,飞车,伟大的舞蹈游戏等,这点比perfhud和pix加分太多了. 不过针对这一点儿,我在最新版本的GPA中没有发现类似的选项设置,所以我依然使用的早期的GPA版本,好用! 另一

revit软件可以导出模型数据到sqlserver数据库,有时候,为了对模型做数据分析,需要导出模型的数据,下面总结一下导出过程: 首先在sqlserver中建立一个数据库,如:revit_wujinqian 第一步:revit点击  导出—ODBC数据库 第二步:机器数据源—新建 第三步:用户数据源(选择系统数据源也可)——下一步 第四步:SQL Server Native Client 11.0(10.0也可,我这里是revit2017,所以选择了11.0) —下一步 第五步:完成 第六步:

环境:Win10,Intel GPA 2019R2,Nox(夜神模拟器)6.2.8.3 记录下注意的事项 1. 夜神模拟器下载地址建议 : https://www.bignox.com/ 2. 先运行Nox,在设置中将显卡渲染模式改成DirectX并保存.(确保在GPA的浮动框显示的API是DX) 3. 打开GraphicsMonitor,在下方选择Nox程序的位置,然后打开设置面板,将Auto-detect launched applications切换为On.然后点击右下按钮运行Nox.Au

英特尔图形性能分析器概述 英特尔 GPA 是一套软件工具,它能提供平台级游戏性能分析功能,优化应用性能. 英特尔 GPA 包含以下组件: 英特尔 GPA 监控器 - 将英特尔 GPA 连接至应用(处于本地或远程电脑上),以便配置 HUD 模式和键盘快捷键. 英特尔 GPA 系统分析器 HUD(平视显示系统) - 实时显示应用性能指标,位于 Microsoft DirectX* 应用之上.该工具有助于了解显卡应用的高等级性能配置,以便判断应用会占用大量 CPU 资源还是大量 GPU 资源.如果应用

python的易上手和pytorch的动态图特性,使得pytorch在学术研究中越来越受欢迎,但在生产环境,碍于python的GIL等特性,可能达不到高并发.低延迟的要求,存在需要用c++接口的情况.除了将模型导出为ONNX外,pytorch1.0给出了新的解决方案:pytorch 训练模型 - 通过torch script中间脚本保存模型 -- C++加载模型.最近工作需要尝试做了转换,总结一下步骤和遇到的坑. 用torch script把torch模型转成c++接口可读的模型有两种方式:tr

首先,需要做好如下的准备工作:1. 安装一个完整版本的3D MAX与Visual Stdio.我安装的是3D MAX 2012,最好是找一个完整的版本,因为完整的版本中有很多的学习资料与sdk供学习,很省事.3D MAX的二次开发对VS的要求是有一个对应关系的,在SDK文档中可以找到,3D MAX 2012对应的VS开发版本应该是VS 2010,确保电脑上已经安装了VS 2010,我用的是vs2012,不过一样.2.定制3D MAX plug-in向导.a.找到安装目录的3dsmaxPlugin

不论unity是否运行,到处其中的模型方法: 1.如下图建立相关文件目录,并建立如下脚本 2.脚本代码 using UnityEngine; using UnityEditor; using System.Collections; using System.IO; using System.Text; public class ObjExporterScript { ; public static void Start() { StartIndex = ; } public static voi

1.启动PowerDesigner2.菜单:File->ReverseEngineer->Database出来NewPhysicalDataModel对话框,DBMS选择ORACLEVersion10g选项,其他可以选择默认值 点击“确定”按钮,弹出DatabaseReverseEngineeringOptions对话框: 2.在此我们选择Usingadatasource,点击数据源按钮弹出ConnectiontoaDataSource对话框,DataSource栏选中第三个Connectio

第一步:Database-->Edit Current DBMS 第二步: 然后分别将 Script-->Objects-->Table-->TableComment Script-->Objects-->Column-->ColumnComment 修改成 comment on table [%QUALIFIER%]%TABLE% is %.60qA:COMMENT% comment on column [%QUALIFIER%]%TABLE%.%COLUMN%

Shift+T快捷键打开“资源跟踪”窗口

python export_inference_graph.py --input_type image_tensor --pipeline_config_path ssd_mobilenet_v1_coco.config --trained_checkpoint_prefix model.ckpt-134 // 注意这里是前缀 ,不是完整文件名.eg: model.ckpt-101.data-00000-of-00001 这里只需要 model.ckpt-101--output_director

生产与学术 写于 2019-01-08 的旧文, 当时是针对一个比赛的探索. 觉得可能对其他人有用, 就放出来分享一下 生产与学术, 真实的对立... 这是我这两天对pytorch深度学习->android实际使用的这个流程的一个切身感受. 说句实在的, 对于模型转换的探索, 算是我这两天最大的收获了... 全部浓缩在了这里: https://github.com/lartpang/DHSNet-PyTorch/blob/master/converter.ipynb 鉴于github加载ipyn

原文:利用PowerDesigner逆向工程导出PDM模型及生成文档 最近需要对老项目进行重构优化,由于项目都是好几年前的,相关设计资料很不全,最基本的数据库设计文档都没有,只能利用PowerDesigner逆向工程导出PDM模型及生成word文档:以下简单介绍导出模型操作步骤(以下演示操作是从SQL Server中导出) 第一步:  先打开 PowerDesigner 点击右上角文件按钮 第二步点击建立新模型,弹出new model对话框-点击physical Data Model 建立模型

NVIDIA GPUs上深度学习推荐模型的优化 Optimizing the Deep Learning Recommendation Model on NVIDIA GPUs 推荐系统帮助人在成倍增长的选项中找到想要的东西.是在许多在线平台上推动用户参与的关键组件. 随着工业数据集规模的迅速增长,利用大量训练数据的深度学习推荐模型(deep learning,DL)已经开始显示出其相对于传统方法的优势.现有的基于DL的推荐系统模型包括广度和深度模型.深度学习推荐模型(DLRM).神经协同滤波(

说明 最近接了一个任务,就是做一个列表的Excel导出功能.并且有很多页面都会使用这个功能. 导出的Excel大体格式如图 很简单的列表,标题加背景色,然后不同类型,显示方式不一样.对齐方式不一样.不同页面除了内容以外,大体形式都差不多. 当时本来是想直接用NPOI,IRow ICell.这样进行拼接页面,最简单也最方便. 但是很多页面,都进行这种类似的设计.我实在是懒得做这种重复功能.所以花了一点时间,整理了一下帮助类. 使用 做好这个帮助类以后只要进行两点调用 1.制作导出Excel的数据模

之前写了一个模型导出Excel通用类,但是在实际应用中,可能不是直接导出模型,而是通过Linq查询后获取到最终结果再导出 通用类: public enum DataTypeEnum { Int = , Float = , Double = , String = , DateTime = , Date = } public class ExportFieldInfo { /// <summary> /// 字段名,用于反射获取值 /// </summary> public strin