1.DragGAN官方代码手把手安装部署教程
2.NVIDIA Modulus 23.03安装和使用方法
3.英伟达被黑客攻击，英伟DLSS源代码泄露，达源业务会受影响吗？
4.极智开发 | 解读英伟达软件生态 一切的码下基础CUDA
5.24行代码完成批量缩星
DragGAN官方代码手把手安装部署教程
在StableDiffusion尚未问世的时期，DragGAN是载英生成领域的领头羊。四年前，伟达StyleGAN的程序源码青少年编程发布以其“超高清且逼真”的效果震惊了众人。
当时，下载我的英伟公众号"托尼是塔克"上发布了一系列关于该项目的文章。时光荏苒，达源没想到这个项目还能焕发新生。码下
回到正题，载英今天我将带领大家一步一步完成DragGAN的伟达安装部署。
StyleGAN的程序安装过程繁琐，需要安装VS、下载cudnn、英伟cuda等软件，还要修改代码并配置路径等等。相比之下，DragGAN的环境配置几乎与StyleGAN3完全一致，安装过程自然也不会简单。
我将分享我的安装流程，并记录下来，以供参考。
如果嫌麻烦，也可以下载离线版本，一键运行。
环境配置如下：
操作系统：Win
显卡：RTX
辅助软件： CMD、Git、Conda、VS、cudnn、cuda
显卡是yy隐身工具源码GAN项目的关键硬件，不同尺寸模型所需的显存不同。RTX可完美支持x任务，一般情况下6G显存足以运行这个项目。
关于基础软件的详细安装步骤，可参考我之前关于Stylegan2和 Stylegan3的教程。
现在让我们开始今天的主题：
1. 获取源代码
由于这是一个开源项目，我们首先需要获取源代码。获取源代码有两种方式：命令行或直接下载压缩包。
命令行方式：确保安装了Git工具，然后在CMD中执行如下命令：
切换到E盘或D盘（避免C盘），进入DEV文件夹，获取DragGAN的源代码。
压缩包获取方式：点击Download ZIP下载，然后解压至磁盘，比如E盘DEV文件夹。
解压后，去除文件名中的“-main”。这个main曾用“master”命名，但因不尊重某类人而更改。
2. 创建虚拟环境
这是一个基于Python的项目，为了保证不同项目的独立性，我们将使用Conda创建虚拟环境。
在CMD中输入以下命令，创建并激活虚拟环境。
3. 修改配置文件
DragGAN包含一个Conda依赖文件，可以直接用来创建虚拟环境并安装所有依赖。
然而，这个文件在当前Windows环境下可能存在安装问题，如找不到cudatoolkit=.1。我尝试修改，但其他问题依旧。节日加班转盘源码因此，我自行创建了一个requirements.txt文件，将内容粘贴其中，并放在DragGAN文件夹中，使用pip安装。
4. 下载模型
项目官方提供了一个下载模型的sh脚本，但Windows用户无法直接使用。解决方法是右键打开下载_model.sh文件，获取模型下载地址并下载，解压至DragGAN的checkpoint文件夹，并将模型文件名改为stylegan2_开头。
发现了一个叫download_model.bat的文件，可以一键下载模型。
5. 运行项目
按照上述步骤，我们就可以运行项目了。网络通畅时，一般不会出现问题。运行如下命令启动GUI界面：
在GUI界面上，只需点击“Start”按钮，拖拽狗子脸部，即可生成。GUI动态效果很酷，但菜单较小，有时会崩溃，模型切换也不方便。
启动WebUI，输出网址后，打开即可查看生成的。使用方法包括选择模型、种子、点选位置并拖拽等。php源码后门检查
WebUI版的动态效果不如本地GUI，但最终结果相同。
项目提供了许多高质量模型，如英伟达官方的FFHQx和human模型。生成的可保存，但与真实相比，效果参差不齐。
了解了这些不足，这个项目仍然很有趣，可以可视化StyleGAN的使用，快速接入各种模型。如果有财力，可以自己训练模型。
虽然项目成本高昂，但结果值得期待。至少，它将StyleGAN的使用可视化，为用户提供了丰富的模型选择。
NVIDIA Modulus .安装和使用方法
如果你对NVIDIA的Modulus .版本感兴趣，以下是你需要了解的安装和使用指南。从年开始，Modulus将进行重大更新，建议直接从.版本开始，因为它将成为新开发的基础，旧版本将不再维护，所有功能将迁移至此。 Modulus .开源，可在GitHub获取。新版本主要由两个部分组成：Modulus包和modulus-sym包。sym包整合了大量API接口，以下是称重软件源码下载部分核心模块的导入示例： from modulus.sym.hydra import to_absolute_pathfrom modulus.sym.solver import Solver
from modulus.sym.domain import Domain
...
from modulus.sym.utils.io.plotter import ValidatorPlotter
安装步骤如下：首先，从GitHub下载modulus源代码，确保选择正确的版本，然后构建镜像：
#docker build -t modulus:ci --target ci -f Dockerfile .启动镜像，在其中安装modulus-sym：
#pip install .可能需要额外安装一些依赖，如：
sudo apt-get install libx-6sudo apt install libgl1-mesa-glx
sudo apt-get install libxrender1
完成以上步骤后，你就可以开始编写并运行Modulus .的代码了。对于进一步的技术交流和疑难解答，我们建议加入以下QQ群： 群名称：英伟达Modulus仿真技术交流（PINN）群号：
这里是一个活跃的社区，可以与同行分享经验和解决问题。祝你在使用Modulus .的过程中顺利！英伟达被黑客攻击，DLSS源代码泄露，业务会受影响吗？
黑客帝国再起风云：英伟达遭遇大规模数据窃取</ 据彭博社、每日电讯报和TheVerge权威报道，全球科技巨头英伟达近期遭受了黑客的猛烈攻击。据披露，这家南美黑客组织LAP$声称窃取了超过1TB的独家技术资料，引发了业界的广泛关注。幸运的是，LAP$已备份数据，使得英伟达的反击行动未能得逞。 尽管如此，英伟达在一份针对Hardwarexx德国硬件爱好者网站的声明中坚称，此次事件并未造成业务中断的威胁。他们迅速采取行动，强化网络安全，聘请专家应对，并与执法部门保持紧密合作。尽管存在威胁参与者获取员工凭证和部分专有信息的风险，但英伟达团队正在全力以赴进行调查，以确保信息安全。 值得注意的是，TechPower报道称，黑客已将深度学习超级采样(DLSS)的源代码公之于众，这项技术是英伟达的看家本领，尤其在游戏性能提升方面发挥关键作用。尽管英伟达曾因封闭源代码引发争议，但现在开源技术如FSR和XeSS的竞争加剧。然而，尽管DLSS的源码泄露，但其2.2版本的技术实力仍被公认为行业领先。 编辑观点：</对于内容创作者，我们尊重知识产权，呼吁所有厂商避免非法使用这些技术。对于大学生来说，这是一个了解行业领先技术的好机会，能够丰富学习内容，提升技能储备。尽管面临挑战，但英伟达的安全意识与持续投资表明，他们将继续在技术保护上保持领先地位。 此次事件提醒我们，网络安全是永恒的话题，每个行业参与者都需加强防护。希望大家从中获益，共同维护科技领域的健康发展。极智开发 | 解读英伟达软件生态 一切的基础CUDA
欢迎关注我的公众号 [极智视界]，获取我的更多经验分享
大家好，我是极智视界，本文来介绍一下 解读英伟达软件生态 一切的基础CUDA。
邀您加入我的知识星球「极智视界」，星球内有超多好玩的项目实战源码下载，链接： t.zsxq.com/0aiNxERDq
CUDA，全称为 Compute Unified Device Architecture，是英伟达于 年推出的一个平行计算平台和应用编程接口 API 模型。CUDA 之于英伟达的重要性主要体现在下面几个方面：
所以，解读英伟达软件生态，必须要从 CUDA 说起。虽然 CUDA 再往下还有如 PTX 的指令集加速层级，但是PTX 的普及程度其实并不高，甚至可能很多朋友都没听说过 PTX，其实也算正常，因为基本上的 N 卡开发者，根本没必要接触到 PTX，把 CUDA 学好就足够够的了。
把 CUDA 作为标杆，似乎是很多 AI 芯片厂商 "共同的做法"，比较有代表性的是升腾的 Ascend C、寒武纪的 Bang C，但是其实这几个之间有相似但又有不相似的地方。相似的地方在于不管是升腾还是寒武纪都想提供一套类似 CUDA 的可以充分调用自己 NPU 硬件加速的对外接口，提高客制化的灵活性。不相似的地方一方面在于我们是在学人家，很多接口其实是为了贴近 CUDA 的接口而进行的高级封装，毕竟大部分开发者其实已经形成了 CUDA 的开发习惯，这个时候让大家切换起来更加顺手的做法就是 "模仿"，而要做这种程度的 "模仿" 势必要协调好硬件架构和软件接口的映射；不相似的另外一方面体现在软件生态的层次清晰度，这个拿升腾来专门说，升腾 Ascend C 的发布时间在 年 5 月 6 日，而反观英伟达 CUDA 的发布时间是 年。什么意思呢，很明显可以看到英伟达的软件生态是以 CUDA 为基础然后层层往上叠的，而升腾是先有了 CANN，先有了 MindSpore 这些 "高层建筑"，然后往下才有了 Ascend C，这种软件生态的层次结构就没有那么清晰，当然这种说法也只是基于时间上的，这并不影响它在空间上还是具备不错的软件生态层次结构。
再回到 CUDA 本身，需要清楚的一点是，CUDA 其实一开始主要是面向优化计算密集型计算 (Compute-Bound)，因为不管是最开始的通用科学计算还是后来的以 CNN 为主流的深度学习计算都是计算密集型，但是后来 Transformer 又逐渐流行，所以 CUDA 也是不断在 "与时俱进" 在做平衡、做兼顾，比如在 A 开始，CUDA 新增了从 L1 Cache 到 HBM Global Memory 数据直接异步拷贝的指令，其实也是在丰富自身对于访存密集型计算 (Memory-Bound) 的优化。
我之前写过挺多关于 CUDA 的分享，罗列一些，
CUDA 是一种硬件强相关的编程模型，要掌握好 CUDA，需要先看懂 GPU 硬件架构，从而映射到 CUDA 内存模型、线程模型上，这点跟 C 语言、跟 C++ 这类 "高级" 编程语言就很不一样，所以很多朋友会觉得 CUDA C 比较难写，特别是要写出高性能的 CUDA C，比较难。确实，这是事实，特别是对于写出高性能的 CUDA C，会涉及资源的高效调度，比如 Shared Memory、L1 Cache 等的调度；会涉及适应硬件架构超参的配置，比如 Thread、Block、Grid 等的配置。
总之，对于 CUDA 的深入学习，是一门 "稳挣不亏" 的 "买卖"，原因不再过多赘述，主要体现在它的重要性上。
好了，以上分享了 解读英伟达软件生态 一切的基础CUDA，希望我的分享能对你的学习有一点帮助。
公众号传送
行代码完成批量缩星
在星空摄影中，处理大量照片以制作延时视频时，缩星成为了一项挑战。手动在PS中逐一操作或自编图像处理动作，耗时且效率低。本文提供了一种编程解决方案，利用免费工具starnet++ V2批量处理，实现快速批量缩星。
starnet++ V2能有效去除TIFF格式中的星星，只需调用程序即可实现批量操作。对于配备英伟达GPU的电脑，通过CUDA接口加速处理，可显著提升效率，显卡下速度提升可达5至6倍。
在使用代码前，请确保已下载并安装starnet++ V2（官网下载window 位版本），并将其放置于C盘特定目录。
附源代码（代码由AI自动生成），以下为使用方法概述：
首先将包含照片的文件夹命名为output，然后运行脚本nostar.py。脚本将自动处理output文件夹中的所有TIFF文件，将去星后的保存到output/starless目录下，无需人工干预。
处理效果显著，TIFF格式大小约为M，去星过程大约需要2分钟，此阶段主要利用CPU资源。若拥有英伟达显卡，可参考专门网页了解GPU加速方法。
最终成果如下，显示批量处理后的效果。
使用本文提供的方法，星空照片的缩星效率得到极大提升，尤其对处理大量时尤为明显。通过合理利用GPU资源，进一步加速了处理过程，提高了工作效率。值得注意的是，英伟达的CUDA库体积庞大，可能需要手动下载某些dll文件，以确保程序正常运行。
