[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-openhackathons-org--gpubootcamp":3,"tool-openhackathons-org--gpubootcamp":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":120,"forks":121,"last_commit_at":122,"license":123,"difficulty_score":124,"env_os":75,"env_gpu":125,"env_ram":125,"env_deps":126,"category_tags":129,"github_topics":131,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":144,"updated_at":145,"faqs":146,"releases":182},5353,"openhackathons-org\u002Fgpubootcamp","gpubootcamp","This repository consists for gpu bootcamp material for HPC and AI","gpubootcamp 是一套专为高性能计算（HPC）和人工智能（AI）领域设计的开源培训资料库。它的核心目标是帮助开发者建立对加速计算的信心，掌握利用 GPU 提升程序性能的关键技能，从而为参加各类 GPU 黑客松活动做好充分准备。\n\n在 AI 模型训练和科学计算日益依赖算力的今天，许多开发者面临如何高效利用 GPU 资源的挑战。gpubootcamp 通过系统化的教程和实战材料，填补了从理论基础到实际动手操作之间的空白，解决了初学者入门难、进阶无路径的问题。内容涵盖了 HPC 与 AI 的独立应用以及两者的融合场景，帮助用户理解并行计算原理及优化技巧。\n\n这套资料非常适合希望深入底层算力优化的软件工程师、科研人员以及计算机相关专业的学生。如果你正在从事深度学习模型训练或大规模科学模拟，并渴望挖掘硬件潜能，这里的内容将为你提供坚实的技术支撑。虽然该项目目前已停止维护并迁移至新的 OpenHackathons 组织下，但其积累的经典教材依然具有重要的学习价值，是进入加速计算领域的优质敲门砖。","[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0) [![GitHub release (latest by date including pre-releases)](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fgpuhackathons-org\u002Fgpubootcamp?include_prereleases)](https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp\u002Freleases\u002Flatest) [![GitHub issues](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fgpuhackathons-org\u002Fgpubootcamp)](https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp\u002Fissues)\n\n\u003Cspan style=\"color: green\"> Please note this repository is deprecated and no longer maintained. Please refer to the new repositories under OpenHackathons\u003C\u002Fspan> [here](https:\u002F\u002Fgithub.com\u002Fopenhackathons-org)\n\n#  GPUBootcamp Training Materials\n\nGPU Bootcamps are designed to help build confidence in Accelerated Computing and eventually prepare developers to enroll for [Hackathons](http:\u002F\u002Fgpuhackathons.org\u002F)\n\nThis repository consists of GPU bootcamp material for HPC, AI and convergence of both:\n\n# Contribution\n- The repository uses Apache 2.0 license. For more details on folder structure developers may refer to CONTRIBUTING.md file.\n\n## Authors and Acknowledgment\n\nSee [Contributors](https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp\u002Fgraphs\u002Fcontributors) for a list of contributors towards this Bootcamp.\n\n## Join OpenACC Community\nPlease join [OpenACC Slack Channel](https:\u002F\u002Fopenacclang.slack.com\u002Fmessages\u002Fopenaccusergroup).\n","[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0) [![GitHub 发布（按日期排序，包含预发布版本）](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fgpuhackathons-org\u002Fgpubootcamp?include_prereleases)](https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp\u002Freleases\u002Flatest) [![GitHub 问题数](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fgpuhackathons-org\u002Fgpubootcamp)](https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp\u002Fissues)\n\n\u003Cspan style=\"color: green\">请注意，此仓库已弃用且不再维护。请参阅 OpenHackathons 下的新仓库\u003C\u002Fspan> [这里](https:\u002F\u002Fgithub.com\u002Fopenhackathons-org)\n\n# GPU训练营培训资料\n\nGPU训练营旨在帮助参与者建立对加速计算的信心，并最终为开发者参加 [黑客马拉松](http:\u002F\u002Fgpuhackathons.org\u002F) 做好准备。\n\n本仓库包含用于 HPC、AI 以及两者的融合领域的 GPU 训练营材料：\n\n# 贡献\n- 本仓库采用 Apache 2.0 许可证。有关文件夹结构的更多详细信息，开发者可参考 CONTRIBUTING.md 文件。\n\n## 作者与致谢\n有关本训练营的贡献者列表，请参阅 [贡献者](https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp\u002Fgraphs\u002Fcontributors)。\n\n## 加入 OpenACC 社区\n请加入 [OpenACC Slack 频道](https:\u002F\u002Fopenacclang.slack.com\u002Fmessages\u002Fopenaccusergroup)。","# GPUBootcamp 快速上手指南\n\n> **⚠️ 重要提示**：本仓库（`gpuhackathons-org\u002Fgpubootcamp`）已**弃用并停止维护**。官方建议开发者迁移至新的 [OpenHackathons](https:\u002F\u002Fgithub.com\u002Fopenhackathons-org) 组织下的相关仓库获取最新培训材料。以下内容仅作为历史参考或用于访问现有存档资料。\n\nGPUBootcamp 旨在帮助开发者建立加速计算（Accelerated Computing）的信心，并为参加 GPU 黑客松（Hackathons）做准备。材料涵盖高性能计算（HPC）、人工智能（AI）及其融合领域。\n\n## 1. 环境准备\n\n由于本项目主要为培训材料和代码示例集合，而非单一的可执行软件包，因此对环境的要求取决于您具体想要运行的示例代码（如 CUDA、OpenACC、PyTorch 等）。\n\n*   **操作系统**：推荐 Linux (Ubuntu 20.04\u002F22.04, CentOS 7+) 或 macOS。Windows 用户建议使用 WSL2。\n*   **硬件要求**：\n    *   若要实际运行加速代码，需要配备 NVIDIA GPU 的设备。\n    *   若仅阅读文档或运行 CPU 模拟部分，普通开发机即可。\n*   **前置依赖**（根据具体模块可能需要）：\n    *   **NVIDIA Driver**: 版本需与目标 CUDA 版本匹配。\n    *   **CUDA Toolkit**: 建议安装最新版或示例代码指定的版本。\n    *   **编译器**: `gcc`, `g++`, 或支持 OpenACC 的编译器 (如 NVHPC)。\n    *   **Python**: 3.8+ (针对 AI 相关示例)，建议配合 `conda` 或 `venv` 使用。\n    *   **Git**: 用于克隆仓库。\n\n## 2. 安装步骤\n\n本项目通过 Git 克隆获取，无需复杂的编译安装过程。\n\n### 步骤 1: 克隆仓库\n打开终端，执行以下命令获取材料：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgpuhackathons-org\u002Fgpubootcamp.git\ncd gpubootcamp\n```\n\n*(注：由于仓库已弃用，若下载速度慢，可尝试手动下载 ZIP 包或使用国内 Git 镜像代理，但官方未提供特定的中国镜像源。)*\n\n### 步骤 2: 查看目录结构\n进入目录后，请参考 `CONTRIBUTING.md` 了解文件夹结构。通常包含针对不同主题的子目录，例如：\n*   `hpc\u002F`: 高性能计算示例\n*   `ai\u002F`: 人工智能示例\n*   `convergence\u002F`: HPC 与 AI 融合示例\n\n### 步骤 3: 配置特定示例环境\n不同的示例可能需要不同的 Python 库或编译器标志。请进入具体子目录，查看该目录下的 `README.md` 或 `requirements.txt`。\n\n例如，对于包含 Python 依赖的 AI 示例：\n```bash\ncd ai\u002Fspecific_example_folder\npip install -r requirements.txt\n```\n\n## 3. 基本使用\n\n本项目的核心是“学习”而非“运行工具”。使用流程通常为：阅读教程 -> 分析代码 -> 编译\u002F运行示例 -> 修改优化。\n\n### 最简单的使用示例\n\n假设您想学习一个基础的 CUDA 或 OpenACC 示例（以伪代码路径为例）：\n\n1.  **定位示例**：\n    找到包含源代码的目录，例如 `hpc\u002Fintro-to-cuda`。\n\n2.  **阅读指南**：\n    先阅读该目录下的说明文档，了解算法逻辑和优化目标。\n\n3.  **编译代码**（以 CUDA 为例）：\n    ```bash\n    nvcc -o vector_add vector_add.cu\n    ```\n    或者对于 OpenACC 示例（需安装 NVHPC）：\n    ```bash\n    nvc -acc -ta=tesla vector_add.c -o vector_add\n    ```\n\n4.  **运行程序**：\n    ```bash\n    .\u002Fvector_add\n    ```\n\n5.  **实践练习**：\n    根据 Bootcamp 的指导，尝试修改代码中的并行块大小（Block Size）或网格大小（Grid Size），观察性能变化。\n\n---\n**后续建议**：\n为了获得持续更新的技术栈支持和活跃的社区交流，请务必访问 [OpenHackathons GitHub 组织](https:\u002F\u002Fgithub.com\u002Fopenhackathons-org) 查找最新的替代项目，并加入 [OpenACC Slack 频道](https:\u002F\u002Fopenacclang.slack.com\u002Fmessages\u002Fopenaccusergroup) 参与讨论。","某高校超算中心的研究团队正试图将传统流体力学代码迁移至 GPU 平台，以加速气候模拟实验，但团队成员普遍缺乏异构计算实战经验。\n\n### 没有 gpubootcamp 时\n- 学习路径支离破碎，开发者需在海量文档中自行摸索 CUDA、OpenACC 等技术的入门资料，耗时数周仍难构建系统认知。\n- 理论与实践严重脱节，仅阅读官方手册无法理解如何在真实 HPC 环境中调试性能瓶颈，导致代码移植后加速比极低。\n- 缺乏通往高阶实践的桥梁，团队不清楚如何从基础训练过渡到实际的 GPU Hackathon 竞赛或生产级项目，试错成本高昂。\n- 社区支持分散，遇到特定架构优化问题时难以找到针对性的案例参考，往往陷入长时间的孤立排查。\n\n### 使用 gpubootcamp 后\n- 获得体系化的培训材料，gpubootcamp 提供了涵盖 HPC 与 AI 收敛场景的结构化课程，帮助团队在一周内建立起完整的加速计算知识框架。\n- 通过实战导向的练习，成员直接利用仓库中的示例代码进行性能分析与调优演练，迅速掌握了提升核函数效率的关键技巧。\n- 明确了进阶路线，gpubootcamp 作为预备营，无缝引导团队报名参加 GPU Hackathons，在专家指导下完成了从学习到产出的闭环。\n- 融入活跃的技术社群，借助其关联的 OpenACC 社区渠道，团队能快速获取同类问题的解决方案，显著缩短了研发周期。\n\ngpubootcamp 的核心价值在于它将零散的异构计算知识转化为可执行的成长路径，让开发者从“望而却步”快速转变为“自信实战”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopenhackathons-org_gpubootcamp_f86e2367.png","openhackathons-org","OpenHackathons.org","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopenhackathons-org_a35ffe28.jpg","",null,"info@openhackathons.org","https:\u002F\u002Fwww.openhackathons.org\u002F","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org",[81,85,89,93,97,101,105,109,113,117],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",37.1,{"name":86,"color":87,"percentage":88},"C","#555555",23.2,{"name":90,"color":91,"percentage":92},"Python","#3572A5",17.3,{"name":94,"color":95,"percentage":96},"C++","#f34b7d",12,{"name":98,"color":99,"percentage":100},"Fortran","#4d41b1",5.4,{"name":102,"color":103,"percentage":104},"Cuda","#3A4E3A",3.8,{"name":106,"color":107,"percentage":108},"Shell","#89e051",0.5,{"name":110,"color":111,"percentage":112},"Makefile","#427819",0.4,{"name":114,"color":115,"percentage":116},"Dockerfile","#384d54",0.2,{"name":118,"color":119,"percentage":116},"Singularity","#64E6AD",545,255,"2026-03-20T01:11:36","Apache-2.0",5,"未说明",{"notes":127,"python":125,"dependencies":128},"该仓库已弃用且不再维护。作者建议用户转向 OpenHackathons 组织下的新仓库获取最新的 GPU Bootcamp 培训材料。",[],[14,130,52,16],"其他",[132,133,134,135,136,137,138,139,140,141,142,143],"machine-learning","deep-learning","data-science","gpu","cuda","openacc","mpi","hpc","deepstream","rapidsai","openmp","ai4hpc","2026-03-27T02:49:30.150509","2026-04-08T12:11:45.075654",[147,152,157,162,167,172,177],{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},24280,"运行文本预处理 Notebook 时遇到 pandas 版本报错怎么办？","该错误通常由 pandas 版本不兼容引起。在 pandas >= 1.4 版本中，设置选项的命令已变更。请将代码中的 `pd.set_option(\"max_columns\", None)` 更新为 `pd.set_option(\"display.max_columns\", None)`。或者，也可以在 Dockerfile 中显式指定安装 pandas 1.3.5 版本以确保兼容性。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F111",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},24281,"使用 Singularity 构建 hpc_ai 镜像时提示找不到 'English\u002F*' 文件如何解决？","此错误通常是因为构建目录路径不正确导致的。请确保先克隆整个仓库，然后进入正确的子目录再执行构建命令。正确的操作步骤如下：\n1. `git clone https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp.git`\n2. `cd gpubootcamp\u002Fhpc_ai\u002Fai_science_climate`\n3. `singularity build ai.simg Singularity`\n同时，建议预先设置好缓存和临时目录环境变量：`SINGULARITY_CACHEDIR` 和 `SINGULARITY_TMPDIR`。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F109",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},24282,"在集群环境中部署多个学生容器时出现端口 8888 冲突怎么办？","当在同一集群上托管多个工作坊容器时，默认端口 8888 会发生冲突。组织者需要为每位学生分配不同的端口号。建议在启动容器时通过参数映射不同的主机端口到容器内的 8888 端口。此外，项目已在 README 的“通用故障排除”部分添加了相关说明，并计划增加关于多租户环境使用的详细指南。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F12",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},24283,"在 CUDA Notebook 中运行 `make clean` 误删了 .cu 源文件怎么办？","这是一个已知的 Makefile 配置问题，原有的清理命令错误地包含了 `.cu` 文件。目前的解决方案是查看 Makefile 中的提示信息，用户需要手动修改 Makefile，从 `rm -f` 命令的文件列表中移除 `.cu` 后缀的文件名（如 `cfd.cu`, `jacobi.cu` 等），以防止源文件被误删。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F93",{"id":168,"question_zh":169,"answer_zh":170,"source_url":171},24284,"Nways-Python 容器中的 Nsight 工具版本过旧，如何获取最新版本？","旧的 Nways-Python 容器基于 CUDA 11.2 且安装了过时的 Nsight 版本。建议直接使用基于 CUDA 11.2 或更高版本的官方基础镜像，因为 CUDA 11.2  toolkit 本身已包含较新的 Nsight Systems (2021.3) 和 Nsight Compute (2021.2)。无需单独安装旧版工具，应移除容器中手动安装的旧版 nsight-systems-2020.5.1 和 nsight-compute-2020.2.1。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F81",{"id":173,"question_zh":174,"answer_zh":175,"source_url":176},24285,"如何在 HPC N-Ways 教程中使用 Python (CuPy\u002FNumba) 进行开发？","项目已支持在 HPC N-Ways 教程中使用 Python。目前已实现了基于 CuPy 和 Numba 的 N-Ways 分子动力学 (MD) 示例。用户可以通过拉取最新的代码库，在相应的 HPC\u002FNways 目录下找到包含 CUDA、OpenACC、OpenMP 以及 Python (CuPy\u002FNumba) 实现的教学材料和练习。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F13",{"id":178,"question_zh":179,"answer_zh":180,"source_url":181},24286,"如何使用 Nsight Compute 对 OpenACC 和 OpenMP 代码进行优化分析？","项目已更新了 N-Ways 实验材料，增加了使用 Nsight Compute 对 OpenACC 和 OpenMP 代码进行优化的具体内容。相关的 Pull Request (#63) 已合并，用户可以查阅更新后的 Notebook 或文档，其中包含了针对不同并行标准的具体优化技术和分析步骤。","https:\u002F\u002Fgithub.com\u002Fopenhackathons-org\u002Fgpubootcamp\u002Fissues\u002F17",[183],{"id":184,"version":185,"summary_zh":186,"released_at":187},149842,"v-0.1-openacc","该发布包含训练营材料，主要聚焦于：\n1) OpenACC 以及如何使用 Nvidia Nsight 性能分析工具来优化应用程序。\n2) 同时还包含与在 CFD 和气候模拟等科学\u002F高性能计算场景中应用人工智能、机器学习和深度学习相关的实验环节。","2021-02-05T10:17:27"]