前面已经介绍过Win10和Ubuntu14.04安装Python2.7+Theano0.7+Cuda7.5的方法。本文把最后的Mac系统也搞定了。总体过程比较顺利，中间有些小Trick，都一一解决了。
本文假设你已经安装好了xcode和cuda7.5 sdk（一个从应用商店装，一个从Nvidia官网下dmg装）。
1. 下载安装pip
下载pip-8.1.2.tar.gz，解压后运行
sudo chmod a+x setup.py
sudo ./setup.py install
作者归档：TomHeaven
浅谈图象的全变分和去噪
全变分（Total variation），也称为全变差，是图象复原中常用的一个名词。本文简要介绍全变分的概念以及在图象去噪中的应用。
一维信号的全变分和去噪
一维连续函数的全变分
一维连续实函数f(x)在区间[a, b] \subset R上的全变分定义为参数曲线x \rightarrow f(x), x \in [a,b]的弧长。其表达式为
V_a^b(f) = \int_a^b |f'(x)|dx说白了，所谓的“变分”就是|f(x+\Delta x) - f(x)|，对于连续函数\Delta x \rightarrow 0。而全变分是对函数定义的区间而言的，就是将“变分”在区间上累加起来。
入门级CUDA程序调试的通用方法——可用于Matlab的MexCuda
Matlab是学术界和业界公认的高级编程语言，其优点在于编程复杂度低，缺点在于for循环的效率极低。为了利用Matlab已有的算法，降低编程复杂度，同时解决for循环效率低的问题，Matlab引入了Mex机制，使得Matlab可以调用C++编写的函数。CUDA是Nvidia推出的并行计算框架，基本遵循了C++语法规则。于是乎出现了Matlab调用CUDA的方法，称之为“MexCuda”。本文就Mex CUDA程序的调试方法简单介绍下经验。
1. CUDA入门——vectorAdd
最简单的CUDA程序莫过于“vectorAdd.cu"，即向量的加法。下面给出了一个向量加法的简单例子：
继续阅读
计算机视觉、计算机图形学、图像处理的区别和联系
搞了CV一段时间，仍时不时因为概念问题而困惑，搞不清楚计算机视觉(Computer Vision)，计算机图形学(Computer Graphics)和图像处理(Image Processing)的区别和联系。在知乎上看到了一个帖子，觉得解释的很好，结合自己的理解，形成此文存档。
1.基本概念
从定义理解概念是最严谨的。所以首先搞清楚维基百科中这些概念的定义。
计算机视觉(CV)：
Computer vision is a field that includes methods for acquiring, processing, analyzing, and understanding images and, in general, high-dimensional data from the real world in order to produce numerical or symbolic information, e.g., in the forms of decisions.[1]
直译过来就是
计算机视觉是一个学科/领域，它包括获取、处理、分析和理解图像或者更一般意义的真实世界的高维数据的方法；它的目的是产生决策形式的数字或者符号信息。
Win10编译OpenCV2.4.9+CUDA7.5的方法
最近开始对视频处理代码做CUDA优化，考虑将OpenCV2.4.9的代码增加GPU版本的实现。经过简单尝试之后发现需要自己重新编译OpenCV。过程中有一些小Trick，在此记录下来。
1.需要准备的软件环境
需要准备的软件环境如下：
| 软件 | 版本 |
|---|---|
| 操作系统 | Windows 10 x64 |
| Visual Studio | 2013 |
| CUDA | 7.5 |
| OpenCV | 2.4.9 |
| CMake | 3.0.2 |
其中操作系统、VS、CUDA、Cmake的版本不一定非得如表中，确保VS+CUDA是可以正常编译运行CUDA Samples程序即可。OpenCV的版本则一定是2.4.9，其他版本没有测试，虽然编译步骤大致相同，但是可以有一些需要自己解决的小问题。
2.编译
(1)首先解压OpenCV2.4.9.exe到一个目录，我的是E:\libraries。修改源码文件
E:\libraries\opencv\sources\modules\gpu\src\nvidia\core\NCV.cu
添加 一个#include如下:
#include
#include
#include
#include //手动添加
#include "NCV.hpp"
不添加此#include编译GPU模块时会出现max函数找不到的错误。编译GPU模块耗时2个小时左右，出错得全部重新来，所以建议第一步改这里。
(2)打开Cmake-GUI，设置好源代码目录E:/libraries/opencv/sources和目标目录E:/libraries/opencv/build/cuda。目标目录需要手动创建。
之后点击"Configure"按钮，会要求你选择编译器，我选了VS2013x64，也就是说编译64位的opencv。一会儿之后信息栏就会出现“Configure Done"。然后根据需要可以选择一些模块，其中如果你的CUDA安装好了WITH_CUDA选项默认是勾选上的，默认没有勾选上的话请检查CUDA是否能正常工作。
接下来一个必不可少的步骤是设置CUDA_GENREATION选项，这个选项默认是留空的，需要根据你的显卡架构来设置。可以在网上查询你显卡的架构，我的GTX 870m是Kelper架构的，因此选择Kelper。注意不要选”Auto“，否则编译时会出现“架构不匹配：compute_11”之类的错误。
另外CUDA_ARCH_BIN选项是CUDA执行版本，一般保留一两个最新的就可以。过多的版本可以导致编译GPU模块时非常慢。
然后点击"Generate"，会在目标目录生成一个OpenCV.sln的VS项目。
(3)打开OpenCV.sln，解决方案配置选择“Release”（默认是“DEBUG”），直接编译。大多数模块会在20分钟之内编译完毕。最后是GPU模块，这个模块的编译时间在两个小时左右，编译出的dll文件有128MB左右。如果做了前面所说的修改和选项设置，编译过程应该没有错误。
(4)将编译好的lib和dll文件覆盖OpenCV build目录下VS12 x64对应的文件（覆盖前最好对原文件备份）。然后你的OpenCV可以正常使用GpuMat等GPU数据结构和函数了。
3.注意事项
(1)注意2(1)中的源码修改和2(2)中的CUDA_GENERATION选项设置；
(2)编译GPU模块在我的鲁大师19万分的电脑上耗时2个小时左右，需要耐心。