JOCL 技术文档
本文档旨在帮助用户了解和使用 JOCL(Java Bindings for OpenCL)项目。以下是关于安装、使用以及项目 API 的详细说明。
1. 安装指南
Maven 坐标
JOCL 在 Maven Central 上可用,使用以下坐标进行依赖添加:
<dependency>
<groupId>org.jocl</groupId>
<artifactId>jocl</artifactId>
<version>2.0.4</version>
</dependency>
构建步骤
-
创建一个本地工作目录,例如
C:\JOCLRoot,并将所需仓库克隆到该目录:git clone https://github.com/gpu/JOCL.git git clone https://github.com/gpu/JOCLCommon.git -
构建原生库 使用 CMake 和任何兼容的目标编译器(例如 Visual Studio 或 GCC)构建 JOCL 的原生库:
- 启动
cmake-gui - 设置包含
JOCL项目源码的目录,例如C:\JOCLRoot\JOCL - 设置构建文件的目录:例如
C:\JOCLRoot\JOCL.build - 点击 "Configure"(并选择合适的编译器)
- 点击 "Generate"
然后,
C:\JOCLRoot\JOCL.build将包含构建文件,例如 GCC makefiles 或 Visual Studio 项目文件。使用这些 makefiles 编译项目将把二进制文件放置到项目的nativeLibraries子目录中,例如C:\JOCLRoot\JOCL\nativeLibraries。 - 启动
-
构建和打包外部原生库依赖 JOCL 本身没有外部依赖,除了运行时依赖 OpenCL 实现。如果仅需编译 JOCL,可以跳过此部分。
对于如 JOCLBLAS 和 JOCLBlast 等库,它们需要安装外部库(clBLAS 和 CLBlast)。按照相应文档编译并安装这些外部库后,将头文件和库文件路径填入 CMake GUI 中的
CLBLAST_INSTALL_DIR和CLBlast_LIBRARY。之后,按照上述 构建原生库 部分说明编译 JOCLBlast。
-
构建Java库 原生库构建完成后,切换到
JOCL目录并执行以下命令:mvn clean install这将编译 Java 库,运行单元测试,并将类文件(包括原生库)、源代码和 JavaDocs 打包成 JAR 文件,最终将所有库放置在
C:\JOCLRoot\JOCL\target目录中。 -
为 Android 构建库 编译 Android 的原生代码较为繁琐,因此使用 android-cmake 以简化流程。首先安装 android-cmake 工具链文件到 cmake 模块路径。然后在
JOCL目录下创建构建目录,并使用以下命令配置构建:cmake -DCMAKE_TOOLCHAIN_FILE=android.toolchain \ -DANDROID_ABI=armeabi-v7a \ -DANDROID_NATIVE_API_LEVEL=21 \ -DCMAKE_BUILD_TYPE=Release \ ..最后,在构建最终的 .jar 文件时,避免运行本地测试:
mvn clean install -DskipTests -
在虚拟机中构建 JOCL for Linux 可以在虚拟机中使用 Vagrant 构建。准备好 Vagrantfile 后,执行以下命令启动构建:
vagrant up构建完成后,生成的 JAR 文件将放置在工作目录中。要删除构建过程中创建的虚拟机,执行:
vagrant destroy
2. 使用说明
JOCL 的使用方式请参考官方文档和示例代码。
3. 项目 API 使用文档
JOCL 的 API 使用文档请参考官方文档。
4. 项目安装方式
请参考上述 安装指南 部分进行项目安装。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00