-
-
-
-
多核处理器系统中的NUMA架构与绑核技术
了解多核处理器系统中的NUMA架构,掌握绑核技术的应用,提高并行计算的性能优化。本教程包括numactl、MPI runner、CPU核心绑定等内容。- 399
- 0
-
OneFlow v0.9.0 发布:PyTorch兼容性和性能优化等多项新特性
OneFlow v0.9.0发布,新增PyTorch兼容性、分布式编程、自动并行和性能优化等多项新特性,详情请查看完整更新列表。- 269
- 0
-
-
-
-
PAI-DeepRec CTR模型性能优化挑战赛获奖团队分享:MetaSpore团队优化思路及成果
本文分享阿里云联合英特尔举办的PAI-DeepRec CTR模型性能优化挑战赛的获奖团队MetaSpore团队的优化思路和成果,涵盖了稀疏模型训练优化、DeepRec训练加速参数调优和DeepRec框架性能优化。- 429
- 0
-
掌握性能优化的基本技巧
本文总结了掌握性能优化的基本技巧,包括学会使用性能评测工具,基本的性能优化方法论,以及针对深度学习框架的优化技巧。通过优化算子融合和CUDA优化,提高深度学习框架的推理和训练速度。- 349
- 0
-
OpenAi团队:Kubernetes扩展到7500个节点的挑战与解决方案
本文分享了OpenAi团队将Kubernetes集群扩展到7500个节点的挑战与解决方案,涵盖了机器学习工作负载、GPU直接通信技术NVLink和GPUDirect等内容。- 157
- 0
-
图神经网络uGrapher优化算子性能提升3.5倍
阿里云PAI和上海交大团队合作的uGrapher提供了高性能的图神经网络图算子计算支持,性能提升3.5倍,解决了静态kernel在不同图数据上的性能问题。- 375
- 0
-
PyTorch 中的 graph mode 和 Torch.FX 优化工具介绍
本文介绍了PyTorch中的graph mode和Torch.FX工具,以及如何利用图结构转换优化部署模型性能。同时还介绍了算子融合和embedding table的背景知识。- 412
- 0
-
-
-
AI模型训练加速技术分析与实践成果分享
本文分析了在AI模型训练过程中的主要性能瓶颈,介绍了当前针对这些瓶颈的加速方案和技术原理,并分享了百度智能云在这方面的实践成果。了解如何通过AIAK-Training实现AI模型训练加速。- 415
- 0
-
MapReduce技术详解:从基础概念到性能优化最佳实践
本文深入探讨了MapReduce的各个方面,从基础概念和工作原理到编程模型和实际应用场景,最后专注于性能优化的最佳实践。了解MapReduce的核心思想和关键组件,以及如何应用于大规模数据处理。- 409
- 0
-
如何结合profiling工具发现训练与推理的性能瓶颈
本文介绍如何利用profiling工具结合GPU产品特点,利用算子融合、低精度等技术,以及Faster Transformer最佳实践,发现训练与推理的性能瓶颈,并提升性能加快吞吐。- 413
- 0
-
-
基于CANN的AI推理最佳实践丨多路极致性能目标检测应用设计解密
本文分享了基于CANN的AI推理最佳实践,详细解密了多路极致性能目标检测应用的设计思路,并介绍了在昇腾平台上快速部署目标检测应用的方法。- 407
- 0
-
幸运之星正在降临...
点击领取今天的签到奖励!
恭喜!您今天获得了{{mission.data.mission.credit}}积分
我的优惠劵
-
¥优惠劵使用时效:无法使用使用时效:
之前
使用时效:永久有效优惠劵ID:×
没有优惠劵可用!