摘要：
低比特量化方法 计算机里面数值有很多种表示方式，如浮点表示的 FP32、FP16，整数表示的 INT32、INT16、INT8，量化一般是将 FP32、FP16 降低为 INT8 甚至 INT4 等低比特表示，如图7-2所示。 图7-2 数值有很多种表示格式 模型量化则是一种将浮点值映射到低比特离散 阅读全文
posted @ 2024-09-05 17:02
吴建明wujianming
阅读(387)
评论(0)
推荐(0)
摘要：
感知量化训练 QAT 传统的训练后量化将模型从 FP32 量化到 INT8 精度时会产生较大的数值精度损失。感知量化训练（Aware Quantization Training）通过在训练期间模拟量化操作，可以最大限度地减少量化带来的精度损失。 QAT 的流程，如图7-9所示，首先基于预训练好的模型 阅读全文
posted @ 2024-09-02 06:15
吴建明wujianming
阅读(166)
评论(0)
推荐(0)
摘要：
量化方法对比 QAT 可以达到的精度较高，但是往往需要较多的量化训练时间，量化成本比较大。PTQ 的量化过程比较迅速，只需要少量数据集来校准，但是量化后精度往往损失较多，见表7-1。 表7-1 量化方法参数对比 量化方法 功能 经典适用场景 使用条件 易用性 精度损失 预期收益 量化训练 (QAT) 阅读全文
posted @ 2024-09-02 06:11
吴建明wujianming
阅读(172)
评论(0)
推荐(0)
摘要：
深度学习模型优化概述 模型压缩跟轻量化网络模型不同，压缩主要是对轻量化或者非轻量化模型执行剪枝、蒸馏、量化等压缩算法和手段，使得模型更加小、更加轻便、更加利于执行。 基本介绍 随着神经网络模型的复杂性和规模不断增加，模型对存储空间和计算资源的需求越来越多，使得部署和运行成本显著上升。模型压缩的目标是 阅读全文
posted @ 2024-09-02 06:05
吴建明wujianming
阅读(195)
评论(0)
推荐(0)
摘要：
错误处理、cuda模型、GPU架构杂谈 错误处理 所有编程都需要对错误进行处理，早起的编码错误，编译器会帮搞定，内存错误也能观察出来，但是有些逻辑错误很难发现，甚至到了上线运行时才会被发现，而且有些厉害的bug复现会很难，不总出现，但是很致命，而且CUDA基本都是异步执行的，当错误出现的时候，不一定 阅读全文
posted @ 2024-08-29 12:47
吴建明wujianming
阅读(76)
评论(0)
推荐(0)
摘要：
编写核函数 核函数也是一个函数，但是声明核函数有一个比较模板化的方法： global__ void kernel_name(argument list); 注意：声明和定义是不同的，这点CUDA与C语言是一致的 在C语言函数前没有的限定符global，CUDA C中还有一些其他在C中没有的限定符，见 阅读全文
posted @ 2024-08-29 12:42
吴建明wujianming
阅读(86)
评论(0)
推荐(0)
摘要：
Fermi 架构 Fermi架构是第一个完整的GPU架构，如图10-15所示。 图10-15 Fermi架构是第一个完整的GPU架构 Fermi架构逻辑图，如图10-15所示，具体数据如下: 1）512个加速核心，CUDA核 2）每个CUDA核心都有一个全流水线的整数算数逻辑单元ALU，和一个浮点数 阅读全文
posted @ 2024-08-29 12:38
吴建明wujianming
阅读(292)
评论(0)
推荐(0)
摘要：
CUDA编程结构、存储管理、线程管理杂谈 CUDA编程结构 一个异构环境，通常有多个CPU多个GPU，他们都通过PCIe总线相互通信，也是通过PCIe总线分隔开的。所以要区分一下两种设备的内存： 1）主机：CPU及其内存 2）设备：GPU及其内存 这两个内存从硬件到软件都是隔离的（CUDA6.0 以 阅读全文
posted @ 2024-08-29 12:29
吴建明wujianming
阅读(110)
评论(0)
推荐(0)
摘要：
OpenCL+GCC+TVM+LLVM+MLIR 如何在使用OpenCL、GCC、TVM、LLVM和MLIR的环境中编译和链接一个项目。提供一个使用C++和这些工具链进行简单计算的示例。 首先，确保已经安装了OpenCL、GCC、TVM、LLVM和MLIR。 接下来，需要安装相应工具集，例如： # 阅读全文
posted @ 2024-08-27 03:33
吴建明wujianming
阅读(198)
评论(0)
推荐(0)
摘要：
分布式训练策略杂谈 5.1 常见的分布式并行策略 5.1.1 为什么分布式训练越来越流行 近年来，深度学习被广泛应用到各个领域，包括计算机视觉、语言理解、语音识别、广告推荐等。在这些不同的领域中，一个共同的特点就是模型规模越来越大，比如 GPT-3 模型的参数量达到1750亿。即使用1024张 80 阅读全文
posted @ 2024-08-15 07:49
吴建明wujianming
阅读(168)
评论(0)
推荐(0)
浙公网安备 33010602011771号