سال گذشته متا اعلام کرد که PyTorch به بنیاد لینوکس به عنوان یک پلتفرم خنثی برای توسعه پروژه و جامعه یادگیری ماشین پیوسته است و AMD نیز به هیئت مدیره ملحق شده است.
بنیاد PyTorch به طور فعال پذیرش هوش مصنوعی را با دموکراتیک کردن اکوسیستم نرم افزار از طریق اصول منبع باز ترویج می کند، که با اصول اصلی اکوسیستم نرم افزار باز مطابقت دارد. AMD. AMD به نوبه خود، نوآوری را ترویج می کند و تلاش می کند تا فرآیند پیاده سازی هوش مصنوعی را در طیف گسترده ای از اکتشافات علمی ساده و تسریع بخشد.
هنگامی که او یکی از اعضای موسس بنیاد PyTorch شد، به بهبود چارچوب های AI منبع باز ادامه داد. و اکنون AMD و PyTorch در حال معرفی آخرین بهروزرسانیها برای ROCm و PyTorch هستند که به توسعهدهندگان اجازه میدهد راهحلهای جدید هوش مصنوعی مبتنی بر شتابدهندههای AMD Instinct و Radeon ایجاد کنند.
پشتیبانی از جامعه PyTorch در شناسایی شکافهای خاص، اولویتبندی بهروزرسانیهای کلیدی، و ارائه بازخورد برای بهینهسازی عملکرد و پشتیبانی از سفر از «بتا» به «پایدار» بسیار مفید بوده است. نتایج تلاش مشترک به وضوح با سطح عملکردی که در معیارهای کلیدی صنعت مانند SuperBench اندازه گیری می شود نشان داده می شود. Microsoft.
بهبود تدریجی معماری AMD CDNA و ROCm و PyTorch نشان دهنده رشد عملکرد یک مدل واحد پردازشگر گرافیکی از AMD Instinct MI100 تا آخرین نسل پردازنده های گرافیکی خانواده AMD Instinct MI200 از ROCm 4.2 تا ROCm 5.3 و از PyTorch 1.7 تا PyTorch است. به روز رسانی های کلیدی عبارتند از:
- ادغام کامل پیوسته (CI) برای ROCm در PyTorch. همه ویژگیها از طریق فرآیند CI آزمایش میشوند، که به ساخت و آزمایش صحیح قبل از انتشار Docker و چرخ PIP کمک میکند.
- پشتیبانی Kineto Profiler. با پشتیبانی از پروفیلر برای ROCm، توسعه دهندگان و کاربران قادر خواهند بود ابزارهای تشخیصی و پروفایل قدرتمندی را برای درک بهتر و حذف تنگناهای عملکرد به دست آورند.
- پشتیبانی از کتابخانه های کلیدی PyTorch. به کاربران امکان دسترسی آزاد به اکوسیستم کتابخانه PyTorch، از جمله TorchText، TorchRec، TorchVision، TorchAudio و سایر مجموعههای بهینهسازی شده مانند MIOpen، RCCL، و rocBLAS برای سطوح جدید کارایی و بهرهوری بالاتر داده میشود.
- پشتیبانی از موتور استنتاج AITemplate. برای بهبود عملکرد، MetaAI منبع باز AITemplate و کتابخانه Composable Kernel (CK) می توانند از هسته های ماتریس AMD بیشتری برای بلوک های ترانسفورماتور پشتیبانی کنند.
علاوه بر این، AMD و PyTorch به طور مشترک بیش از 50 ویژگی و بهبود عملکرد را برای افزودن پشتیبانی پایدار ROCm توسعه دادهاند. اینها شامل بهبود ابزارها، کامپایلرها، زمان اجرا، بهینه سازی گرافیک با TorchScript، استفاده از مسیر کوانتومی INT8 و ادغام زمان اجرا ONNX است.
برای تسریع استفاده از قابلیتهای هوش مصنوعی در لبه و مرکز داده، AMD به PyTorch دسترسی به مجموعهای از FPGA و SoCهای تطبیقی را فراهم میکند. پلتفرم هوش مصنوعی AMD Vitis مدلهای هوش مصنوعی، هستههای پردازشگر یادگیری عمیق (DPU)، ابزارها، کتابخانهها و پروژههای نمونه برای هوش مصنوعی را ارائه میدهد.
همچنین جالب: