Raft算法：保障分布式系統共識的穩健之道
1. 什么是Raft算法？Raft 是英文”Reliable、Replicated、Redundant、And Fault-Tolerant”（“可靠、可復制、可冗余、可容錯”）的首字母縮寫。Raft算法是一種用于在分布式系統
5 月 9 日消息，摩爾線程今日宣布推出 Torch-MUSA v2.0.0 版本，這是其面向 PyTorch 深度學習框架的 MUSA 擴展庫的重要升級。
新版本基于 MUSA Compute Capability 3.1 計算架構，支持原生 FP8 數據類型，支持 PyTorch 2.5.0，并通過多項針對 MUSA 計算平臺的性能優化，進一步提升了對 AI 模型和大規模數據處理的支持能力。
作為本次升級的核心亮點，Torch-MUSA v2.0.0 率先在國產 GPU 上實現了對 FP8 數據類型的完整支持。
FP8 是當前 AI 計算的一種前沿低精度格式，在支持原生 FP8 的 GPU 上，大語言模型（LLM）訓練采用 FP8 混合精度可大幅提高 GPU 算力，顯著降低顯存占用。
摩爾線程基于新一代 MUSA Compute Capability 3.1 計算架構的全功能 GPU 原生支持 FP8 計算，這為 Torch-MUSA v2.0.0 實現 FP8 矩陣乘法和分布式通信優化提供了基礎。依托這一底層架構優勢，Torch-MUSA v2.0.0 能夠充分發揮 FP8 的計算效能，提升大語言模型訓練和推理的效率。
Torch-MUSA v2.0.0 在 MUSA 計算平臺引入多項創新功能，進一步提升深度學習任務的執行效率：
新增虛擬內存管理支持：
MUSA 虛擬內存管理技術能夠有效緩解 GPU 內存碎片化問題，降低模型訓練過程中的峰值內存占用，特別適用于 FSDP、DeepSpeed 和 Megatron-LM 等主流大模型訓練框架。
新增 MUSA Graph 支持：
MUSA Graph 技術將多個 MUSA 內核整合到一個圖中，通過單次 CPU 調度大幅減少啟動開銷，提升計算效率，同時與 CUDA Graph 接口高效兼容。
torch.compile 增加 Triton 后端支持：
為 torch.compile 提供了 Triton-MUSA 后端支持，開發者可以直接使用 PyTorch 原生接口，獲得更高效的性能表現。
Torch-MUSA v2.0.0 在完整支持 PyTorch 2.2.0 的基礎上，新增了對 PyTorch 2.5.0 的支持，使開發者能夠在基于 MUSA Compute Capability 3.1 計算架構的全功能 GPU 上，無縫運行新版本的 PyTorch。
Torch-MUSA 已完全開源，開發者可通過訪問 GitHub 獲取源代碼。附開源地址：
https://github.com/MooreThreads/torch_musa
本文鏈接：http://www.www897cc.com/showinfo-119-148904-0.html支持原生 FP8 和 PyTorch 2.5.0，摩爾線程開源發布 Torch-MUSA v2.0.0
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號