最近的Pytorch 2.4 推出AI任務加速，提供對Intel GPU的支持。為了進一步加速 AI任務，PyTorch 2.4現在為Intel數據中心GPU Max系列提供支持，該系列將Intel GPU和SYCL軟件堆棧集成到標準PyTorch堆棧中。<下圖為各個組件被引入到pytorch的各個版本信息。小編建議快速瀏覽，第二章節再仔細理解這些組件的內涵！>

借助Intel GPU支持，讀者可以擁有更多GPU選擇，并可以使用相同的前后端 GPU編程模型。現在可以在Intel GPU上部署和操作，幾乎不需要額外的編碼。為了支持流式處理設備，此版本通用化了PyTorch設備和運行時（設備、流、事件、生成、分配和守護進程）。這種泛化不僅促進了PyTorch在更加廣泛的硬件上部署，還促進了更多硬件后端集成。

除了為英特爾數據中心GPU Max系列提供用于訓練和推理的關鍵功能外，Linux*上的PyTorch 2.4版本還保持了與PyTorch支持的其他硬件相同的用戶體驗。假如從CUDA*遷移代碼，則可以在Intel GPU上運行現有應用程序代碼，只需對設備名稱進行最少的代碼更改。

# CUDA Code 
tensor = torch.tensor([1.0, 2.0]).to("cuda")  
# 只需要改動代號就可以直接遷移至Intel GPU 
tensor = torch.tensor([1.0, 2.0]).to("xpu")

PyTorch 2.4和Intel GPU的相關功能如下：

• 訓練和推理工作流。
• 支持 torch.compile和eager的基本函數。在eager和compile模式下能夠完全運行Dynamo Hugging Face* 基準測試。
• 支持FP32、BF16、FP16 和自動混合精度 （AMP） 等數據類型。
• 支持在Linux和Intel數據中心GPU Max系列上運行。

附錄：看圖理解術語

Eager mode and graph mode:

它們是在Pytorch 2.0引入了兩種新的操作執行模式。

• Eager mode: 執行模式，在這種模式下操作會立即執行，而不是等待整個計算圖的構建。這種模式更直觀，適合調試和開發。
• Graph mode:執行模式，在這種模式下操作會被記錄到一個計算圖中，然后整個圖會被優化和執行。這種模式通常更高效，適合生產環境。

SYCL:

它是一個跨平臺抽象層，允許算法在硬件加速器（如 CPU、GPU 和 FPGA）之間切換，而無需更改任何代碼行。SYCL是由Khronos Group開發的免版稅開放標準，允許開發人員使用標準 C++ 編寫異構架構。此外，其編程模型使用單一源，允許在單個源文件中編寫主機和內核代碼。

由于各種SYCL實現往往遵循相似的規范，因此無論選擇何種實現，代碼都應該成功編譯和運行。但是它們并非都提供相同的功能，因為它們的開發速度不同，專注于不同的架構，或者與最新的 SYCL 規范有所不同。其實所有實現都支持在具有最流行的現有架構的 CPU 上執行。

Aten operators:

ATen是PyTorch的底層張量計算庫，它提供了高效的張量操作和內存管理功能。ATen基于C++編寫，因此具有高效和可擴展性。它還提供了與PyTorch API兼容的接口，以便在Python環境中方便地使用。ATen的設計理念是提供易于使用且高效張量計算庫，適用于構建大型神經網絡模型。

oneAPI Math Kernel Library (oneMKL):

英特爾? oneAPI數學核心函數庫 （oneMKL），以前稱為英特爾數學核心函數庫，是一個針對科學、工程和金融應用的優化數學庫。核心數學函數包括BLAS、LAPACK、ScaLAPACK、稀疏求解器、快速傅里葉變換和向量數學。

oneAPI Deep Neural Network Library (oneDNN):

英特爾? oneAPI深度神經網絡庫 （oneDNN） 提供高度優化的深度學習構建模塊實現。借助這個開源的跨平臺庫，深度學習應用程序和框架開發人員可以對 CPU、GPU 或兩者使用相同的 API，從而抽象出指令集和性能優化的其他復雜性。

Triton:

Triton 是一種用于并行編程的語言和編譯器。它旨在提供一個基于 Python 的編程環境，用于高效編寫能夠在現代GPU硬件上以最大吞吐量運行的自定義DNN計算內核。

Kineto:

Kineto是一個性能分析工具，用于監控和分析模型的執行性能。研究人員和工程師經常難以在計算上擴展他們的模型，因為沒有意識到工作負載中的性能瓶頸。大型分布式訓練作業可能會生成數千個跟蹤，其中包含太多數據，人類無法檢查。這就是整體分析的作用。

本文轉載自 ??魯班模錘??，作者： 龐德公