Graphics processing units and methods for controlling rendering complexity using cost indications for sets of tiles of a rendering space
PulseAugur coverage of Graphics processing units and methods for controlling rendering complexity using cost indications for sets of tiles of a rendering space — every cluster mentioning Graphics processing units and methods for controlling rendering complexity using cost indications for sets of tiles of a rendering space across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Stoa推出AI应用GPU市场
Stoa，一个旨在连接图形处理单元（GPU）买家和卖家的市场，已经上线。该平台旨在简化AI应用这些关键组件的获取，以满足技术领域对GPU日益增长的需求和价值。Stoa促进了这些关键硬件资源的交易。
-
大语言模型训练基础设施：其背后的引擎
训练基础设施对于大语言模型（LLMs）的开发至关重要，它能够跨越数千个加速器高效处理数十亿个参数。该基础设施涵盖硬件、软件和分布式系统工程，直接影响模型开发的可行性、成本和速度。关键的分布式训练技术包括数据并行（Data Parallelism），即模型在处理不同数据子集的设备上进行复制；以及模型并行（Model Parallelism），当模型过大无法容纳单个加速器时，将模型本身拆分到不同设备上。混合精度训练（Mixed Preci…
-
新框架EvoCoCo优化进化算法以进行张量计算
研究人员开发了EvoCoCo，一个多智能体框架，旨在为现代张量计算平台自动重构多目标进化算法（MOEAs）。该框架旨在增强GPU等硬件上的计算可扩展性和性能，而无需改变MOEAs的核心优化机制。实验表明，与直接翻译相比，EvoCoCo实现了更高的迁移可靠性，并显著加速了MOEA的实现，测得的速度提升幅度从22.6倍到80.2倍不等，具体取决于缩放因子。
-
调查详述了Transformer推理在FPGA平台上的部署
一篇最近发表在arXiv上的调查论文详细介绍了在现场可编程门阵列（FPGA）平台上部署Transformer推理的进展。该论文强调FPGA作为推理任务的传统CPU和GPU的有前景的替代方案，提供了灵活性、能效和低延迟等优势，使其适合现场部署。该调查系统地回顾了FPGA上Transformer推理的最新技术和优化，旨在指导学术界和工业界的研究人员。