官方带队实测,阶梯式解锁飞桨框架3.0能力新特性,轻松上手!
飞桨框架3.0助力用户构建大模型时代核心生产力
飞桨新一代框架3.0是面向大模型、异构多芯进行专属设计,向下适配异构多芯,充分释放硬件潜能;向上一体化支撑大模型的训练、推理。同时具有动静统一自动并行、编译器自动优化、大模型训推一体、大模型多硬件适配四大能力,全面地提升了服务产业的能力。获得了产学各界的诸多关注。
有了好的技术,如何真正上手,将其技术能力用起来,成为大家当下最实际的诉求。
利刃在手,如何找到功法,应用自如?
实践出真知!技术知识的一切问题,代码会给你答案!为了让大家能具体的理解飞桨框架3.0的几大新特性,并且实际上手用起来,GitHub20万星Al项目团队——飞桨官方研发团队亲自带练,携手产学界资深用户共同打磨了本次实测带练营,活动详情如下。
01活动详情
PART1
游戏式实测,无痛上手
本次带练活动结合飞桨框架3.0版本的新特性,打磨了一套内容完整、层次丰富的实测任务。任务涵盖最基础的环境安装、编译优化等底层框架能力、模型的自动并行训练技术、高性能推理部署技术、科学计算、大模型辅助编程六大板块,以帮助不同需求的用户使用框架。让大家在逐步解锁一个个小技术任务的过程中,自己动手实际感知飞桨框架3.0的用法和性能,游戏式解锁其超强新能力。
PART2
现场coding带练,包教包会
对于相对较底层的神经网络编译器和基于PIR的Pass开发技术,以及热度较高的模型自动并行训练技术、高性能推理部署技术,我们准备了三场单独的直播课程。以实用技术概念补充+核心代码逐行解析+现场拆解技术任务并coding实现的方式,为产学用户提供高密度知识课堂!
PART3
框架老粉助攻
用户最懂用户,今天的难点卡点,明天的经验心得。在技术探索的过程中,老用户往往是最好的领路人。本次活动邀请了从飞桨框架早期就一路相伴的初代产业级PPDE担任助教,无论你是企业工程师还是高校师生,他们都能站在你的角度引导你梳理问题、给予经验,帮助你高效通关。
PART4
丰富奖励,证书奖金礼品全都配齐
百度飞桨官方证书、奖学金、高刷显示器、Apple系列新款,成就感、实用性拉满。解锁Peaceful、Easy、Normal、Hard四类不同难度的关卡,获取对应分值,角逐积分奖项!
02实测内容概览
稳扎稳打 六个板块逐一带练
以下任务涵盖日常开发常用板块,可根据自己实际需求选学。另外,除少量开放性任务外,其余实测任务均配套参考代码并会对核心代码进行讲解,全程开卷+实时答疑。不必太担心难度,只要想学,跟着练即可解锁以下阶梯式实测任务!(任务内容概览如下,详情请见官方课程群):
1.环境安装实测:在任一设备上安装飞桨框架3.0版本。
2.底层框架实测:
a.编译优化:基于一个子图,跑通编译器全流程。
b.PIR pass开发:基于PIR 实现并跑通一个替换类pass;整体串联,实现性能提升。
c.组合算子:基于飞桨框架3.0在GPU环境下优化改造一个算子的拆分逻辑,并跑通。
3.科学计算实测:基于飞桨框架3.0在任一设备上实现矩形薄板挠曲方程(四阶方程)求解。
4.模型训练实测:
a.基础训练:基于飞桨框架3.0在任一加速卡上完成任一模型训练。
b.自动并行策略体验:
-
-
实现一个transformer模型中常见的FFN结构(两层MLP),并跑通。
-
基于FFN,使用自动并行API将其改写为,在8卡上2路数据并行+2路模型并行+2路流水线并行的三维混合并行,并跑通。
-
跑通PaddleNLP中的自动并行llama 13B模型。
-
5.推理部署实测:
a.基础推理:基于飞桨框架3.0在任一设备上跑通基础推理(限定Ampere / Ada / Hopper架构)。
b.跑通更高阶的优化项(如Fp8量化推理、 4Bit量化推理、 Block Attention 多batch 推理等等)。
c.在支持的列表之外新增模型并跑通(如LLaMA3.2 / Qwen2-VL等)。
6.大模型辅助编程实测:
a.代码生成:将代码生成能力用在自己日常使用的代码中。
b.代码转换:从示例项目中任选一个,完成代码转换。
额外加分:适当户外效率更高 秀出记录可获加分
近年来,越来越多研究佐证了运动户外对效率提升的积极作用。最近超火的“公园20分钟效应”也体现着类似的观点。因此我们鼓励大家在工作学习之余也能到户外动一动,爬山、游泳、公园发呆都可以,用你喜欢的方式!秀出你的户外/运动记录,即可获得官方加分!(特别提示:征服喜马拉雅VS公园发呆20分钟,对应分值相同。只希望大家一起去户外放松,适合自己的就是最好的!)
最后,飞桨框架3.0诚挚欢迎产学研各界开发者参与实测,共同构建大模型时代核心生产力!
03报名方式
扫描海报右下方的二维码,立即报名!

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
Shopee 在 Alluxio 加速 AI 训练的实践与探索
分享嘉宾 孙颢宁 Shopee Data Infra 分布式存储开发工程师 分享大纲 AI 平台面临的挑战 Alluxio加速AI 训练的实践 Alluxio 的性能探索 Alluxio 的大版本滚动升级 未来规划 观看完整分享 AI 平台面临的挑战 在打造 AI 平台前,不同部门的算法团队都需要自己去申请购买云服务,资源利用率低。公司决定搭建训练机房,构建 AI 平台。我们开发 AI 平台面临的如下几大挑战: 数据规模 数据是驱动 AI 技术发展的重要基础。随着 AI 技术的不断发展,训练模型所需的数据量也在迅速增加,从数百GB到TB级别不等,需要有效地存储和管理这些数据。 数据访问 在分布式训练环境中, 数据传输要求高效的协议以及带宽管理来做支撑,训练过程中会有大量读写,可能导致 I/O 瓶颈,从而影响训练速度。 调度和资源管理 AI 平台面向所有算法开发人员,会运行大量任务,此时,高效的任务调度变得极为重要,需要它来保证任务的负载均衡,同时需要确保计算资源和存储资源的高效利用。 数据存储方面,训练的原始数据是存储在 HDFS 上的,AI 平台还会使用对象存储。任务调度和资源分...
- 下一篇
DDD学习与感悟——向屎山冲锋
软件系统是通过软件开发来解决某一个业务领域或问题单元而产生的一个交付物。而通过软件设计可以帮助我们开发出更加健壮的软件系统。因此,软件设计是从业务领域到软件开发之间的桥梁。而DDD是软件设计中的其中一种思想,旨在提供一种大型复杂软件的设计思路和规范。通过DDD思想可以让我们的业务架构、系统架构、部署架构、数据架构、工程架构等都具备高扩展性、高维护性和高测试性。 但是落地DDD是一件很困难的事情。首先在思想认知层面就比较难以突破。 DDD本身是一种思想,不是某种具体的技术,因此在代码实现和系统架构层面没有约束。而由于市面上成熟的ORM框架(比如hibernate、mybatis等),使得大部分软件开发都是直接面向数据库开发。在传统开发中的应用分层架构又和DDD思想的分层架构很类似。从而导致很多人在初学DDD时有一定的理解偏差,从而导致无法落地DDD思想。 这篇文章记录我对DDD的学习、感悟与项目工程代码重构实战心得! 一、Domin Primitive 领域“元数据”的意思。主要是讲解领域的基本准则。这也是使用DDD思想的基本准则。 1.1 隐性的概念显性化 exp:电话号码通常是由区号...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS8安装MyCat,轻松搞定数据库的读写分离、垂直分库、水平分库
- CentOS8编译安装MySQL8.0.19
- CentOS6,CentOS7官方镜像安装Oracle11G
- CentOS7,8上快速安装Gitea,搭建Git服务器
- SpringBoot2整合Thymeleaf,官方推荐html解决方案
- MySQL8.0.19开启GTID主从同步CentOS8
- SpringBoot2更换Tomcat为Jetty,小型站点的福音
- Red5直播服务器,属于Java语言的直播服务器
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7