h5网站源代码网站建设模板简单

h5网站源代码,网站建设模板简单,费县建设局网站,做网站外国的文章目录前言一、海光 DCU K100_AI —— 适配体验最佳硬件规格生态资源租用渠道适配体验ONNX适配综合评价二、寒武纪 MLU370-M8 —— 需要技术支持硬件规格生态资源获取方式适配方式遇到的问题ONNX支持重要提醒三、沐曦 C500 —— 资源丰富的后起之秀硬件规格生态资源租用渠道适…文章目录前言一、海光 DCU K100_AI —— 适配体验最佳硬件规格生态资源租用渠道适配体验ONNX适配综合评价二、寒武纪 MLU370-M8 —— 需要技术支持硬件规格生态资源获取方式适配方式遇到的问题ONNX支持重要提醒三、沐曦 C500 —— 资源丰富的后起之秀硬件规格生态资源租用渠道适配体验ONNX支持与海光的对比四、摩尔线程 S4000 —— 环境配置较复杂硬件规格生态资源租用渠道适配方式综合评价五、燧原 S60 —— 大模型推理表现良好硬件规格生态资源租用渠道适配体验存在的问题总结前言近期正在做国产卡的适配工作前些天做了一些调研并写了一篇主流国产显卡调研报告最近几天把能租到的卡都给实际验证了遍于是写下这篇文章分享适配经验为后续选用国产卡的开发者提供参考。首先昇腾毋庸置疑国产第一梯队了网上能找到的资源非常多如果不知道选什么卡的直接选昇腾就可以了本文主要针对除昇腾以外的其它二线国产卡。一、海光 DCU K100_AI —— 适配体验最佳硬件规格型号显存INT8 OPsFP16/BF16 FLOPsTF32FP32 FLOPs显存带宽PCIe 接口功耗K100 AI版64GB392T196T96T49T896GB/s5.0×16350WK10064GB200T100T-24.5T896GB/s4.0×16300W生态资源文档中心: https://developer.sourcefind.cn/开发者社区: https://developer.sourcefind.cn/实战教程: https://github.com/FlyAIBox/dcu-in-action生态包下载: https://download.sourcefind.cn:65024/4/main/从生态包下载地址可以获取驱动、Python包、工具包等所有必需资源,资源丰富且组织清晰。租用渠道可以从超算互联网租到海光 K100_AI 显卡: https://www.scnet.cn/ui/mall/search/resource适配体验⭐ 最大亮点:对CUDA无缝兼容海光K100_AI的整个使用过程十分顺畅。我们使用Qwen3-0.6B对其进行了验证,未遇到任何问题。更令人惊喜的是,它对CUDA实现了无缝兼容,不需要修改任何代码即可从NVIDIA GPU迁移过来。这意味着:✅ 不需要像昇腾那样将x.cuda()改成x.npu()✅ 现有的PyTorch代码可以直接运行✅ 迁移成本几乎为零ONNX适配对于ONNX Runtime,需要做少量适配,主要是添加对应的ExecutionProvider:defselect_device(): 选择可用的计算设备,优先级:NPU 燧原GCU DCU CUDA CPU 返回对应的 ONNX Runtime providers 列表 available_providersort.get_available_providers()logger.info(f可用的计算设备:{available_providers})# 优先使用昇腾NPU (CANN)ifCANNExecutionProviderinavailable_providers:logger.info(使用昇腾NPU设备 (CANNExecutionProvider))return[CANNExecutionProvider,CPUExecutionProvider]# 其次使用燧原GCUifTopsInferenceExecutionProviderinavailable_providers:logger.info(使用燧原GCU设备 (TopsInferenceExecutionProvider))return[TopsInferenceExecutionProvider,CPUExecutionProvider]# 然后使用AMD GPU / 海光DCU (MIGraphX优先,ROCm备选)ifMIGraphXExecutionProviderinavailable_providers:logger.info(使用AMD GPU/海光DCU设备 (MIGraphXExecutionProvider))return[MIGraphXExecutionProvider,ROCMExecutionProvider,CPUExecutionProvider]ifROCMExecutionProviderinavailable_providers:logger.info(使用AMD GPU/海光DCU设备 (ROCMExecutionProvider))return[ROCMExecutionProvider,CPUExecutionProvider]# 然后使用CUDAifCUDAExecutionProviderinavailable_providers:logger.info(使用CUDA设备 (CUDAExecutionProvider))return[CUDAExecutionProvider,CPUExecutionProvider]# 默认使用CPUlogger.info(使用CPU设备 (CPUExecutionProvider))return[CPUExecutionProvider]综合评价海光DCU的适配速度甚至比昇腾还快,这得益于:完善的文档和生态资源对CUDA的无缝兼容活跃的开发者社区支持丰富的工具链支持(如Ctranslate2)二、寒武纪 MLU370-M8 —— 需要技术支持硬件规格型号显存INT4 OPsINT8 OPsINT16 OPsFP16/BF16 FLOPsFP32 FLOPs显存带宽功耗MLU59096GB HBM2e-628T-314T-2.76 TB/s-MLU370-S4/S824GB/48GB LPDDR5384T192T96T72T18T307.2 GB/s75WMLU370-X424GB LPDDR5512T256T128T96T24T307.2 GB/s150WMLU370-X848GB LPDDR5512T256T128T96T24T614.4 GB/s250W生态资源开发者社区: https://developer.cambricon.com/模型验证工具集: https://gitee.com/cambriconknight/dev-env-ubuntu获取方式从网上没找到公开的租用渠道。我们通过销售帮助,使用企业邮箱免费申请了一台 MLU370-M8 进行测试。适配方式寒武纪的适配方式与昇腾类似,需要将x.cuda()改成x.mlu():defselect_device(): 选择可用的计算设备,优先级:NPU MLU GCU MUSA CUDA CPU # 尝试使用昇腾NPUtry:specimportlib.util.find_spec(torch_npu)ifspecisnotNone:importtorch_npufromtorch_npu.contribimporttransfer_to_npu torch.npu.set_compile_mode(jit_compileFalse)torch.npu.config.allow_internal_formatFalseiftorch_npu.npu.is_available():logger.info(使用昇腾NPU设备)returnnpuexceptExceptionase:logger.warning(f初始化NPU设备失败:{e})# 尝试使用寒武纪MLUtry:specimportlib.util.find_spec(torch_mlu)ifspecisnotNone:importtorch_mluiftorch.mlu.is_available():logger.info(使用寒武纪MLU设备)returnmluexceptExceptionase:logger.warning(f初始化MLU设备失败:{e})# 尝试使用燧原GCUtry:specimportlib.util.find_spec(torch_gcu)ifspecisnotNone:importtorch_gcuiftorch.gcu.is_available():logger.info(使用燧原GCU设备)returngcuexceptExceptionase:logger.warning(f初始化GCU设备失败:{e})# 尝试使用摩尔线程MUSAtry:specimportlib.util.find_spec(torch_musa)ifspecisnotNone:importtorch_musaiftorch.musa.is_available():logger.info(使用摩尔线程MUSA设备)returnmusaexceptExceptionase:logger.warning(f初始化MUSA设备失败:{e})# 尝试使用CUDAtry:iftorch.cuda.is_available():logger.info(使用CUDA设备)returncudaexceptExceptionase:logger.warning(f初始化CUDA设备失败:{e})logger.info(使用CPU设备)returncpu遇到的问题由于测试的MLU370-M8显卡较老,对大模型的支持不够完善:不支持Qwen3系列模型支持Qwen2.5系列,但需要使用float16类型(不支持bf16)启动命令示例:vllm serve ./Qwen2.5-0.5B-Instruct --served-model-name qwen --port9000--dtype float16ONNX支持对于ONNX的适配,我们没有找到相关的直接支持。只看到有一个MagicMind可以解析ONNX模型,但没有找到使用ONNX Runtime直接推理的相关资料。重要提醒⚠️寒武纪的适配过程遇到了不少挑战:开发者社区响应慢: 遇到问题基本没人帮你解决,都是让你找供应商要镜像环境依赖镜像: 拿到的镜像没问题,适配会很快;反之会相当困难缺少公开资源: 寒武纪没有公开那些适配好的torch包网上资料有限: 即使网上有一些教程,但前提都是你能拿到可用的镜像结论: 没有寒武纪官方技术支持的情况下,不建议独立使用。三、沐曦 C500 —— 资源丰富的后起之秀硬件规格型号显存INT8 OPsFP16/BF16 FLOPsFP32 FLOPs显存带宽功耗曦思 N10016GB160T80T---曦云 C50064GB HBM2e560T280T36T1.8TB/s450W生态资源开发者论坛: https://developer.metax-tech.com/ (注:论坛登录有问题,可能无人维护)资源下载: https://developer.metax-tech.com/softnova/index资源下载站点内容挺全,包含Python包、驱动等,类似海光,甚至比海光的资源更容易找一些。租用渠道可以从Gitee AI算力平台租用: https://ai.gitee.com/compute适配体验与海光类似,对CUDA无缝兼容,不需要修改代码。大模型验证过程十分顺畅。ONNX支持当时测试时没找到兼容的ONNX Runtime,但现在官网已经更新了相关的包。可以通过打印支持的ONNX provider,基于select_device函数简单修改即可兼容。与海光的对比虽然沐曦在很多方面表现不错,但相比海光仍有差距:对比项海光DCU沐曦C500CUDA兼容✅ 完美✅ 完美生态工具✅ 支持Ctranslate2❌ 不支持Ctranslate2社区维护✅ 有专人解答❌ 论坛无人维护资源获取✅ 容易✅ 容易结论: 整体而言,海光优于沐曦,但沐曦也是一个不错的选择。四、摩尔线程 S4000 —— 环境配置较复杂硬件规格型号显存核心数INT8 FLOPsFP16/BF16 FLOPsFP32 FLOPs显存带宽功耗MTT S400048GB GDDR6-200T100T-768 GB/s450WMTT S300032GB GDDR64096--15.5T448 GB/s-MTT S200032GB4096--10.4T-150W生态资源社区: https://blog.mthreads.com/文档中心: https://docs.mthreads.com/论坛接入的是CSDN论坛,基本无人维护。租用渠道可以从AutoDL租用摩尔线程S4000: https://www.autodl.com/market/list适配方式使用时需要将x.cuda()换成x.musa()即可。综合评价整体相比沐曦、海光差距较大:❌ 环境不好配置❌ 兼容性不如海光❌ 文档和社区支持较弱五、燧原 S60 —— 大模型推理表现良好硬件规格型号显存INT8 OPsFP16/BF16 FLOPsTF32 OPsFP32 FLOPs显存带宽功耗S6048GB-392T--672 GB/s-云燧i20-256T-128T---生态资源文档中心: https://support.enflame-tech.com/onlinedoc_dev_3.5/租用渠道可以从Gitee AI算力平台租用: https://ai.gitee.com/compute适配体验大模型推理: 用于大模型推理时十分顺畅,没有遇到任何阻碍。小模型推理: 遇到了一些问题,主要是ONNX相关的包安装困难。存在的问题❌没有开发者论坛❌官网信息有限: 除了镜像外,找不到其他信息❌自行安装包困难: 文档比摩尔线程还要少❌ONNX支持不明确: 没找到具体的安装和使用方法总结根据我的实战经验,适配难易程度从易到难排序为: 海光 K100_AI 沐曦 C500 摩尔线程 S4000 燧原 S60 寒武纪 MLU370-M8个人觉得海光K100_AI适配要比昇腾还容易昇腾主要的问题是显卡型号多名字不统一文档烂看的人云里雾里并且需要修改代码才能适配海光环境搞好后除了onnx需要修改下代码其它地方基本无缝兼容。最后想说的是这些国产显卡各家软件生态互不兼容没有统一的软件框架是很难真正替代英伟达的好在已经看到有类似的工作正在做了https://github.com/flagos-ai鼓励大家去给项目点波 Star 支持一下。FlagOS 是一个统一的开源人工智能系统软件栈专为多芯片场景设计。它由十多家国内外机构联合发起成立包括芯片公司、系统制造商、算法及软件相关实体、非营利组织和研究机构。针对多样化人工智能芯片应用中的核心痛点FlagOS 构建了一个全面的系统软件生态系统有望打破不同芯片软件栈之间的生态壁垒有效降低开发者的迁移成本。相关资源汇总GPU厂商文档中心开发者社区租用平台海光DCUdeveloper.sourcefind.cndeveloper.sourcefind.cn超算互联网寒武纪MLU-developer.cambricon.com需联系销售沐曦developer.metax-tech.com/softnova-Gitee AI摩尔线程docs.mthreads.comblog.mthreads.comAutoDL燧原support.enflame-tech.com--注本文写作时利用了AI基于初稿整理所有内容经过人工审查。