NPU上如何使能pytorch图模式
本文介绍了PyTorch的`torch.compile`技术和TorchAir的相关内容。`torch.compile`通过将动态图转换为静态图并结合JIT编译，提升模型推理和训练效率。示例代码展示了如何使用`torch.compile`优化模型。TorchAir是昇腾为PyTorch提供的图模式扩展库，支持在昇腾设备上进行高效训练和推理。它基于Dynamo特性，将计算图转换为Ascend IR，并通过图引擎优化执行。文章还提供了TorchAir的使用示例及功能配置方法。
融合AMD与NVIDIA GPU集群的MLOps：异构计算环境中的分布式训练架构实践
本文探讨了如何通过技术手段混合使用AMD与NVIDIA GPU集群以支持PyTorch分布式训练。面对CUDA与ROCm框架互操作性不足的问题，文章提出利用UCC和UCX等统一通信框架实现高效数据传输，并在异构Kubernetes集群中部署任务。通过解决轻度与强度异构环境下的挑战，如计算能力不平衡、内存容量差异及通信性能优化，文章展示了如何无需重构代码即可充分利用异构硬件资源。尽管存在RDMA验证不足、通信性能次优等局限性，但该方案为最大化GPU资源利用率、降低供应商锁定提供了可行路径。源代码已公开，供读者参考实践。
MiTS与PoTS：面向连续值时间序列的极简Transformer架构
本文探讨了将标准Transformer架构应用于连续值时间序列数据的最小化调整方案，提出了极简时间序列Transformer（MiTS-Transformer）和位置编码扩展时间序列Transformer（PoTS-Transformer）。通过替换嵌入层为线性映射层，MiTS-Transformer实现了对正弦波序列的有效学习。而PoTS-Transformer则通过在高维空间中进行位置编码，结合低维模型架构，解决了长序列处理与过拟合问题。实验结果表明，这两种模型在不同类型的时间序列预测任务中表现出色，为基于Transformer的时间序列预测提供了高效基准方案。
小白避坑指南：国内用Colossal-AI微调DeepSeek 1.5B的完整踩坑记录（附镜像加速方案）
本文详细记录了使用Colossal-Ai对DeepSeek-Qwen模型进行微调的过程，包括模型下载、环境部署、数据集处理及代码实现等环节。重点介绍了LoRA低秩适配方法和Colossal-Ai分布式训练框架的使用技巧，解决了模型封装后函数调用冲突、梯度检查点配置等问题。通过命令行参数灵活调整训练配置，最终在两块A100 GPU上完成训练，单卡显存占用约11GB，利用率达85%。文章总结了常见问题及解决方法，为后续研究提供参考。
PyTorch PINN实战：用深度学习求解微分方程
物理信息神经网络（PINN）是一种将深度学习与物理定律结合的创新方法，特别适用于微分方程求解。传统神经网络依赖大规模标记数据，而PINN通过将微分方程约束嵌入损失函数，显著提高数据效率。它能在流体动力学、量子力学等领域实现高效建模，弥补了传统数值方法在高维复杂问题上的不足。尽管计算成本较高且对超参数敏感，PINN仍展现出强大的泛化能力和鲁棒性，为科学计算提供了新路径。文章详细介绍了PINN的工作原理、技术优势及局限性，并通过Python代码演示了其在微分方程求解中的应用，验证了其与解析解的高度一致性。
