GPU CUDA
-
Faiss PQ 进阶：GPU 加速与 HNSW 融合的深度探索
你好！如果你正在处理海量的向量数据，并且希望在速度、内存和精度之间找到那个“甜蜜点”，那么你一定对 Faiss 不陌生。而在 Faiss 的众多索引技术中，乘积量化（Product Quantization, PQ）无疑是压缩和加速近似最...
-
白嫖云端算力：如何用免费 Google Colab 运行 GPU 加速的 GROMACS 分子动力学模拟
对于从事计算生物学或计算化学的研究生和科研人员来说，本地缺乏高性能 GPU 算力是一个长期存在的痛点。Google Colab 提供的免费 T4 GPU 是一个极佳的“白嫖”资源。 本文将手把手带你配置 Google Colab 环境...
-
GROMACS 中「-update gpu」报错的深度排查与解决方案：从算法限制到硬件配置
在分子动力学模拟中，GROMACS 的 -update gpu 参数（即在 GPU 上进行坐标/速度更新和约束求解）是压榨 GPU 性能、实现「极速模拟」的关键。通过将 Update 步骤留在 GPU 上，可以彻底避免每一帧在 CPU...
-
彻底解决 GROMACS 模拟中的 CUDA Out of Memory：从域分解与显存分配机制谈起
在进行大体系分子动力学（MD）模拟或使用多卡/多路 CPU 强卡并行的生产环境中，GROMACS 报错 "Out of memory" 导致 CUDA 驱动崩溃是一个非常经典且让人头疼的问题。 这类显存溢出（O...
-
单GPU多MPI跑GROMACS：如何通过NVIDIA MPS优化性能并彻底避免显存溢出
在利用高性能计算（HPC）集群运行分子动力学模拟时，GROMACS 凭借其对 GPU 的高效支持成为了行业标配。然而，在实际生产环境中，我们经常会遇到这样的尴尬场景： 当模拟的体系较小（如少于 10 万原子），或者 CPU 核心数较...
-
多卡多NUMA服务器性能调优：MPI进程、GPU与MPS守护进程的最优绑定实践
在多卡多NUMA（Non-Uniform Memory Access）架构的服务器上运行MPI（Message Passing Interface）大规模并行程序时，默认的调度策略往往会导致灾难性的性能抖动。 如果一个MPI进程运行在...
-
为什么开启 NVIDIA MPS 后 MPI 进程会突发 CUDA_ERROR_OUT_OF_MEMORY？原理剖析与排查指南
在利用 MPI（Message Passing Interface）进行多进程并行计算或分布式深度学习训练时，为了提高 GPU 利用率，我们常常会开启 NVIDIA MPS（Multi-Process Service）。MPS 的初衷是允...
-
Slurm 调度下 MPI 作业的 NVIDIA MPS 动态启停与自动配置方案
在利用 Slurm 调度器运行 MPI 多机多卡作业时，若多个 MPI 进程（Ranks）需要共享同一张 GPU 卡，默认情况下会因为 CUDA Context 切换开销巨大而导致显卡利用率低下。NVIDIA MPS（Multi-Proc...
-
多节点 Slurm 集群中，如何用 Ansible 优雅地批量维护与巡检 GPU MPS 状态？
在大型 GPU 算力集群中，为了提升中小显存占用任务的吞吐量， NVIDIA MPS（Multi-Process Service，多进程服务） 是一个几乎必选的方案。配合 Slurm 的 gres/mps 机制，多任务可以物理共享单...
-
为什么在大规模 DDP 分布式训练中，开启 NVIDIA MPS 反而是个“灾难”？
在日常的 GPU 算力优化工作中， NVIDIA MPS（Multi-Process Service，多进程服务） 经常被誉为提升 GPU 利用率的“银弹”。在单卡运行多个轻量级推理任务，或者小规模多进程数据处理时，MPS 通过允许多个...
-
深度解析：NVIDIA MIG 与 MPS 在算力切分上的底层隔离机制有何本质不同？
在 GPU 算力虚拟化和多租户共享的场景中，NVIDIA 提供了两种主流的切分技术： MPS（Multi-Process Service，多进程服务） 和 MIG（Multi-Instance GPU，多实例 GPU） 。 虽然这...
-
K8s 混合调度 MIG 与 MPS 的终极实践：把 GPU 榨出最后一滴油水
在 AI 推理服务的生产环境中，最让基础设施团队头疼的，莫过于 “显存闲置” 与 “算力浪费” 。 普通的 AI 推理任务（尤其是中小模型、NLP 分类、OCR、语音识别等）往往呈现“高频、低延迟、低 GPU 利用率”的特点。如...
-
突破通信瓶颈：vLLM 混合并行与 K8s 拓扑感知调度深度实践
在大规模 LLM（如 Llama-3-70B、Mixtral-8x22B 等）推理场景下，基于 vLLM 的分布式推理服务面临着极其严苛的时延挑战。 Tensor Parallelism（张量并行，简称 TP）由于在每个 Transf...
-
Triton 复杂推理流水线：Ensemble 与 BLS 的时延损耗深剖与选型指南
在将深度学习模型推向生产环境时，极少有单体模型能包揽全部业务逻辑。一个典型的工业级推理服务往往由多个模块级联而成：例如“ 目标检测（YOLO） -> 抠图与对齐（预处理） -> 特征提取（ResNet） -> 向量检索与...
-
拒绝万恶的H2D拷贝：在Triton中用CUDA共享内存实现大图推理极速优化
在智能视觉、工业缺陷检测、超分辨率等场景中，我们经常需要处理 4K 甚至 8K 的超大尺寸图像。在传统的推理流程中，即使你把 GPU 上的模型优化到了极致，端到端的时延依然可能高达几十甚至上百毫秒。 用 Profiler 仔细分析就会...
-
高并发下的多卡 Triton 推理优化：如何利用 CUDA IPC 与 NCCL 实现跨卡零拷贝级联？
在多卡（Multi-GPU）环境下部署复杂的大模型流水线或级联模型（Ensemble/Pipeline）时，GPU 之间的数据传输延迟往往会成为整个吞吐链路的致命瓶颈。 典型的级联场景（例如： Visual Grounding 任务中...
-
Triton BLS 性能优化：如何优雅地实现 PyTorch 与 Triton Tensor 的「零拷贝」转换
在 Triton Inference Server 中编写 Python BLS（业务逻辑脚本）时，一个最容易忽视但也最致命的性能瓶颈就是 GPU 与 CPU 之间不必要的内存拷贝 。 很多刚接触 Triton 的同学，在编写 Py...
-
突破 IPC 瓶颈：如何在 Triton Python Backend 中优雅地使用 CUDA Shared Memory？
在高性能深度学习推理场景中， Triton Inference Server 凭其优秀的并发处理能力被广泛采用。然而，许多团队在使用 Python Backend 编写自定义预处理或模型后处理逻辑时，常常会遇到性能瓶颈。 这个瓶...
-
Triton 架构下 Python 与 PyTorch Backend 的并发显存开销差异及泄露精准定位实践
在生产环境中部署深度学习模型时，NVIDIA Triton Inference Server 是最常用的高性能推理引擎之一。然而，许多开发者在从 PyTorch (LibTorch) Backend 迁移到 Python Backend，...
-
Triton共享内存在C++与Python客户端下的性能差异与调优实践
在利用 Triton Inference Server 部署高吞吐、低延迟的深度学习模型时，传统的 gRPC 或 HTTP 协议往往会因为 数据序列化/反序列化 以及 网络栈拷贝 成为系统瓶颈。特别是在处理超大图像、视频流或高维张量时，这...
