[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Azure--MS-AMP":3,"tool-Azure--MS-AMP":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":114,"forks":115,"last_commit_at":116,"license":117,"difficulty_score":10,"env_os":118,"env_gpu":119,"env_ram":118,"env_deps":120,"category_tags":123,"github_topics":124,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":132,"updated_at":133,"faqs":134,"releases":165},5905,"Azure\u002FMS-AMP","MS-AMP","Microsoft Automatic Mixed Precision Library","MS-AMP 是微软推出的一款专为深度学习打造的自动混合精度训练库。在大模型训练日益普及的今天，显存容量和计算效率往往成为制约研发速度的瓶颈，而 MS-AMP 正是为了解决这一难题而生。它通过智能管理不同精度的数据类型，特别是率先支持了前沿的 FP8（8 位浮点）格式，帮助开发者在几乎不损失模型精度的前提下，大幅降低显存占用并提升训练速度。\n\n这款工具特别适合从事大语言模型预训练或微调的 AI 研究人员与算法工程师。如果你正在尝试训练参数量巨大的模型，却受限于硬件资源，或者希望在不升级显卡的情况下缩短实验周期，MS-AMP 将是一个得力的助手。其核心亮点在于“自动化”与\"FP8 支持”：基于微软在《FP8-LM》论文中的研究成果，MS-AMP 能够无缝集成到现有的 PyTorch 工作流中，无需用户手动编写复杂的精度转换代码，即可自动优化前向传播、反向传播及权重更新过程中的数据精度。这让原本高门槛的低位精度训练变得简单可控，让研究者能更专注于模型架构与算法创新，而非底层工程细节。","# MS-AMP: Microsoft Automatic Mixed Precision\n\n__MS-AMP__ is an automatic mixed precision package for deep learning developed by Microsoft.\n\n📢 [v0.4.0](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Freleases\u002Ftag\u002Fv0.4.0) has been released!\n\n## _Check [aka.ms\u002Fmsamp\u002Fdoc](https:\u002F\u002Faka.ms\u002Fmsamp\u002Fdoc) for more details._\n\n## Publication\n\n\u003Cdetails>\n\u003Csummary>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2310.18313.pdf\">FP8-LM: Training FP8 Large Language Models\u003C\u002Fa> [\u003Cb>bib\u003C\u002Fb>]\n\u003C\u002Fsummary>\n\n```bibtex\n@misc{fp8lm,\n      title={FP8-LM: Training FP8 Large Language Models},\n      author={Houwen Peng and Kan Wu and Yixuan Wei and Guoshuai Zhao and Yuxiang Yang and Ze Liu and Yifan Xiong and Ziyue Yang and Bolin Ni and Jingcheng Hu and Ruihang Li and Miaosen Zhang and Chen Li and Jia Ning and Ruizhe Wang and Zheng Zhang and Shuguang Liu and Joe Chau and Han Hu and Peng Cheng},\n      year={2023},\n      eprint={2310.18313},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG}\n}\n```\n\n\u003C\u002Fdetails>\n\n## Trademarks\n\nThis project may contain trademarks or logos for projects, products, or services. Authorized use of Microsoft\ntrademarks or logos is subject to and must follow\n[Microsoft's Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral).\nUse of Microsoft trademarks or logos in modified versions of this project must not cause confusion or imply Microsoft sponsorship.\nAny use of third-party trademarks or logos are subject to those third-party's policies.\n","# MS-AMP：微软自动混合精度\n\n__MS-AMP__ 是由微软开发的用于深度学习的自动混合精度工具包。\n\n📢 [v0.4.0](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Freleases\u002Ftag\u002Fv0.4.0) 已发布！\n\n## _更多详情请参阅 [aka.ms\u002Fmsamp\u002Fdoc](https:\u002F\u002Faka.ms\u002Fmsamp\u002Fdoc)。_\n\n## 出版物\n\n\u003Cdetails>\n\u003Csummary>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2310.18313.pdf\">FP8-LM：训练 FP8 大型语言模型\u003C\u002Fa> [\u003Cb>bib\u003C\u002Fb>]\n\u003C\u002Fsummary>\n\n```bibtex\n@misc{fp8lm,\n      title={FP8-LM: Training FP8 Large Language Models},\n      author={Houwen Peng and Kan Wu and Yixuan Wei and Guoshuai Zhao and Yuxiang Yang and Ze Liu and Yifan Xiong and Ziyue Yang and Bolin Ni and Jingcheng Hu and Ruihang Li and Miaosen Zhang and Chen Li and Jia Ning and Ruizhe Wang and Zheng Zhang and Shuguang Liu and Joe Chau and Han Hu and Peng Cheng},\n      year={2023},\n      eprint={2310.18313},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG}\n}\n```\n\n\u003C\u002Fdetails>\n\n## 商标\n\n本项目可能包含与项目、产品或服务相关的商标或标识。对微软商标或标识的授权使用须遵守并符合\n[微软商标与品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。\n在本项目的修改版本中使用微软商标或标识时，不得造成混淆或暗示微软的赞助关系。\n任何第三方商标或标识的使用均应遵循该第三方的相关政策。","# MS-AMP 快速上手指南\n\nMS-AMP (Microsoft Automatic Mixed Precision) 是微软开发的深度学习自动混合精度包，旨在支持 FP8 格式训练大型语言模型，显著提升训练效率并降低显存占用。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 20.04\u002F22.04)\n*   **GPU**: NVIDIA GPU (需支持 FP8 计算能力，如 H100、H800 或更新的架构；部分功能可能在 A100 上受限)\n*   **CUDA**: CUDA 11.8 或更高版本\n*   **Python**: Python 3.8 - 3.10\n*   **深度学习框架**: PyTorch 2.0+\n\n**前置依赖检查：**\n请确保已安装与 CUDA 版本匹配的 `torch` 和 `torchvision`。\n\n## 安装步骤\n\n您可以通过 pip 直接安装最新发布的稳定版本（v0.4.0）。\n\n```bash\npip install ms-amp\n```\n\n如果您需要从源码安装以获取最新特性，可以使用以下命令：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP.git\ncd MS-AMP\npip install .\n```\n\n> **提示**：如果下载速度较慢，可尝试使用国内镜像源加速安装：\n> ```bash\n> pip install ms-amp -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\nMS-AMP 的设计目标是极简集成。您只需几行代码即可将现有的 PyTorch 训练脚本升级为支持 FP8 混合精度训练。\n\n### 最简单的使用示例\n\n假设您已经有一个标准的 PyTorch 模型 (`model`) 和优化器 (`optimizer`)，启用 MS-AMP 仅需调用 `initialize` 函数：\n\n```python\nimport torch\nimport ms_amp\n\n# 1. 定义您的模型和优化器\nmodel = MyLargeLanguageModel()\noptimizer = torch.optim.AdamW(model.parameters(), lr=1e-4)\n\n# 2. 初始化 MS-AMP (自动处理梯度缩放和类型转换)\n# level=\"O2\" 通常用于 FP8 训练，具体级别可根据需求调整\nmodel, optimizer = ms_amp.initialize(model, optimizer, opt_level=\"O2\")\n\n# 3. 开始正常的训练循环 (无需修改后续代码)\nfor data, target in dataloader:\n    output = model(data)\n    loss = criterion(output, target)\n    \n    loss.backward()\n    optimizer.step()\n    optimizer.zero_grad()\n```\n\n### 关键说明\n*   **opt_level**: 推荐使用 `\"O2\"` 以启用完整的 FP8 训练支持（包括权重、激活值和梯度的 FP8 量化）。\n*   **兼容性**: 初始化后，原有的训练循环逻辑（forward, backward, step）保持不变，MS-AMP 会在底层自动处理精度转换。\n\n更多高级配置和详细文档请访问 [aka.ms\u002Fmsamp\u002Fdoc](https:\u002F\u002Faka.ms\u002Fmsamp\u002Fdoc)。","某大型云服务商的 AI 实验室正在基于千亿参数规模训练下一代大语言模型，面临显存容量受限与训练成本高昂的双重挑战。\n\n### 没有 MS-AMP 时\n- 团队被迫使用 FP16 混合精度训练，导致显存占用过高，无法在单节点内容纳更大的批次大小（Batch Size），严重拖慢收敛速度。\n- 为了规避数值溢出风险，工程师需手动编写大量复杂的损失缩放（Loss Scaling）代码和梯度转换逻辑，维护成本极高且容易出错。\n- 通信带宽成为瓶颈，多卡间传输高精度梯度耗时过长，导致 GPU 利用率长期徘徊在 60% 以下，算力浪费严重。\n- 尝试引入实验性的 FP8 支持时，因缺乏统一的自动化库，需针对不同算子逐个修改底层内核，开发周期长达数周。\n\n### 使用 MS-AMP 后\n- 借助 MS-AMP 原生的 FP8 自动混合精度支持，显存占用降低近 50%，成功将批次大小翻倍，显著加速了模型收敛过程。\n- MS-AMP 自动接管了前向传播、反向传播及优化器状态的全流程精度转换，彻底消除了手动管理损失缩放的繁琐与隐患。\n- 利用 FP8 格式进行梯度通信，数据传输量大幅减少，多机多卡环境下的通信开销降低 40%，GPU 利用率提升至 90% 以上。\n- 仅需几行代码即可接入现有 PyTorch 训练框架，无需修改模型结构或重写算子，三天内便完成了从 FP16 到 FP8 的平滑迁移。\n\nMS-AMP 通过自动化 FP8 混合精度技术，在大幅降低显存门槛的同时释放了硬件极致算力，让超大规模模型训练变得更高效、更经济。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_MS-AMP_d2e42072.png","Azure","Microsoft Azure","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAzure_6a5873eb.png","APIs, SDKs and open source projects from Microsoft Azure",null,"https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fazure\u002F","https:\u002F\u002Fgithub.com\u002FAzure",[80,84,88,92,96,100,104,107,110],{"name":81,"color":82,"percentage":83},"Python","#3572A5",84,{"name":85,"color":86,"percentage":87},"Cuda","#3A4E3A",8.5,{"name":89,"color":90,"percentage":91},"C++","#f34b7d",5.3,{"name":93,"color":94,"percentage":95},"JavaScript","#f1e05a",1,{"name":97,"color":98,"percentage":99},"Dockerfile","#384d54",0.5,{"name":101,"color":102,"percentage":103},"CMake","#DA3434",0.2,{"name":105,"color":106,"percentage":103},"CSS","#663399",{"name":108,"color":109,"percentage":103},"Makefile","#427819",{"name":111,"color":112,"percentage":113},"Shell","#89e051",0.1,636,50,"2026-04-08T05:17:29","MIT","未说明","未说明（通常此类混合精度工具需要支持 FP8 的 NVIDIA GPU，如 H100，但 README 未明确列出）",{"notes":121,"python":118,"dependencies":122},"提供的 README 片段主要包含项目简介、版本发布通知、论文引用及商标声明，未包含具体的安装指南、系统环境需求或依赖库列表。详细文档需参考链接 aka.ms\u002Fmsamp\u002Fdoc。",[],[14,35],[125,126,127,128,129,130,131],"amp","deep-learning","fp8","gpu","pytorch","transformer","mixed-precision","2026-03-27T02:49:30.150509","2026-04-09T21:34:00.449163",[135,140,145,150,155,160],{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},26799,"MS-AMP 的代码是否可以直接复现论文结果？为什么我的训练无法收敛或报错？","代码可以复现，但需要注意两个关键点：\n1. 必须使用 MS-AMP 提供的梯度裁剪函数（msamp's clip grad norm），而不能直接使用 PyTorch 原生的 torch.clip，否则会抛出异常，因为 torch.clip 无法处理 MS-AMP 的 ScalingTensor。\n2. 对于基于 Transformer 的模型，最后一个线性层（last linear）不应替换为 Fp8Linear。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Fissues\u002F178",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},26800,"FP8-LM 是否仅支持 H100 显卡？如何在 A100 或 A800 上运行？","TransformerEngine-FP8 不支持 A800\u002FA100。若要在这些显卡上使用 MS-AMP，需要在启动脚本中移除以下两个参数，从而启用 MS-AMP 自带的 FP8Linear 而不是 Transformer Engine 的实现：\n--fp8-hybrid \\\n--transformer-impl transformer_engine\n修改后显存占用可减少近一半，但可能不会有显著的速度提升。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Fissues\u002F116",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},26801,"MS-AMP 中的 FP8 Allreduce 通信机制是如何工作的？是否需要缩放因子？","在张量并行（Tensor Parallel）的前向传播中，RowParallelLinear 的输出是使用 BF16 数据类型进行 Allreduce 的。\nFP8 通信主要应用于以下两个场景：\n1. ColumnParallelLinear 的输入阶段（执行 Allgather）。\n2. Row 和 Column ParallelLinear 的权重梯度阶段（执行 Allreduce）。\n因此，并非所有步骤都使用 FP8 Allreduce。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Fissues\u002F111",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},26802,"MS-AMP 依赖的库版本过旧（如 flash-attn, transformer-engine），可以更新吗？","可以更新。目前 flash-attn 已更新至 2.x 版本，transformer-engine 已更新至 v1.1。\n注意：Megatron-LM 在使用最新的 transformer-engine (v1.2.1) 时可能无法收敛，但在 v1.1 版本下可以正常收敛，建议暂时锁定在 v1.1。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Fissues\u002F129",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},26803,"在使用 DeepSpeed 时，为什么代码没有进入 FP8 分支？","当使用 DeepSpeed 的 FusedAdam 优化器时，可能会遇到无法进入 FP8 分支的情况。这通常与算子兼容性有关。MS-AMP 与 Transformer Engine 类似，但在具体实现和算子支持上存在差异。如果遇到此类问题，需检查当前使用的优化器算子是否被 MS-AMP 的 FP8 逻辑所覆盖，或者是否需要特定的配置来触发 FP8 路径。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Fissues\u002F176",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},26804,"LinearReplacer 和 TeReplacer 分别在什么情况下被使用？","虽然脚本中可能同时涉及相关参数，但替换逻辑取决于具体的 FP_TYPE 设置。当使用 MS-AMP 原生实现时，会调用 LinearReplacer 将标准线性层替换为 Fp8Linear；当指定使用 Transformer Engine 后端时，则会通过 TeReplacer 进行替换。如果在 A800 等不支持 Transformer Engine FP8 的硬件上，应确保配置回退到 MS-AMP 原生实现以触发 LinearReplacer。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Fissues\u002F197",[166,171,176,181],{"id":167,"version":168,"summary_zh":169,"released_at":170},172040,"v0.4.0","## MS-AMP 优化改进\n- 通过使用内核融合技术优化 FP8 梯度累积，提升 GPT-3 性能\n- 在 FSDP 中支持 FP8 格式\n- 支持 DeepSpeed+TE+MSAMP，并新增 cifar10 示例\n- 支持 MSAMP+TE+DDP\n- 将 DeepSpeed 更新至最新版本\n- 将 TransformerEngine 更新至 V1.1，并将 flash-attn 更新至最新版本\n- 支持 CUDA 12.2\n- 修复 DeepSpeed 集成中的若干 bug\n\n## MS-AMP-Examples 优化改进\n- 完善 GPT3 数据处理相关文档\n- 新增 GPT-6b7 预训练的启动脚本\n- 在 Megatron-LM 中使用 TransformerEngine 的新 API\n\n## 文档优化改进\n- 在“安装”页面中添加 Docker 使用说明\n- 在“运行示例”页面中指导用户如何运行 FSDP 以及 DeepSpeed+TE+MSAMP 示例","2024-02-26T10:34:08",{"id":172,"version":173,"summary_zh":174,"released_at":175},172041,"v0.3.0","# MS-AMP 0.3.0 版本更新说明\n## MS-AMP 改进\n- 集成最新的 Transformer Engine 到 MS-AMP 中\n- 与最新版本的 Megatron-LM 集成\n- 新增 MS-AMP 官网并完善文档\n- 添加支持 FP8 和计算\u002F通信重叠的自定义 DistributedDataParallel\n- 重构 dist_op 模块中的代码\n- 支持分布式测试的单元测试\n- 与 MSCCL 集成\n\n## MS-AMP-Examples 改进\n- 支持使用 Megatron-LM 和 MS-AMP 对 GPT-3 进行预训练\n- 提供一个工具，用于打印 NVLINK 和 InfiniBand 的每秒流量\n- 在所有示例中打印 TFLOPS 和吞吐量指标\n\n## 文档改进\n- 在“简介”页面中添加性能数据\n- 优化“使用指南”和“优化级别”页面\n- 新增“容器镜像”页面\n- 新增“开发者指南”章节","2023-11-03T10:41:30",{"id":177,"version":178,"summary_zh":179,"released_at":180},172042,"v0.2.0","# MS-AMP 0.2.0 版本更新说明\n## MS-AMP 改进\n- 添加 O3 优化，以支持分布式训练框架中的 FP8 精度\n- 在 functional.linear 中支持 ScalingTensor\n- 在 FP8Linear 中支持自定义属性\n- 提升性能\n- 添加适用于 PyTorch 1.14 + CUDA 11.8 和 PyTorch 2.1 + CUDA 12.1 的 Docker 文件\n- 支持 PyTorch 2.1\n- 在首页添加性能结果和 TE 结果\n- 在流水线中缓存 TE 构建\n\n## MS-AMP-Examples 改进\n新增 3 个使用 MS-AMP 的示例：\n- [GPT-3 模型](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP-Examples\u002Ftree\u002Fmain\u002Fgpt3)\n- [RoBERTa 模型](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP-Examples\u002Ftree\u002Fmain\u002FRoBERTa)\n- [CIFAR10 模型](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Ftree\u002Fmain\u002Fexamples#cifar10)","2023-07-20T13:07:14",{"id":182,"version":183,"summary_zh":184,"released_at":185},172043,"v0.1.0","# MS-AMP 0.1.0 版本说明\n## MS-AMP 包\n- 支持由最新加速器（例如 H100）引入的 FP8 新特性。\n- 通过使用 Tensor Cores 加速数学密集型操作，如线性层。\n- 通过访问单字节数据而非半精度或单精度数据，加速内存受限的操作。\n- 降低模型训练所需的内存，从而支持更大规模的模型或更大的批量大小。\n- 通过传输更低精度的梯度，加速分布式模型的通信。\n- 支持两种优化级别：O1 和 O2。\n- 支持两种优化器：Adam 和 AdamW。\n## 使用 MS-AMP 的示例\n- [MNIST 模型](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP\u002Ftree\u002Fmain\u002Fexamples)\n- [DeiT 模型](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP-Examples\u002Ftree\u002Fmain\u002Fdeit)\n- [Swin-Transformer 模型](https:\u002F\u002Fgithub.com\u002FAzure\u002FMS-AMP-Examples\u002Ftree\u002Fmain\u002FSwin-Transformer)  ","2023-04-21T09:01:30"]