<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u013206206的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u013206206</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u013206206]]></copyright><item><title><![CDATA[Manus-横空出世的AI Agent]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/146149320</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/146149320</guid><author>u013206206</author><pubDate>Mon, 10 Mar 2025 11:52:11 +0800</pubDate><description><![CDATA[北京时间3月6日凌晨，通用型AI Agent产品Manus是由中国团队研发的全球首款具备全链路自主执行能力的AI智能体，其核心突破在于将复杂任务的规划、拆解与执行整合为端到端的自动化流程，真正实现“像人类一样思考和行动”的目标。Manus 的产品名，意思为“手”，来自拉丁文 “mens et manus” —— 知行合一。是一个通用的AI代理，可将想法转换为行动。]]></description><category></category></item><item><title><![CDATA[DeepSeek使用手册分享-附PDF下载连接]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/145976886</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/145976886</guid><author>u013206206</author><pubDate>Mon, 03 Mar 2025 09:55:51 +0800</pubDate><description><![CDATA[FP8混合精度训练，DeepSeek采用了混合精度框架，使用细粒度量化策略、低精度优化器状态等方法以实现增强精度、低精度存储和通信，同时DeepSeek向硬件厂商也提出了硬件设计的相关建议。多词元预测训练(MTP)是指，在训练过程中，模型不仅预测下一个词元，同时预测多个未来的词元。MLA 的核心是对注意力键和值进行低秩联合压缩，减少推理过程中的 a 键值缓存（KV cache），从而降低推理时的内存占用。DeepSeek公司和模型的基本简介，以及DeepSeek高性能低成本获得业界的高度认可的原因。]]></description><category></category></item><item><title><![CDATA[AI新顶流-DeepSeek 技术大揭秘]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/145542299</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/145542299</guid><author>u013206206</author><pubDate>Mon, 10 Feb 2025 09:26:19 +0800</pubDate><description><![CDATA[DeepSeek无疑是这个春节档AI圈的顶流，2024年12月发布DeepSeek-V3作为全国产自研模型，以其高性能，低价格火爆AI领域。]]></description><category></category></item><item><title><![CDATA[年度大盘点：2024年度科技热点流量]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/145343512</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/145343512</guid><author>u013206206</author><pubDate>Fri, 24 Jan 2025 16:44:55 +0800</pubDate><description><![CDATA[2024年，全球科技发展迅速，近期，各大媒体陆续评选出2024年国内国际科技进展新闻或发布年度科技进展回顾盘点。小编也借此发布非官方2024年科技大事纪，回顾下2024年那些热点流量。]]></description><category></category></item><item><title><![CDATA[AMD uprof 快速抓取应用运行时CPU 特征数据]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/145079631</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/145079631</guid><author>u013206206</author><pubDate>Mon, 13 Jan 2025 09:19:06 +0800</pubDate><description><![CDATA[也可让应用分析人员快速了解应用当前的表现是否符合预期，比如是否正确使用当前处理器可支持的最高SIMD扩展指令集，以及相关比例。AMD uprof是一款性能分析工具套件，适用于在Windows，Linux，FreeBSD操作系统上运行的X86的应用程序。示例：/tmp/AMDuProfPcm-Timeseries_Jan-02-2025_08-41-49。第一页是针对CPU流水线分析的性能瓶颈，也就是TopDown分析法在AMD CPU上的应用情况。Memory 选项包含，内存带宽时序图和远程访问的情况。]]></description><category></category></item><item><title><![CDATA[Intel 性能分析“全家桶” For HPC(四)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/144852677</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/144852677</guid><author>u013206206</author><pubDate>Sat, 11 Jan 2025 17:03:40 +0800</pubDate><description><![CDATA[Intel Advisor是一个源码级的性能分析工具，可支持对C, C++, Fortran, SYCL*, OpenMP*, OpenCL™ code, and Python*的源码级分析。分析目标如下：1、高性能 CPU 代码：分析程序执行，为实现高效的线程化、矢量化和内存设计提出建议。2、高效的 GPU 代码：通过分析确认代码中可利用GPU加速的部分，并从计算和内存两方面提出建议。3、程序流程分析：可视化的分析异构应用，并分析依赖关系计算。]]></description><category></category></item><item><title><![CDATA[Intel 性能分析“全家桶” For HPC(三)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/144632327</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/144632327</guid><author>u013206206</author><pubDate>Sat, 21 Dec 2024 16:00:28 +0800</pubDate><description><![CDATA[Intel® Trace Analyzer and Collector(ITAC)是Intel针对MPI应用的分析工具，具有以下这些功能。ITAC是Intel® oneAPI HPC Toolkit的一部分定位潜在缓冲区重叠和死锁。可视化并行应用程序行为。分析MPI相关统计信息和负载平衡。发现通信热点，了解通信模式、参数和性能数据。]]></description><category></category></item><item><title><![CDATA[Intel 性能分析“全家桶” For HPC(二)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/144474617</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/144474617</guid><author>u013206206</author><pubDate>Sat, 14 Dec 2024 19:07:33 +0800</pubDate><description><![CDATA[首先通过Application Performance Snapshot（APS,集成于Vtune）对应用的性能表现进行一般性的描述，包括执行时间，平均IPC，CPU 频率，浮点计算能力，向量化比例分析，MPI 耗时分析，Memory相关的stall分析，Disk 读写信息以及内存情况（应用实际内存占用申请的虚拟内存）。第二步，根据提示分别对多节点的MPI 通信（ITAC），单节点内的程序执行情况（VTUNE，微架构层面分析）以及程序在多线程，向量化分布进行分析（Advisor，代码层面）。]]></description><category></category></item><item><title><![CDATA[Intel 性能分析“全家桶” For HPC(一)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/144294061</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/144294061</guid><author>u013206206</author><pubDate>Fri, 06 Dec 2024 18:03:49 +0800</pubDate><description><![CDATA[本系列是对于HPC应用性能分析涉及的主要方法论及Intel主流工具分享。理解这些方法论将有助于对性能分析结果的理解。同时方法论也可以推广到其他的硬件平台的分析上。除此之外后面也将介绍如何用Vtune, Advisor以及ITAC进行性能分析，以及在性能分析过程中这三种性能工具的区别与分工。]]></description><category></category></item><item><title><![CDATA[SC24演讲分享：《Scaling Deep Learning on AMD GPUs》]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/144116295</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/144116295</guid><author>u013206206</author><pubDate>Thu, 28 Nov 2024 17:30:05 +0800</pubDate><description><![CDATA[本周分享SC24演讲来自橡树岭国家实验室&DOE《Scaling Deep Learning on AMD GPUs》]]></description><category></category></item><item><title><![CDATA[超算前沿速递：TOP500超级计算机榜单公布]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/143993961</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/143993961</guid><author>u013206206</author><pubDate>Sat, 23 Nov 2024 16:07:32 +0800</pubDate><description><![CDATA[第 64 版 TOP500 榜单显示，El Capitan 已夺得榜首位置，成为继 Frontier 和 Aurora 之后第三个达到E级计算能力的系统。此后，这两个系统分别跌至第 2 位和第 3位。]]></description><category></category></item><item><title><![CDATA[AlphaFold3现已开源,诺奖AI工具触手可及]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/143716081</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/143716081</guid><author>u013206206</author><pubDate>Tue, 12 Nov 2024 15:37:38 +0800</pubDate><description><![CDATA[复杂的生物过程，例如蛋白质合成、信号转导和药物相互作用，依赖于复杂的分子结构和精确的相互作用。与其前身 AlphaFold 2 相比，AlphaFold 3 提供了更复杂的架构，能够预测生物分子复合物的联合结构，包括蛋白质、DNA、RNA、配体、离子甚至化学修饰。如基准测试所示，AlphaFold 3 的表现明显优于 AutoDock Vina 和 RoseTTAFold All-Atom 等传统工具，在蛋白质-配体相互作用和蛋白质-核酸复合物方面提供了更高的准确性。2024年11月12日 14:55。]]></description><category></category></item><item><title><![CDATA[linux VS 轻量级多内核(IHK/McKernel)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/143491225</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/143491225</guid><author>u013206206</author><pubDate>Mon, 04 Nov 2024 18:33:33 +0800</pubDate><description><![CDATA[研究目的：探索轻量级内核（LWK）操作系统在极端规模下是否能够超越Linux的性能。方法：开发了IHK/McKernel，一个为HPC设计的轻量级多内核操作系统，并在两台高端超级计算机上部署，与Linux性能进行比较。结果：在适度调整的Linux环境中，McKernel显著优于Linux（高达约2倍性能），而在Fugaku上，McKernel平均提速4%，部分实验中LWK性能超过Linux达29%。]]></description><category></category></item><item><title><![CDATA[实现高性能、高密度封装和低功耗的超级计算机 Fugaku CPU A64FX]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/143310932</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/143310932</guid><author>u013206206</author><pubDate>Mon, 28 Oct 2024 19:19:02 +0800</pubDate><description><![CDATA[下图显示了A64FX的流水线，一个核心由指令控制单元、执行单元和一级缓存单元组成。指令控制单元执行指令提取、指令解码、指令乱序处理控制和指令完成控制。执行单元配备有两个定点功能单元（EXA/EXB）、两个用于地址计算和简单定点运算的功能单元（对于地址计算称为EAGA/EAGB，对于定点运算称为EXC/EXD）、两个用于执行SVE指令的浮点单元（FLA/FLB）和一个用于执行预测运算的预测单元（PRX）。这两个浮点单元都具有512位SIMD配置，并且可以在每个周期执行浮点乘法累加操作。]]></description><category></category></item><item><title><![CDATA[高性能计算应用优化实践之VASP]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/142881996</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/142881996</guid><author>u013206206</author><pubDate>Sat, 12 Oct 2024 17:10:51 +0800</pubDate><description><![CDATA[第一性原理计算是基于密度泛函理论，通过选择合适的交换关联赝势(GGA或LDA)，然后基于迭代方法自洽求解Kohn-Sham方程，直到所求出的新的电荷密度与输入的电荷密度在收敛判据范围内，则认为迭代计算达到收敛，最后求得系统的总能量、能带、波函数、电荷密度、态密度等等。KPAR表示同时计算多少个K点，默认为1，可用“grep irre OUTCAR ”查看不可约K点数，体系的K点设置为不可约K点数的除数，最大可设置为体系的不可约K点数。NCORE决定轨道并行策略，单个轨道计算所使用的核数量。]]></description><category></category></item><item><title><![CDATA[高性能计算应用优化实践之WRF]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/142600704</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/142600704</guid><author>u013206206</author><pubDate>Fri, 27 Sep 2024 19:25:01 +0800</pubDate><description><![CDATA[WRF（Weather Research Forecast）模式是由美国国家大气研究中心（NCAR）、国家环境预报中心（NCEP）等机构自1997年起联合开发的新一代高分辨率中尺度天气研究预报模式，重点解决分辨率为1～10Km、时效60h以内的有限区域天气预报和模拟问题。WRF模式开发的目标是建立一个具有可移植、易维护、可扩充、高效、用户友好的模式。]]></description><category></category></item><item><title><![CDATA[高性能计算应用优化之并行与通信调优]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/142420469</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/142420469</guid><author>u013206206</author><pubDate>Sat, 21 Sep 2024 17:29:42 +0800</pubDate><description><![CDATA[例如，对与Allreduce通信，可以对节点进行分组，通过节点内Reduce，节点间Allreduce，然后节点内Bcast的步骤，完成 Allreduce 操作，这种方法充分利用了节点内通信的高带宽，弱化节点间的低网络带宽带来的影响。在程序实际运行中用户可以通过抓取MPI进程间通信信息，得到程序通信热点，对程序进程进行合理排布，将通信更加频繁的进程放置于节点内同一NUMA中，这样可在一定程度上减少通信消耗，进而提升运行性能。面对这种情况，可以将多次通信的数据合并到数组中，将多次通信合并为一次通信。]]></description><category></category></item><item><title><![CDATA[高性能计算应用优化之代码实现调优(二)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/142263231</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/142263231</guid><author>u013206206</author><pubDate>Sat, 14 Sep 2024 17:31:44 +0800</pubDate><description><![CDATA[例如，下面的函数在堆栈上分配了n字节大小的八个对象，并将每个对象的指针存储在数组a的连续元素中。导致内存带宽的浪费。这种操作涉及到了CPU从数据总线中向内存中取值，通常速度远远慢于CPU本身的计算操作，也慢于CPU取出内部寄存器值的操作，很多时候，一个程序的计算瓶颈就在这些去内存的操作中，因此要尽量避免不必要的内存引用。例如4 个字节的变量，例如 float、int 类型的变量，放在 4 的整数倍地址上，8 个字节的变量，例如 long long、double 类型的变量，放在 8 的整数倍地址上。]]></description><category></category></item><item><title><![CDATA[高性能计算应用优化之代码实现调优(一)]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/141999708</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/141999708</guid><author>u013206206</author><pubDate>Sat, 07 Sep 2024 18:01:03 +0800</pubDate><description><![CDATA[本章将介绍代码实现过程中使用到的调优方法。在软件开发早期，开发者更多关注代码功能的实现，对代码的性能关注较少，随着代码规模增加，不合理的代码实现方法所带来的性能包袱逐渐凸显。因此，需要对原有代码实现进行优化，如修改不合理的访存顺序，使代码更易于被编译器优化等。]]></description><category></category></item><item><title><![CDATA[高性能计算应用优化之IO调优]]></title><link>https://blog.youkuaiyun.com/u013206206/article/details/141826278</link><guid>https://blog.youkuaiyun.com/u013206206/article/details/141826278</guid><author>u013206206</author><pubDate>Mon, 02 Sep 2024 18:11:10 +0800</pubDate><description><![CDATA[并行IO软件库ROMIO提出了集合I/O的方式，它增加了一步全局通信，比如在写出数据的时候，先将各进程不连续的数据按照文件中的位置排列成有序的，再分别写出，进一步地，ROMIO中提供了每个客户端节点中选择一个或几个进程负责I/O的局地聚合方式，将全局通信变成了局地通信，减少了通信的开销。ROMIO被集成在了基于POSIX I/O接口开发的并行IO库——MPI-IO上，使得MPI-IO做到平台独立和接口易用，用程序可以通过MPI-IO及基于MPI-IO的pHDF5、pNetCDF等库实现并行IO。]]></description><category></category></item></channel></rss>