{"id":107177,"date":"2023-03-10T12:48:22","date_gmt":"2023-03-10T10:48:23","guid":{"rendered":"https:\/\/prohoster.info\/?p=107177"},"modified":"2023-03-11T11:43:26","modified_gmt":"2023-03-11T09:43:26","slug":"predstavlen-openxla-instrumentarij-dlya-optimizaczii-i-kompilyaczii-modelej-mashinnogo-obucheniya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/predstavlen-openxla-instrumentarij-dlya-optimizaczii-i-kompilyaczii-modelej-mashinnogo-obucheniya","title":{"rendered":"Se presenta OpenXLA, un conjunto de herramientas para la optimizaci\u00f3n y compilaci\u00f3n de modelos de aprendizaje autom\u00e1tico.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Las principales empresas dedicadas al desarrollo en el \u00e1mbito del aprendizaje autom\u00e1tico han presentado el proyecto OpenXLA, orientado a desarrollar conjuntamente herramientas para la compilaci\u00f3n y optimizaci\u00f3n de modelos para sistemas de aprendizaje autom\u00e1tico. El proyecto acoge el desarrollo de herramientas que permiten unificar la compilaci\u00f3n de modelos creados en los frameworks TensorFlow, PyTorch y JAX, para un entrenamiento y ejecuci\u00f3n eficientes en diferentes GPU y aceleradores especializados. Se han unido al trabajo conjunto empresas como Google, NVIDIA, AMD, Intel, Meta, Apple, Arm, Alibaba y Amazon. <\/p>\n
Se espera que, gracias a la colaboraci\u00f3n de equipos de investigaci\u00f3n l\u00edderes y representantes de la comunidad, se logre impulsar el desarrollo de sistemas de aprendizaje autom\u00e1tico y resolver el problema de la fragmentaci\u00f3n de la infraestructura para diferentes frameworks y hardware. OpenXLA permite implementar un soporte efectivo para diversos equipos, independientemente del framework en el que se haya creado el modelo de aprendizaje autom\u00e1tico. Se espera que OpenXLA reduzca el tiempo de entrenamiento de los modelos, aumente el rendimiento, disminuya la latencia, reduzca los costos en recursos computacionales y acorte el tiempo de lanzamiento al mercado.
<\/center> <\/p>\n
OpenXLA se compone de tres componentes principales, cuyo c\u00f3digo se distribuye bajo la licencia Apache 2.0: <\/p>\n
\n
XLA (\u00c1lgebra Lineal Acelerada) \u2014 un compilador que permite optimizar modelos de machine learning para una alta ejecuci\u00f3n en diversas plataformas de hardware, incluyendo GPU, CPU y aceleradores especializados de diferentes fabricantes.\n
StableHLO \u2014 una especificaci\u00f3n y una implementaci\u00f3n base de un conjunto de operaciones de alto nivel (HLO, High-Level Operations) para su uso en modelos de sistemas de machine learning. Act\u00faa como un intermediario entre los frameworks de machine learning y los compiladores que transforman el modelo para su ejecuci\u00f3n en hardware espec\u00edfico. Las capas para generar modelos en formato StableHLO est\u00e1n preparadas para los frameworks PyTorch, TensorFlow y JAX. StableHLO se basa en el conjunto MHLO, que se ha ampliado con soporte para serializaci\u00f3n y versionado.\n
IREE (Entorno de Ejecuci\u00f3n de Representaci\u00f3n Intermedia) \u2014 un compilador y runtime que transforma modelos de machine learning en una representaci\u00f3n intermedia universal basada en el formato MLIR (Representaci\u00f3n Intermedia de Varios Niveles) del proyecto LLVM. Destaca la capacidad de compilaci\u00f3n anticipada (ahead-of-time), soporte para el control de flujo, posibilidad de usar elementos din\u00e1micos en los modelos y optimizaci\u00f3n para diferentes CPU y GPU, con bajos costos de sobrecarga. <\/ul>\n
Principales ventajas de la herramienta OpenXLA: <\/p>\n
\n
Lograr un rendimiento \u00f3ptimo sin necesidad de profundizar en la escritura de c\u00f3digo espec\u00edfico para dispositivos. Proporcionar optimizaciones listas que incluyen la simplificaci\u00f3n de expresiones algebraicas, colocaci\u00f3n eficiente en memoria y planificaci\u00f3n de la ejecuci\u00f3n con la consideraci\u00f3n de la reducci\u00f3n del consumo m\u00e1ximo de memoria y sobrecargas.\n
Simplificaci\u00f3n del escalado y la paralelizaci\u00f3n de c\u00e1lculos. El desarrollador solo necesita agregar anotaciones para un subconjunto de tensores cr\u00edticos, sobre la base de las cuales el compilador puede generar autom\u00e1ticamente c\u00f3digo para c\u00e1lculos paralelos.\n
Garantizar la portabilidad mediante el soporte de diversas plataformas de hardware, como GPU AMD y NVIDIA, CPU basadas en arquitecturas x86 y ARM, aceleradores de ML TPU de Google, IPU AWS Trainium e Inferentia, Graphcore y Cerebras Wafer-Scale Engine.\n
Soporte para conectar extensiones con la implementaci\u00f3n de capacidades adicionales, como el soporte para escribir primitivos de aprendizaje profundo utilizando CUDA, HIP, SYCL, Triton y otros lenguajes para c\u00e1lculos paralelos. Posibilidad de ajustes manuales para corregir cuellos de botella en los modelos. <\/ul>\n
![\"Se](\"\/wp-content\/uploads\/2023\/03\/b684d2f57def6348f6a0037c36baf717.jpg\")
<\/center> <\/p>\n