国家超算互联网平台网址：探索高效计算的新时代

异构加速卡AI的性能测试

在使用国家超算互联网平台时，我首先对异构加速卡AI进行了性能测试。为了准确评估其性能，我使用了ResNet网络进行训练测试。下方是我使用的代码块：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'  # Only show error messages

import tensorflow as tf
from tensorflow.keras import layers, models

gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar100.load_data()

x_train, x_test = x_train / 255.0, x_test / 255.0

def resnet_block(inputs, num_filters, kernel_size=3, strides=1, activation='relu'):
    x = layers.Conv2D(num_filters, kernel_size=kernel_size, strides=strides, padding='same')(inputs)
    x = layers.BatchNormalization()(x)
    if activation:
        x = layers.Activation(activation)(x)
    return x

def resnet_identity_block(inputs, num_filters):
    x = resnet_block(inputs, num_filters)
    x = resnet_block(x, num_filters, activation=None)
    x = layers.Add()([x, inputs])
    x = layers.Activation('relu')(x)
    return x

def resnet_conv_block(inputs, num_filters, strides=2):
    x = resnet_block(inputs, num_filters, strides=strides)
    x = resnet_block(x, num_filters, activation=None)
    shortcut = layers.Conv2D(num_filters, kernel_size=1, strides=strides, padding='same')(inputs)
    shortcut = layers.BatchNormalization()(shortcut)
    x = layers.Add()([x, shortcut])
    x = layers.Activation('relu')(x)
    return x

def build_resnet(input_shape, num_classes):
    inputs = layers.Input(shape=input_shape)
    x = resnet_block(inputs, 64)
    x = resnet_conv_block(x, 128)
    x = resnet_identity_block(x, 128)
    x = resnet_conv_block(x, 256)
    x = resnet_identity_block(x, 256)
    x = resnet_conv_block(x, 512)
    x = resnet_identity_block(x, 512)
    x = layers.GlobalAveragePooling2D()(x)
    outputs = layers.Dense(num_classes, activation='softmax')(x)
    model = models.Model(inputs, outputs)
    return model

input_shape = (32, 32, 3)
num_classes = 100
model = build_resnet(input_shape, num_classes)

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(x_train,
                    y_train,
                    epochs=10,
                    validation_data=(x_test, y_test),
                    batch_size=4*74)

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f'Test accuracy: {test_acc}')

测试结果显示，异构加速卡AI的性能与L20显卡相当，甚至在显存和价格上有一定优势。通过这个测试，我确认异构加速卡AI能够满足大多数深度学习任务的需求。

Llama3模型推理测试

在完成ResNet网络的测试后，我对异构加速卡AI进行了Llama3模型的推理测试。Llama3模型是在平台的商城中下载的，这极大地缩短了模型部署的时间。以下是我使用的代码：

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
import time

model_path = "/root/private_data/Llama3-8B-Chinese-Chat"

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
if torch.cuda.is_available():
    print("模型在异构加速卡上运行")
else:
    print("模型在CPU上运行")

tokenizer = AutoTokenizer.from_pretrained(model_path)

model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.float32).to(device)

def generate_response(prompt):
    inputs = tokenizer(prompt, return_tensors="pt").to(device)
    start_time = time.time()  # 开始计时
    outputs = model.generate(
        inputs["input_ids"],
        max_length=512,
        num_beams=5,
        no_repeat_ngram_size=2,
        early_stopping=True,
        top_k=50,
        top_p=0.95,
        temperature=0.7
    )
    end_time = time.time()  # 结束计时

    # 计算生成的 token 数
    generated_tokens = outputs.size(1)
    generation_time = end_time - start_time

    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    tokens_per_second = generated_tokens / generation_time

    return response, tokens_per_second

prompts = ["你好, 你可以介绍一下你自己吗?"]
for prompt in prompts:
    response, tokens_per_second = generate_response(prompt)
    print(f"模型输出: {response}")
    print(f"生成速度是: {tokens_per_second:.2f} tk/s")

通过测试，异构加速卡AI能够流畅地运行Llama3模型，得益于其64GB的显存支持。模型推理速度也非常令人满意。

使用PEFT框架对Llama3进行微调

由于异构加速卡AI的兼容性良好，我决定使用PEFT框架对Llama3进行微调，以测试其在个性化语言模型方面的能力。微调的目标是让模型能以《甄嬛传》的语气回答问题。

为了进行微调，我首先准备了《甄嬛传》中的角色对话数据，并将其存储为JSON格式。以下是数据的示例：

接下来，我加载了模型和分词器，并使用Pandas库加载了JSON数据集。通过定义函数将对话数据编码并存储在变量中，以便训练时调用。

在微调过程中，我选择对语言风格影响较大的模块进行LoRA训练，以控制语言风格。训练过程非常顺利，异构加速卡AI的兼容性得到了充分验证。

SCNet平台的便利性与优势

SCNet平台提供的数据集和模型商城是我最为欣赏的功能之一。例如，在平台上下载COCO2017数据集只需几分钟时间，这得益于其内网传输的高效性。在开发过程中，这种便利性极大地提升了我的工作效率。

开发者可以选择多种环境来进行开发，这减少了部署环境的困难，使得时间得以更有效的利用。异构加速卡AI完全支持Pytorch在日常开发中的使用，并提供了与L20相当的算力和更大显存，价格也更加亲民。

异构加速卡AI的技术优势

异构加速卡AI采用了新一代国产AI加速卡技术，基于通用GPGPU架构设计，能够对标NVIDIA的产品，具有应用生态完善、迁移成本低的特点。其兼容性非常好，可以轻松部署和运行主流的开源大模型。

在实际应用中，异构加速卡AI以其高性价比赢得了很多开发者的喜爱，无需转码即可直接使用基于PyTorch、TensorFlow等主流框架实现的代码。

LLaVA模型结构与功能

LLaVA模型是一个视觉指令微调模型，结构简单但功能强大。它由CLIP视觉编码器、Vicuna大语言模型和一个Projection层组成。视觉编码器负责将输入图像转换为视觉特征向量，Projection层则将视觉特征转换为语义特征空间，与语言模型对齐。

在LLaVA模型的训练过程中，参数冻结技术的应用是其一大亮点。这种技术通过在训练过程中冻结某些层的参数，减少了显存的占用，提升了训练效率。

LLaVA模型的预训练与微调

LLaVA模型的训练分为两个阶段。第一阶段是预训练，冻结视觉编码器与大语言模型的参数，仅训练Projection层，以实现图像特征与大模型的对齐。第二阶段则是视觉指令微调，更新大语言模型和Projection层的参数。

在微调过程中，我尝试了LoRA微调方法。这种方法通过将可训练的低秩分解矩阵注入到Transformer架构中，大大减少了可训练参数量，提高了微调效率。

FAQ

问：什么是异构加速卡AI？

答：异构加速卡AI是一种基于通用GPGPU架构设计的新一代国产AI加速卡，具有高性价比和良好的兼容性。

问：如何在SCNet平台上优化AI模型的训练？

答：SCNet平台提供了多种计算资源和环境选择，开发者可以根据项目需求选择合适的资源和环境进行优化。

问：什么是LLaVA模型的视觉指令微调？

答：视觉指令微调是一种在指令中嵌入图像数据的微调方法，旨在让模型能够更好地理解和遵循视觉指令。

问：LoRA微调方法的核心是什么？

答：LoRA微调方法的核心是通过低秩分解减少在下游任务上的可训练参数量，从而提高微调效率。

问：如何使用SCNet平台的内置商城加速开发？

答：SCNet平台的模型和数据集商城提供了丰富的资源，开发者可以快速下载并应用到项目中，极大地节省时间和精力。

通过以上测试和体验，我对国家超算互联网平台的高效性和便利性有了深刻的认识。无论是异构加速卡AI的优越性能，还是SCNet平台的便利性，都为AI开发者提供了强有力的支持。