Skip to main content
AI Infra 学习社区 home page
Search...
⌘K
GitHub
Search...
Navigation
章节笔记
第六章：GPU 架构、CUDA 编程与最大化占用率
首页
在线分享
读书会
学习资源
AI Systems Performance Engineering
概览
书籍概览
阅读计划
章节笔记
前言
第一章：介绍与 AI 系统概览
第二章：AI 系统硬件概览
第三章：GPU 环境下的 OS、Docker 与 Kubernetes 调优
第四章：分布式网络通信调优
第五章：基于 GPU 的存储 I/O 优化
第六章：GPU 架构、CUDA 编程与最大化占用率
第七章：GPU 内存访问模式的分析与调优
第八章：占用率调优、Warp 效率与指令级并行
第九章：提升 CUDA Kernel 效率与算术强度
第十章：Kernel 内流水线、Warp 特化与协作线程块集群
第十一章：Kernel 间流水线、同步与 CUDA 流有序内存分配
第十二章：动态调度、CUDA Graphs 与设备发起的 Kernel 编排
第十三章：PyTorch 的分析、调优与扩展
第十四章：PyTorch 编译器、OpenAI Triton 与 XLA 后端
第十五章：多节点推理、并行、解码与路由优化
第十六章：大规模推理的分析、调试与调优
第十七章：推理中分离式 Prefill 与 Decode 的扩展
第十八章：高级 Prefill-Decode 与 KV Cache 调优
第十九章：动态与自适应推理引擎优化
第二十章：AI 辅助性能优化与百万级 GPU 集群扩展
附录
延伸资源
On this page
本章概要
关键概念
笔记与心得
讨论问题
章节笔记
第六章：GPU 架构、CUDA 编程与最大化占用率
本章概要
关键概念
笔记与心得
讨论问题
Was this page helpful?
Yes
No
Suggest edits
Raise issue
第五章：基于 GPU 的存储 I/O 优化
第七章：GPU 内存访问模式的分析与调优
⌘I
