Cuda/Triton on moyutianzun's blog

CUDA profile 大全 —— nsight computer & nsys & pytorch

Mon, 20 Oct 2025 15:18:01 +0800

Cuda API

创建对象：

#include <cuda_runtime.h>
#include <cuda.h>
#include <iostream>
#include <string>
// 获取当前机器的GPU数量
cudaError_t error_id = cudaGetDeviceCount(&deviceCount);
for (int dev = 0; dev < deviceCount; ++dev) {
cudaSetDevice(dev);
// 初始化当前device的属性获取对象
cudaDeviceProp deviceProp;
cudaGetDeviceProperties(&deviceProp, dev);
printf("\nDevice %d: \"%s\"\n", dev, deviceProp.name);</code></pre><p style=""></p><p style="">拿到数据后可以查看对应feature</p><pre><code>printf(" Total amount of shared memory per block: %zu bytes\n", deviceProp.sharedMemPerBlock);

printf(" Total shared memory per multiprocessor: %zu bytes\n", deviceProp.sharedMemPerMultiprocessor);
printf(" Total number of registers available per block: %d\n", deviceProp.regsPerBlock);
printf(" Warp size: %d\n", deviceProp.warpSize);
printf(" Maximum number of threads per multiprocessor: %d\n", deviceProp.maxThreadsPerMultiProcessor);
printf(" Maximum number of threads per block: %d\n", deviceProp.maxThreadsPerBlock);
printf(" Max dimension size of a block size (x,y,z): (%d, %d, %d)\n", deviceProp.maxThreadsDim[0], deviceProp.maxThreadsDim[1],
deviceProp.maxThreadsDim[2]);
printf(" Max dimension size of a grid size (x,y,z): (%d, %d, %d)\n", deviceProp.maxGridSize[0], deviceProp.maxGridSize[1],
deviceProp.maxGridSize[2]);

算子进阶 —— 通信算子

Mon, 22 Sep 2025 09:00:54 +0800

随着LLM业务的不断发展，我们发现单机单卡无法承载一个模型的训练和推理，故此出现了单机多卡和多机多卡的训练推理算子，这时候每个机和卡之间都需要通信，所以通信算子十分的重要。

分布式并行

下面是传统的四种并行处理架构，常用于大模型训练。

DP

每张卡拷贝相同的模型结构，仅对数据做切分。每张卡计算完的梯度也是针对各自数据的，需要做一次allreduce，然后使用优化器更新模型，进入下一次迭代。

算子进阶 —— 通算融合

Fri, 19 Sep 2025 08:16:51 +0800

（施工ing）

概述

我们知道，算子的作用是计算，那在整个体系中，我们的核心目标是拉满GPU的利用率。

在现代分布式体系中，多GPU之间同时存在着计算、内存访问和通信这三种基本活动，为了服务于我们的核心目标，我们需要尽可能的将通信时间和访存时间放在计算时间内，使得GPU不存在运算时间的泡泡。

大模型分布式系统执行的核心组件是并行的GPU。提升GPU运算的最佳方法，是通过计算与通信的重叠来实现。这种重叠可以通过两种方式达成：算子分解或通信内核融合。虽然算子分解实现起来简单，但往往导致性能欠佳。而将通信内核与计算内核融合，则需要更多的思考和计算。

故此最原始的想法就是用计算时间掩盖通信时间，通过大批量的数据直接发送到GPU，减少kernel开启和关闭、通信的开销。

Triton-distributed

Triton-distributed是字节seed团队开发的Triton 编译器的扩展。对于 LLM 来说，分布式优化的关键要求是计算通信重叠。以前，在小规模分布式训练/推理中，通信开销并不是一个关键的成本问题。然而，随着集群数量呈指数级增长，计算与通信重叠变得至关重要。

Triton is all you need —— Triton 源码、编译和调试

Thu, 18 Sep 2025 07:35:21 +0800

（施工ing）

include日录主要存放了编译器核心功能的.h头文件，提供约定和规范

lib是.c和.cpp，主要是功能的实现，和include一一对应

triton is all you need 之 GEMM

Sun, 07 Sep 2025 08:10:38 +0800

代码参考了傅哥，请b站关注我是傅傅猪喵，谢谢喵！

Triton DSL是以BLOCK tile为中心的Python DSL。与CUDA相比，Triton的使用者无法控制所有细节，因为某些优化是自动完成的，但是在Triton编译器的逐层编译优化之下也可以获得与Cuda相近甚至超过的性能。另外，Triton的编写和调试更加简单，而且学习成本更低。

【CUDA从入门到入土】四、矩阵乘法

Wed, 03 Sep 2025 14:50:37 +0800

矩阵乘法跟之前不同，之前一维可以直接写一个kernel，或者多个kernel线性的排布来并行计算，那么矩阵乘法就是由一维向二维转变的关键。这时候一维的kernel排布也变成了二维排布。

【CUDA从入门到入土】三、reduce算子及其优化

Sat, 23 Aug 2025 08:46:59 +0800

该项目代码参考傅哥的课程，很有用的课程，请多多支持他。

reduce 规约求和是cuda中一个经典的问题，其本质是将输入的序列进行求和。

在CUDA的多线程中，我们清楚数据被分为一个一个的block中进行运行，每个block通过warp来并发32个线程进行运算。

【CUDA从入门到入土】二、CUDA调试和必知必会 & Nsight Computer 入门

Sun, 17 Aug 2025 17:09:02 +0800

上文中，我们运行了一个简单的cuda函数，并且一次过的将其运行了起来，这次，我们需要补充一些基础的概念，通过概念和框架的建立，我们才能走的更远，高屋建瓴的认识更多。

【CUDA从入门到入土】五、cuda_kernel_和_cuda_attention详解

Sun, 17 Aug 2025 15:14:21 +0800

从cuda kernel出发，看懂人生第一个cuda attention

【CUDA从入门到入土】一、丝滑的CUDA入门

Thu, 14 Aug 2025 16:27:54 +0800

CUDA是什么

cuda是一种gpu编程组件，是一种原生支持GPU软硬件的架构，使得开发者可以直接在 GPU 上编写和执行通用计算程序。

GPU架构

上图是H100白皮书中，H100 GPU带满了144个SM的架构图

上图是H100中，1个SM的架构图

SM架构详解

由此，我们可以高屋建瓴的看懂GPU，这里不雕琢细节，只直白的说明白GPU怎么工作的：

PCIE 就是负责数据从显卡和主板之间进出的数据传输协议，理解为传递数据的就对了

WSL2搭建cuda-triton开发环境

Thu, 14 Aug 2025 16:21:13 +0800

先用了vmware + ubuntu的方法，结果发现现在gpu无法透传到vmware的虚拟机里

故此使用wsl2的开发环境，后续会更新许多更舒服丝滑的操作

WSL2

查看所有发行版本

wsl --list --online

安装指定版本

wsl --install Ubuntu-22.04

安装成功之后设置一下账户密码就行

安装miniconda

用脚本安装

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh chmod +x Miniconda3-latest-Linux-x86_64.sh ./Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc

conda list

用脚本安装就一直yes就行

安装CUDA Toolkit 和 cudnn

使用 nvidia-smi查看cuda版本，在下面链接选择相应的版本