<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>SDPA on 吕炘嵘的博客</title>
    <link>https://blog.lvxinrong.com/tags/sdpa/</link>
    <description>Recent content in SDPA on 吕炘嵘的博客</description>
    <image>
      <title>吕炘嵘的博客</title>
      <url>https://blog.lvxinrong.com/og-default.jpg</url>
      
      <link>https://blog.lvxinrong.com/tags/sdpa/</link>
    </image>
    <generator>Hugo</generator>
    <language>zh-CN</language>
    <lastBuildDate>Tue, 10 Nov 2026 14:55:19 +0800</lastBuildDate>
    <atom:link href="https://blog.lvxinrong.com/tags/sdpa/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>手搓 LLM 笔记 19：I2，训练加速与显存压榨</title>
      <link>https://blog.lvxinrong.com/llm/llm-19-i2-environment-probe/</link>
      <pubDate>Tue, 10 Nov 2026 14:55:19 +0800</pubDate>
      <guid>https://blog.lvxinrong.com/llm/llm-19-i2-environment-probe/</guid>
      <description>从 Mac/MPS 环境探针，到 FP32/FP16/BF16、SDPA、torch.compile 与 Activation Checkpointing 的重复对照实验；同时记录正确性、吞吐、内存和结论边界。</description>
      <content:encoded><![CDATA[<blockquote>
<p>I2 不直接从修改训练代码开始。优化之前先确认当前设备究竟支持什么，避免把 CUDA 教程里的能力直接套到 Mac/MPS 上。</p>
</blockquote>
<h2 id="一i2-0-的目标是什么">一、I2-0 的目标是什么？</h2>
<p>当前目标是建立训练加速的环境与基线，不是马上让模型提速。</p>
<p>本次环境探针覆盖：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">FP16 / BF16 原生矩阵乘法
</span></span><span class="line"><span class="cl">→ FP16 / BF16 autocast
</span></span><span class="line"><span class="cl">→ SDPA
</span></span><span class="line"><span class="cl">→ torch.compile
</span></span></code></pre></div><p>源码：<code>scripts/i2_environment_probe.py</code>。</p>
<p>输出报告：<code>data/reports/i2-environment.json</code>。</p>
<p>这一步只回答“当前环境能否运行这些能力”，不证明完整模型训练稳定，也不证明任何优化已经产生收益。</p>
<h2 id="二run_probe统一管理执行与异常">二、run_probe：统一管理执行与异常</h2>
<p>环境探针使用了一个统一入口：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">def</span> <span class="nf">run_probe</span><span class="p">(</span><span class="n">function</span><span class="p">):</span>
</span></span><span class="line"><span class="cl">    <span class="k">try</span><span class="p">:</span>
</span></span><span class="line"><span class="cl">        <span class="n">result</span> <span class="o">=</span> <span class="n">function</span><span class="p">()</span>
</span></span><span class="line"><span class="cl">        <span class="k">return</span> <span class="p">{</span>
</span></span><span class="line"><span class="cl">            <span class="s2">&#34;supported&#34;</span><span class="p">:</span> <span class="kc">True</span><span class="p">,</span>
</span></span><span class="line"><span class="cl">            <span class="s2">&#34;result&#34;</span><span class="p">:</span> <span class="nb">str</span><span class="p">(</span><span class="n">result</span><span class="p">),</span>
</span></span><span class="line"><span class="cl">        <span class="p">}</span>
</span></span><span class="line"><span class="cl">    <span class="k">except</span> <span class="ne">Exception</span> <span class="k">as</span> <span class="n">exc</span><span class="p">:</span>
</span></span><span class="line"><span class="cl">        <span class="k">return</span> <span class="p">{</span>
</span></span><span class="line"><span class="cl">            <span class="s2">&#34;supported&#34;</span><span class="p">:</span> <span class="kc">False</span><span class="p">,</span>
</span></span><span class="line"><span class="cl">            <span class="s2">&#34;error&#34;</span><span class="p">:</span> <span class="sa">f</span><span class="s2">&#34;</span><span class="si">{</span><span class="nb">type</span><span class="p">(</span><span class="n">exc</span><span class="p">)</span><span class="o">.</span><span class="vm">__name__</span><span class="si">}</span><span class="s2">: </span><span class="si">{</span><span class="n">exc</span><span class="si">}</span><span class="s2">&#34;</span><span class="p">,</span>
</span></span><span class="line"><span class="cl">        <span class="p">}</span>
</span></span></code></pre></div><p>它接收一个可调用对象，在内部真正执行，并统一整理成功或失败结果。</p>
<p>这是一种<strong>高阶函数</strong>（Higher-order Function）的用法：函数接收另一个函数作为参数。也可以把它看成一个手写 wrapper（包装器），有点类似 Java/AOP 里的环绕通知，但这里不需要引入框架。</p>
<p>它解决了两个问题：</p>
<ol>
<li>把实际执行统一放进 <code>try/except</code>，一个探针失败不会阻止其他探针执行；</li>
<li>所有探针使用相同的结果结构，方便汇总成 JSON。</li>
</ol>
<p>但它只证明“没有抛异常”，不等于结果正确。具体正确性仍由探针内部的断言或结果检查负责。</p>
<p>在正式测试中不能随意吞掉所有异常；这里适合使用，是因为环境盘点的目标是完整收集支持与不支持项。</p>
<h2 id="三位置参数与关键字参数">三、位置参数与关键字参数</h2>
<p><code>*args</code> 和 <code>**kwargs</code> 的区别：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">*args   → 接收位置参数，只传值，收集成 tuple
</span></span><span class="line"><span class="cl">**kwargs → 接收 key=value 参数，收集成 dict
</span></span></code></pre></div><p>例如：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">def</span> <span class="nf">example</span><span class="p">(</span><span class="n">a</span><span class="p">,</span> <span class="n">b</span><span class="p">,</span> <span class="n">device</span><span class="o">=</span><span class="kc">None</span><span class="p">):</span>
</span></span><span class="line"><span class="cl">    <span class="o">...</span>
</span></span></code></pre></div><p>调用：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">example</span><span class="p">(</span><span class="mi">1</span><span class="p">,</span> <span class="mi">2</span><span class="p">,</span> <span class="n">device</span><span class="o">=</span><span class="s2">&#34;mps&#34;</span><span class="p">)</span>
</span></span></code></pre></div><p>在一个通用包装器里：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">def</span> <span class="nf">run_probe</span><span class="p">(</span><span class="n">function</span><span class="p">,</span> <span class="o">*</span><span class="n">args</span><span class="p">,</span> <span class="o">**</span><span class="n">kwargs</span><span class="p">):</span>
</span></span><span class="line"><span class="cl">    <span class="k">return</span> <span class="n">function</span><span class="p">(</span><span class="o">*</span><span class="n">args</span><span class="p">,</span> <span class="o">**</span><span class="n">kwargs</span><span class="p">)</span>
</span></span></code></pre></div><p>再这样调用：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">example</span><span class="p">,</span> <span class="mi">1</span><span class="p">,</span> <span class="mi">2</span><span class="p">,</span> <span class="n">device</span><span class="o">=</span><span class="s2">&#34;mps&#34;</span><span class="p">)</span>
</span></span></code></pre></div><p>就等价于原调用。</p>
<p><code>args</code> 和 <code>kwargs</code> 只是约定俗成的变量名，真正让收集与展开生效的是 <code>*</code> 和 <code>**</code>。</p>
<h2 id="四lambda把调用包装成稍后再执行的函数">四、lambda：把调用包装成稍后再执行的函数</h2>
<p>当前代码里：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="k">lambda</span><span class="p">:</span> <span class="n">dtype_probe</span><span class="p">(</span><span class="n">torch</span><span class="o">.</span><span class="n">float16</span><span class="p">))</span>
</span></span></code></pre></div><p>等价于：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">def</span> <span class="nf">temporary_function</span><span class="p">():</span>
</span></span><span class="line"><span class="cl">    <span class="k">return</span> <span class="n">dtype_probe</span><span class="p">(</span><span class="n">torch</span><span class="o">.</span><span class="n">float16</span><span class="p">)</span>
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">temporary_function</span><span class="p">)</span>
</span></span></code></pre></div><p><code>lambda</code> 是创建匿名函数的关键字，基本格式为：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">lambda</span> <span class="n">参数</span><span class="p">:</span> <span class="n">返回值表达式</span>
</span></span></code></pre></div><p>例如：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">lambda</span> <span class="n">x</span><span class="p">:</span> <span class="n">x</span> <span class="o">*</span> <span class="mi">2</span>
</span></span></code></pre></div><p>等价于：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">def</span> <span class="nf">double</span><span class="p">(</span><span class="n">x</span><span class="p">):</span>
</span></span><span class="line"><span class="cl">    <span class="k">return</span> <span class="n">x</span> <span class="o">*</span> <span class="mi">2</span>
</span></span></code></pre></div><p>当前 lambda 冒号前没有参数，所以它是一个无参数函数。</p>
<h3 id="为什么不直接调用">为什么不直接调用？</h3>
<p>如果写成：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">dtype_probe</span><span class="p">(</span><span class="n">torch</span><span class="o">.</span><span class="n">float16</span><span class="p">))</span>
</span></span></code></pre></div><p>Python 会先执行 <code>dtype_probe(torch.float16)</code>，再把结果传给 <code>run_probe()</code>。如果探针出错，异常发生在进入 <code>run_probe()</code> 之前，内部的 <code>try/except</code> 就接不住。</p>
<p>使用 lambda 后：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">创建 lambda，但不执行探针
</span></span><span class="line"><span class="cl">→ 把 lambda 传给 run_probe
</span></span><span class="line"><span class="cl">→ run_probe 内部执行 function()
</span></span><span class="line"><span class="cl">→ 这时才执行 dtype_probe(torch.float16)
</span></span><span class="line"><span class="cl">→ 异常由 run_probe 统一捕获
</span></span></code></pre></div><p>这里的“延迟执行”不是异步、定时或懒加载，也不是等到保存 report 时才执行。它只是<strong>相对于直接调用，推迟到包装器内部执行</strong>。</p>
<h3 id="为什么-sdpa-和-compile-不使用-lambda">为什么 SDPA 和 compile 不使用 lambda？</h3>
<p>因为它们本身已经是没有参数的函数：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">sdpa_probe</span><span class="p">)</span>
</span></span><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">compile_probe</span><span class="p">)</span>
</span></span></code></pre></div><p>传函数名而没有括号，就还没有执行。<code>run_probe()</code> 内部的 <code>function()</code> 才会真正调用它们。</p>
<p>需要记住：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">sdpa_probe</span><span class="p">)</span>   <span class="c1"># 传函数对象，尚未执行</span>
</span></span><span class="line"><span class="cl"><span class="n">run_probe</span><span class="p">(</span><span class="n">sdpa_probe</span><span class="p">())</span> <span class="c1"># 先执行，再把结果传进去</span>
</span></span></code></pre></div><p>所以规则是：</p>
<blockquote>
<p>无参数函数直接传函数名；需要参数的函数，可以用 lambda 或 partial 提前绑定参数，再交给统一执行器。</p>
</blockquote>
<h2 id="五闭包内部函数使用外层的-device">五、闭包：内部函数使用外层的 device</h2>
<p>几个探针定义在 <code>main()</code> 内部，并直接使用：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">device</span><span class="o">=</span><span class="n">device</span>
</span></span></code></pre></div><p>这里没有显式给 <code>sdpa_probe()</code> 传 <code>device</code>，是因为内部函数可以读取外层函数作用域中的变量。这属于<strong>闭包</strong>（closure）的使用。</p>
<p>它不是 Python 自动推断参数，也不是自动注入；只是函数沿作用域找到了外层已经定义的 <code>device</code>。</p>
<h2 id="六item把单元素-tensor-转成-python-数字">六、item()：把单元素 Tensor 转成 Python 数字</h2>
<p>原生精度探针使用：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">result</span> <span class="o">=</span> <span class="p">(</span><span class="n">x</span> <span class="o">@</span> <span class="n">x</span><span class="p">)</span><span class="o">.</span><span class="n">sum</span><span class="p">()</span><span class="o">.</span><span class="n">item</span><span class="p">()</span>
</span></span></code></pre></div><p>拆开是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">x @ x       → 得到一个矩阵
</span></span><span class="line"><span class="cl">.sum()      → 对所有元素求和，得到单元素 Tensor
</span></span><span class="line"><span class="cl">.item()     → 转成普通 Python float
</span></span></code></pre></div><p><code>item()</code> 是 number of elements 为 1 时才能使用的取值方式：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">torch</span><span class="o">.</span><span class="n">tensor</span><span class="p">(</span><span class="mf">2.0</span><span class="p">)</span><span class="o">.</span><span class="n">item</span><span class="p">()</span>        <span class="c1"># 可以</span>
</span></span><span class="line"><span class="cl"><span class="n">torch</span><span class="o">.</span><span class="n">tensor</span><span class="p">([</span><span class="mf">1.0</span><span class="p">])</span><span class="o">.</span><span class="n">item</span><span class="p">()</span>      <span class="c1"># 可以</span>
</span></span><span class="line"><span class="cl"><span class="n">torch</span><span class="o">.</span><span class="n">tensor</span><span class="p">([</span><span class="mf">1.0</span><span class="p">,</span> <span class="mf">2.0</span><span class="p">])</span><span class="o">.</span><span class="n">item</span><span class="p">()</span> <span class="c1"># 报错</span>
</span></span></code></pre></div><p>它常用于打印 loss、写 JSON 或取单个数值。</p>
<p>但需要注意：</p>
<ul>
<li><code>loss.item()</code> 后得到的是普通数字，不能再参与反向传播；</li>
<li>在 GPU/MPS 上，<code>item()</code> 会把结果同步回 CPU，频繁调用可能影响性能测量。</li>
</ul>
<h2 id="七autocast在指定作用域内自动选择部分算子的精度">七、autocast：在指定作用域内自动选择部分算子的精度</h2>
<p>代码：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">with</span> <span class="n">torch</span><span class="o">.</span><span class="n">autocast</span><span class="p">(</span>
</span></span><span class="line"><span class="cl">    <span class="n">device_type</span><span class="o">=</span><span class="n">device</span><span class="o">.</span><span class="n">type</span><span class="p">,</span>
</span></span><span class="line"><span class="cl">    <span class="n">dtype</span><span class="o">=</span><span class="n">dtype</span><span class="p">,</span>
</span></span><span class="line"><span class="cl"><span class="p">):</span>
</span></span><span class="line"><span class="cl">    <span class="n">result</span> <span class="o">=</span> <span class="n">x</span> <span class="o">@</span> <span class="n">x</span>
</span></span></code></pre></div><p><code>autocast</code> 是自动混合精度/自动类型转换，不是参数匹配。</p>
<p>其中：</p>
<ul>
<li><code>device_type</code>：设备类型，例如当前 <code>&quot;mps&quot;</code>；</li>
<li><code>dtype</code>：目标计算精度，例如 FP16 或 BF16；</li>
<li><code>with</code>：只在这个代码块作用域内启用。</li>
</ul>
<p>它不会把所有模型参数永久转换，也不会无差别转换所有运算。符合规则的算子会按 autocast 策略选择计算精度，离开 <code>with</code> 后恢复默认行为。</p>
<p>探针中还检查了：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">assert</span> <span class="n">result</span><span class="o">.</span><span class="n">dtype</span> <span class="o">==</span> <span class="n">dtype</span>
</span></span></code></pre></div><p>防止“语法上写了 autocast，实际输出 dtype 却完全没变化”的空操作被误判为支持。</p>
<h3 id="fp32fp16-与-bf16-的位分配">FP32、FP16 与 BF16 的位分配</h3>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>格式</th>
        <th style="text-align: right">总位数</th>
        <th style="text-align: right">指数位</th>
        <th style="text-align: right">尾数位</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>FP32</td>
        <td style="text-align: right">32</td>
        <td style="text-align: right">8</td>
        <td style="text-align: right">23</td>
      </tr>
      <tr>
        <td>FP16</td>
        <td style="text-align: right">16</td>
        <td style="text-align: right">5</td>
        <td style="text-align: right">10</td>
      </tr>
      <tr>
        <td>BF16</td>
        <td style="text-align: right">16</td>
        <td style="text-align: right">8</td>
        <td style="text-align: right">7</td>
      </tr>
    </tbody>
  </table>
</div>
<p>三种格式都由符号位、指数位和尾数位组成。指数位决定数值范围，尾数位决定有效数字的精度：</p>
<ul>
<li>FP16 指数位较少，范围较小；尾数位比 BF16 多，精度细节更多；</li>
<li>BF16 指数位与 FP32 相同，范围接近 FP32；尾数位较少，精度更粗；</li>
<li>FP32 同时具备更多有效数字和足够大的数值范围，适合作为数值基线。</li>
</ul>
<p>这不是通过“小数点靠前或靠后”实现的。浮点数都可以近似理解为“有效数字 × 2^指数”，指数决定数量级，尾数决定保留多少有效数字。</p>
<h2 id="八sdpa统一注意力入口不是单一后端算法">八、SDPA：统一注意力入口，不是单一后端算法</h2>
<p>SDPA 全称 Scaled Dot-Product Attention，缩放点积注意力。</p>
<p>调用：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">result</span> <span class="o">=</span> <span class="n">F</span><span class="o">.</span><span class="n">scaled_dot_product_attention</span><span class="p">(</span><span class="n">q</span><span class="p">,</span> <span class="n">q</span><span class="p">,</span> <span class="n">q</span><span class="p">)</span>
</span></span></code></pre></div><p>这里的 <code>F</code> 是 <code>torch.nn.functional</code> 的别名，不是 function 的缩写。</p>
<p>三个 <code>q</code> 分别作为 Q、K、V。真实模型中它们通常来自不同 Linear 投影；探针里复用同一个随机张量，只是为了验证调用链路。</p>
<p>随机张量形状：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">(1, 2, 8, 16)
</span></span><span class="line"><span class="cl">= (B=1, H=2, T=8, D=16)
</span></span></code></pre></div><p>输出形状仍为 <code>(1, 2, 8, 16)</code>。</p>
<p>SDPA 完成的数学过程仍然是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Q × Kᵀ
</span></span><span class="line"><span class="cl">→ 除以 √head_dim
</span></span><span class="line"><span class="cl">→ 按需添加 mask
</span></span><span class="line"><span class="cl">→ softmax
</span></span><span class="line"><span class="cl">→ × V
</span></span></code></pre></div><p>与手写 eager 的区别是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">eager：逐步生成 scores、weights 和输出
</span></span><span class="line"><span class="cl">SDPA：交给 PyTorch 统一算子，由后端选择具体实现
</span></span></code></pre></div><p>PyTorch 可能根据版本、设备、dtype、形状和 mask 等条件，选择普通 math、memory-efficient 或其他优化路径。SDPA 不等于 FlashAttention，后者只是可能的后端之一。</p>
<p>这也解释了之前官方对照中的数值差异：数学公式相同，但不同后端的运算顺序、融合与舍入路径可能不同。</p>
<h2 id="九torchcompile优化计算执行方式">九、torch.compile：优化计算执行方式</h2>
<p>当前探针：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="k">def</span> <span class="nf">function</span><span class="p">(</span><span class="n">x</span><span class="p">):</span>
</span></span><span class="line"><span class="cl">    <span class="k">return</span> <span class="n">x</span> <span class="o">*</span> <span class="mi">2</span> <span class="o">+</span> <span class="mi">1</span>
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl"><span class="n">compiled</span> <span class="o">=</span> <span class="n">torch</span><span class="o">.</span><span class="n">compile</span><span class="p">(</span><span class="n">function</span><span class="p">)</span>
</span></span><span class="line"><span class="cl"><span class="n">result</span> <span class="o">=</span> <span class="n">compiled</span><span class="p">(</span><span class="n">torch</span><span class="o">.</span><span class="n">tensor</span><span class="p">([</span><span class="mf">1.0</span><span class="p">,</span> <span class="mf">2.0</span><span class="p">],</span> <span class="n">device</span><span class="o">=</span><span class="n">device</span><span class="p">))</span>
</span></span></code></pre></div><p><code>torch.compile(function)</code> 不会立即执行函数，而是返回一个新的可编译优化对象。传入输入后，由它完成实际计算。</p>
<p>本例中：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">1 × 2 + 1 = 3
</span></span><span class="line"><span class="cl">2 × 2 + 1 = 5
</span></span></code></pre></div><p>输出为 <code>[3.0, 5.0]</code>。</p>
<p>compile 的目标是把逐步执行的 PyTorch 代码转换成更适合优化的计算图，再由后端生成更高效的执行路径。它不改变数学公式或模型权重。</p>
<p>首次调用通常有编译成本，后续稳态执行才可能体现收益。微小函数通过探针，不等于完整 model_v3 编译后一定更快。</p>
<h3 id="与-java-jit-的类比">与 Java JIT 的类比</h3>
<p>Java HotSpot JVM 中，热点代码会经过 JIT（Just-In-Time，即时编译）优化：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Java 源码
</span></span><span class="line"><span class="cl">→ javac 生成字节码
</span></span><span class="line"><span class="cl">→ JVM 执行并收集运行时信息
</span></span><span class="line"><span class="cl">→ JIT 将热点字节码编译成优化后的原生机器码
</span></span></code></pre></div><p>这里不是修改或重新实现原字节码，而是把热点代码编译成当前 CPU 可直接执行的原生机器码。</p>
<p>常见名词包括 HotSpot、热点代码、分层编译、C1/C2 编译器和去优化。</p>
<p>与 PyTorch 的对应关系：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Java JIT：热点字节码 → 优化后的 CPU 机器码
</span></span><span class="line"><span class="cl">torch.compile：张量计算图 → 优化后的设备内核
</span></span></code></pre></div><p>一个重要区别是：Java JIT 会依据运行时热点自动优化，而 <code>torch.compile()</code> 是我们显式选择要编译的函数或模型。</p>
<p>两者都不是改变程序语义，而是在保持逻辑的前提下优化执行方式。</p>
<h2 id="十当前真实环境结果">十、当前真实环境结果</h2>
<p>当前环境：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Python 3.12.12
</span></span><span class="line"><span class="cl">PyTorch 2.14.1
</span></span><span class="line"><span class="cl">macOS arm64
</span></span><span class="line"><span class="cl">device = MPS
</span></span><span class="line"><span class="cl">CUDA 不可用
</span></span></code></pre></div><p>探针结果：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>能力</th>
        <th>结果</th>
        <th>实际输出</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>FP16 原生矩阵乘法</td>
        <td>通过</td>
        <td>sum=4096.0</td>
      </tr>
      <tr>
        <td>BF16 原生矩阵乘法</td>
        <td>通过</td>
        <td>sum=4096.0</td>
      </tr>
      <tr>
        <td>FP16 autocast</td>
        <td>通过</td>
        <td>输出 dtype 为 FP16</td>
      </tr>
      <tr>
        <td>BF16 autocast</td>
        <td>通过</td>
        <td>输出 dtype 为 BF16</td>
      </tr>
      <tr>
        <td>SDPA</td>
        <td>通过</td>
        <td>输出形状 <code>(1, 2, 8, 16)</code></td>
      </tr>
      <tr>
        <td>torch.compile</td>
        <td>通过</td>
        <td>输出 <code>[3.0, 5.0]</code></td>
      </tr>
    </tbody>
  </table>
</div>
<p>这些结果证明的是<strong>当前微探针可执行</strong>，不是完整训练优化已经通过。</p>
<p>尚未证明：</p>
<ul>
<li>完整 model_v3 在 FP16/BF16 下训练稳定；</li>
<li>长训练的 loss 与 checkpoint 行为正确；</li>
<li>compile 后的完整模型获得真实吞吐收益；</li>
<li>当前 Mac 支持 FlashAttention；</li>
<li>任何速度、显存或 MFU 改善。</li>
</ul>
<p>下一步才是建立固定输入、固定模型、固定步数的 FP32 训练基线，然后逐项引入混合精度、SDPA/compile 和 Activation Checkpointing，并同时记录正确性与资源指标。</p>
<h2 id="十一思考大模型时代还需要-dropout-吗">十一、思考：大模型时代还需要 Dropout 吗？</h2>
<p>在环境探针之外，我还注意到了另一个问题：当前 GPTModel 里似乎在多个位置都放了 Dropout，Embedding、Attention 权重和残差分支都有。但现代大模型又经常直接使用 <code>drop_rate=0.0</code>，这些传统正则化手段是否已经过时？</p>
<p>我的原始直觉是：大模型是在用海量数据拟合世界，训练样本一直增加，过去为了解决小样本过拟合而设计的 Dropout，放在今天可能显得有些生硬。</p>
<p>这个直觉有一部分是对的。大模型从零预训练时，数据规模很大，很多语料只训练一次或少数几次，算力本身就是主要瓶颈，模型甚至还没有充分拟合训练集。此时主要矛盾往往是训练不足、算力和数据效率，而不是过拟合。Dropout 的正则化收益可能不明显，还会增加额外计算与训练噪声。</p>
<p>但“过拟合的本质就是样本不足”并不完整。更准确的定义是：</p>
<blockquote>
<p>过拟合是模型在训练数据上的表现，明显好于它在同分布未见数据上的表现。</p>
</blockquote>
<p>样本数量只是其中一个因素。数据重复程度、多样性、模型容量、训练步数、epoch、学习率，以及训练分布与真实使用分布是否一致，都会影响过拟合。</p>
<p>即使数据总量很大，也可能因为重复、污染或分布差异而过拟合；小数据也不一定必然过拟合，需要看 train 与 held-out 的真实差距。</p>
<p>放到当前个人博客语料上，结论又会变化。当前训练 token store 只有约 117,890 tokens，如果后续 midtrain 时反复进行多轮 epoch，模型容量较大、训练步数较多，Dropout、学习率、训练步数、数据混合和 early stopping 都可能重新变得重要。</p>
<p>因此，不是“过去的方法在大模型时代失效”，而是：</p>
<blockquote>
<p>大规模预训练常常不需要 Dropout；小语料微调、midtrain 和反复训练时，它仍然可能有用。是否启用，应由训练场景和 train/held-out 表现决定，而不是仅凭“这是大模型”。</p>
</blockquote>
<p>另外，Dropout 也不是一个单纯的性能开关。关闭后即使更快，也可能改变训练行为与正则化强度，不能直接写成 I2 的“免费性能优化”。如果以后做对照，需要固定模型、数据、初始化和训练预算，同时比较训练吞吐、train/held-out loss、BPB 与行为表现。</p>
<h2 id="十二思考val-loss-下降能否直接解决泛化问题">十二、思考：val loss 下降能否直接解决泛化问题？</h2>
<p>顺着 Dropout 的讨论，我又产生了一个想法：既然目标是泛化，是否应该准备一个小样本 val 数据集，通过 val loss 下降来解决，而不是通过 Dropout 这种随机方式？</p>
<p>这里需要把训练手段与评估证据分开。</p>
<blockquote>
<p>val loss 下降是评估结果，不是训练手段。验证集可以测量和选择模型，但本身不会直接让模型学会泛化。</p>
</blockquote>
<p>Validation 的作用是：</p>
<ul>
<li>测量模型在未参与训练的数据上的表现；</li>
<li>帮助选择 checkpoint、学习率、Dropout 和训练步数；</li>
<li>在 val loss 开始恶化时考虑 early stopping；</li>
<li>检查某种训练方法是否可能改善了泛化。</li>
</ul>
<p>如果“用 val loss 选择最佳 checkpoint 或 early stopping”，这是合理的；但它只是从已有训练结果中做选择，不是直接提升模型的泛化能力。</p>
<p>Dropout 与验证集工作在两个阶段：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Dropout：
</span></span><span class="line"><span class="cl">训练时随机屏蔽部分激活
</span></span><span class="line"><span class="cl">→ 减少对特定神经通路的依赖
</span></span><span class="line"><span class="cl">→ 尝试改善训练后的泛化表现
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl">Validation：
</span></span><span class="line"><span class="cl">测量 held-out loss / BPB
</span></span><span class="line"><span class="cl">→ 判断这种训练方式是否有效
</span></span></code></pre></div><p>所以它们不是互相替代的两种方案，而是训练方法与评估方法的关系。</p>
<h3 id="loss-下降也不能直接等于学会了">loss 下降也不能直接等于“学会了”</h3>
<p>即使是 val loss 下降，也只是泛化改善的证据之一：</p>
<ul>
<li>小验证集可能有较大的偶然性；</li>
<li>平均 loss 可能被少数样本主导；</li>
<li>模型可能只学到表面模式，行为测试仍然失败；</li>
<li>反复根据 val 结果调参，也可能产生对验证集的适应性过拟合。</li>
</ul>
<p>因此更稳妥的划分是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">train：用于梯度更新
</span></span><span class="line"><span class="cl">val：用于调参、选 checkpoint 和 early stopping
</span></span><span class="line"><span class="cl">test：保持隔离，用于最终验收
</span></span></code></pre></div><p>同时再配合固定行为测试、BPB 和生成样例，而不是只盯着一个 loss 数字。</p>
<p>如果未来比较 <code>dropout=0.0 / 0.05 / 0.1</code>，应该同时观察 train loss、val loss、train/val 差距、固定行为表现以及最终 test 结果。只有当这些证据共同支持时，才能说某种配置在这次实验中可能改善了泛化。</p>
<p>这两个思考最后收敛成同一句话：</p>
<blockquote>
<p><strong>Dropout 是可能改善泛化的训练手段，val/test 是检验泛化的证据；loss 下降本身不会直接解决泛化问题。真正需要建立的是可复现的训练对照和独立的评估证据。</strong></p>
</blockquote>
<h2 id="十三数学回炉从-logitssoftmax-到交叉熵的--lnp">十三、数学回炉：从 logits、Softmax 到交叉熵的 -ln(p)</h2>
<p>在 Activation Checkpointing 的正确性测试中，我又回炉了一个看似早就理解、其实一直说得不够准确的地方：交叉熵到底怎样从模型输出变成 loss？</p>
<h3 id="1-logits-与-target-分别是什么">1. logits 与 target 分别是什么？</h3>
<p>假设一次有 <code>N</code> 个位置需要预测，词表大小为 <code>V</code>：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">logits：(N, V)
</span></span><span class="line"><span class="cl">targets：(N,)
</span></span></code></pre></div><p><code>logits</code> 中每一行都是当前位置对整个词表的预测分数；<code>targets</code> 中每个值则是该位置的正确 token ID。</p>
<p>例如 <code>N=1、V=6</code>：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">logits</span> <span class="o">=</span> <span class="n">torch</span><span class="o">.</span><span class="n">tensor</span><span class="p">([[</span><span class="mf">1.</span><span class="p">,</span> <span class="mf">2.</span><span class="p">,</span> <span class="mf">3.</span><span class="p">,</span> <span class="mf">4.</span><span class="p">,</span> <span class="mf">5.</span><span class="p">,</span> <span class="mf">6.</span><span class="p">]])</span>
</span></span><span class="line"><span class="cl"><span class="n">target</span> <span class="o">=</span> <span class="n">torch</span><span class="o">.</span><span class="n">tensor</span><span class="p">([</span><span class="mi">4</span><span class="p">])</span>
</span></span></code></pre></div><p>这里 <code>target=4</code> 表示正确类别的下标是 4，不是“target 的概率就是 1”。如果要写成理想的 one-hot 目标分布，才是 <code>[0, 0, 0, 0, 1, 0]</code>。</p>
<h3 id="2-softmax-不会减少维度也不会替训练取-argmax">2. Softmax 不会减少维度，也不会替训练取 argmax</h3>
<p>经过 <code>log_softmax</code> 后，形状仍然是 <code>(N, V)</code>。它只是把每个位置上的一组 logits 转换成概率分布。</p>
<p>训练时不会取“概率最大的 token”，而是使用 target 中已知的正确 token ID，取出它对应的对数概率：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">log_probs</span> <span class="o">=</span> <span class="n">F</span><span class="o">.</span><span class="n">log_softmax</span><span class="p">(</span><span class="n">logits</span><span class="p">,</span> <span class="n">dim</span><span class="o">=-</span><span class="mi">1</span><span class="p">)</span>  <span class="c1"># (N, V)</span>
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl"><span class="n">loss_per_token</span> <span class="o">=</span> <span class="o">-</span><span class="n">log_probs</span><span class="p">[</span>
</span></span><span class="line"><span class="cl">    <span class="n">torch</span><span class="o">.</span><span class="n">arange</span><span class="p">(</span><span class="n">N</span><span class="p">),</span>
</span></span><span class="line"><span class="cl">    <span class="n">targets</span><span class="p">,</span>
</span></span><span class="line"><span class="cl"><span class="p">]</span>  <span class="c1"># (N,)</span>
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl"><span class="n">loss</span> <span class="o">=</span> <span class="n">loss_per_token</span><span class="o">.</span><span class="n">mean</span><span class="p">()</span>  <span class="c1"># 标量</span>
</span></span></code></pre></div><p>所以交叉熵不是 <code>(N, V)</code> 与 <code>(N,)</code> 的直接逐元素比较，而是“根据正确类别下标取概率，再计算负对数”。</p>
<p>取概率最大的 token 属于生成/预测阶段的 argmax，不是交叉熵训练。</p>
<h3 id="3-为什么-flatten-后就能计算-loss">3. 为什么 flatten 后就能计算 loss？</h3>
<p>语言模型输出是 <code>(B, T, V)</code>，target 是 <code>(B, T)</code>：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="n">logits</span><span class="o">.</span><span class="n">flatten</span><span class="p">(</span><span class="mi">0</span><span class="p">,</span> <span class="mi">1</span><span class="p">)</span>  <span class="c1"># 合并 B 和 T，保留 V，得到 (B*T, V)</span>
</span></span><span class="line"><span class="cl"><span class="n">targets</span><span class="o">.</span><span class="n">flatten</span><span class="p">()</span>     <span class="c1"># 展开所有维度，得到 (B*T,)</span>
</span></span></code></pre></div><p><code>flatten(0, 1)</code> 中的 0 和 1 是维度编号，不是取第 0 个和第 1 个元素。</p>
<p>logits 不能直接使用 <code>flatten()</code>，否则会把词表维度也展开，破坏每个位置的类别分布。</p>
<h3 id="4--lnp-到底在计算什么">4. -ln(p) 到底在计算什么？</h3>
<p>当正确 token 经过 Softmax 后的概率为 <code>p</code>，它的交叉熵损失是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">loss = -ln(p)
</span></span></code></pre></div><p>这不是 <code>100 - 百分比概率</code>，而是正确 token 概率的负自然对数：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">p = 0.40 → loss = -ln(0.40) ≈ 0.9163
</span></span><span class="line"><span class="cl">p = 0.99 → loss = -ln(0.99) ≈ 0.01005
</span></span><span class="line"><span class="cl">p = 1.00 → loss = 0
</span></span></code></pre></div><p>正确 token 的概率越高，loss 越小；概率越接近 0，loss 越大。</p>
<p>这里的“值越大 loss 越小”，指的是<strong>正确 token 的概率 p 越大</strong>，不是任意错误 token 的 logit 越大。</p>
<h3 id="5-lnp-的数学含义">5. ln(p) 的数学含义</h3>
<p><code>ln(p)</code> 是以自然常数 <code>e</code> 为底的对数：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">ln(p) = logₑ(p)
</span></span><span class="line"><span class="cl">e ≈ 2.71828
</span></span></code></pre></div><p>它可以理解为指数函数的反函数：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">y = ln(p)  ⇔  eʸ = p
</span></span></code></pre></div><p>也就是：e 的多少次方等于 p，这个次数就是 ln(p)。</p>
<p>例如：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">ln(1) = 0，因为 e⁰ = 1
</span></span><span class="line"><span class="cl">ln(e) = 1，因为 e¹ = e
</span></span><span class="line"><span class="cl">ln(0.5) ≈ -0.6931
</span></span></code></pre></div><p><code>ln</code> 是自然对数，不是 <code>log10</code>，并且要求 <code>p &gt; 0</code>，所以 <code>ln(0)</code> 没有定义。</p>
<p>当 <code>0 &lt; p &lt; 1</code> 时，<code>ln(p)</code> 是负数；交叉熵前面的负号再把它变成非负的损失值。</p>
<h3 id="6-与-bpb-的连接">6. 与 BPB 的连接</h3>
<p>PyTorch 交叉熵默认使用自然对数，单位是 nats。之前计算 BPB 时除以 <code>ln(2)</code>，就是把 nats 转成 bits，再按实际评估文本的 UTF-8 bytes 归一化。</p>
<p>因此，从模型输入到评估指标可以这样串起来：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">token IDs
</span></span><span class="line"><span class="cl">→ 模型输出 logits
</span></span><span class="line"><span class="cl">→ log_softmax
</span></span><span class="line"><span class="cl">→ 取正确 token 的对数概率
</span></span><span class="line"><span class="cl">→ -ln(p) 得到交叉熵 loss
</span></span><span class="line"><span class="cl">→ nats 转 bits
</span></span><span class="line"><span class="cl">→ 按原始文本 bytes 归一化得到 BPB
</span></span></code></pre></div><p>这次回炉让我再次意识到：能写出 <code>F.cross_entropy()</code> 不等于已经讲清它。高数和数学直觉丢了很久也不需要逃避，但暂时不需要另开一门庞大的数学主线；先把当前公式与代码、数值例子和实际指标对应起来，就是有效的补充。</p>
<h3 id="7-后续数学回炉online-softmax">7. 后续数学回炉：Online Softmax</h3>
<p>阅读 FlashAttention 时遇到了 Online Softmax。当前只保留一个核心印象：<strong>它可以把 Softmax 的计算拆成多个块，渐进式处理输入，而不需要一次性生成并保存完整的注意力概率矩阵。</strong></p>
<p>为了避免和 memmap 混淆，这里不写成“渐进式加载”，而写成“<strong>分块渐进计算</strong>”。</p>
<p>当前理解是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">分块读取并计算当前分数
</span></span><span class="line"><span class="cl">→ 用 m、l、acc 保存累计状态
</span></span><span class="line"><span class="cl">→ 如果出现新的最大值，用缩放系数修正旧的累计状态
</span></span><span class="line"><span class="cl">→ 所有块处理完后，再统一完成归一化
</span></span></code></pre></div><p>其中：</p>
<ul>
<li><code>m</code>：目前见过的最大值；</li>
<li><code>l</code>：当前累计分母；</li>
<li><code>acc</code>：当前累计分子，在注意力中还包括对 V 的加权结果；</li>
<li>新最大值出现时，旧累计状态使用 <code>exp(旧 m - 新 m)</code> 进行修正。</li>
</ul>
<p>它不是每来一个新块，就把前面所有元素的概率重新计算一遍；也不是在中途反复生成最终概率，而是先累计，最后统一归一化。</p>
<p><code>acc</code> 和 <code>l</code> 也不是用来保存“每个元素各自的概率”。如果确实需要某个元素的最终概率，仍然要用它的分数、最终最大值和最终分母计算；FlashAttention 的价值恰恰在于不需要显式生成并保存完整的 <code>T × T</code> 概率矩阵。</p>
<p><strong>当前掌握边界</strong>：对 Online Softmax 有大致直觉，但数学推导和代码细节仍然比较晕。后续统一安排数学回炉，再把最大值修正、累计分子分母和注意力输出推导清楚。当前不因此阻塞 I2，也不要求今天把公式背下来。</p>
<h2 id="十四今日实验结果汇总">十四、今日实验结果汇总</h2>
<p>以下结果都来自当前 Mac/MPS、同一小型 model_v3 配置：<code>batch_size=2</code>、<code>context_length=128</code>、2 步 warmup、10 步正式测量，共 2560 个正式测量 tokens。模型初始化、数据顺序和训练步数保持固定，性能测量在计时边界调用设备 <code>synchronize()</code>。</p>
<p>每种配置至少重复 3 次，使用 tokens/s 中位数判断主要趋势，不只挑最快的一次。原始逐次报告保存在 <code>data/reports/i2-*.json</code>，下表是汇总，不覆盖原始记录。</p>
<h3 id="1-fp32--bf16--fp16-混合精度对照">1. FP32 / BF16 / FP16 混合精度对照</h3>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>精度</th>
        <th style="text-align: right">第 1 次 tokens/s</th>
        <th style="text-align: right">第 2 次 tokens/s</th>
        <th style="text-align: right">第 3 次 tokens/s</th>
        <th style="text-align: right">中位数</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>FP32</td>
        <td style="text-align: right">11001.65</td>
        <td style="text-align: right">10980.90</td>
        <td style="text-align: right">11187.75</td>
        <td style="text-align: right"><strong>11001.65</strong></td>
      </tr>
      <tr>
        <td>BF16</td>
        <td style="text-align: right">9729.78</td>
        <td style="text-align: right">9951.59</td>
        <td style="text-align: right">9942.47</td>
        <td style="text-align: right"><strong>9942.47</strong></td>
      </tr>
      <tr>
        <td>FP16</td>
        <td style="text-align: right">9789.83</td>
        <td style="text-align: right">9903.21</td>
        <td style="text-align: right">9892.09</td>
        <td style="text-align: right"><strong>9892.09</strong></td>
      </tr>
    </tbody>
  </table>
</div>
<p>当前结果：</p>
<ul>
<li>FP32 在这组对照中稳定最快；</li>
<li>BF16 与 FP16 中位数只差约 0.5%，三次区间存在重叠，不能说 FP16 明显强于 BF16，更合理的是两者基本同档；</li>
<li>当前 Mac/MPS、小模型和短序列训练下，混合精度没有体现吞吐收益；</li>
<li>三组 loss 均没有 NaN/Inf，但短训练 loss 波动不被解释为模型质量变化。</li>
</ul>
<p>这次重复测量也纠正了单次实验的直觉：第一次看到 FP16 高于 BF16，不代表差异稳定；需要重复测量才能判断。</p>
<h3 id="2-eager-与-sdpa-对照">2. eager 与 SDPA 对照</h3>
<p>首先通过 <code>tests/test_sdpa_attention.py</code>，在同权重、同输入的小模型 CPU 测试中，eager 与 SDPA 的完整 prefill 和逐 token decode 数值对照通过：<code>1 passed</code>。</p>
<p>训练吞吐结果：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>配置</th>
        <th style="text-align: right">第 1 次 tokens/s</th>
        <th style="text-align: right">第 2 次 tokens/s</th>
        <th style="text-align: right">第 3 次 tokens/s</th>
        <th style="text-align: right">中位数</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>eager + FP32</td>
        <td style="text-align: right">11001.65</td>
        <td style="text-align: right">10980.90</td>
        <td style="text-align: right">11187.75</td>
        <td style="text-align: right"><strong>11001.65</strong></td>
      </tr>
      <tr>
        <td>SDPA + FP32</td>
        <td style="text-align: right">10943.51</td>
        <td style="text-align: right">10613.57</td>
        <td style="text-align: right">9803.70</td>
        <td style="text-align: right"><strong>10613.57</strong></td>
      </tr>
    </tbody>
  </table>
</div>
<p>SDPA 中位数比 eager 低约 <strong>3.53%</strong>，当前小模型/MPS 场景没有体现吞吐收益。这个结果不推广到 CUDA、大模型或长上下文，也不证明 FlashAttention 已被使用。</p>
<h3 id="3-torchcompile-对照">3. torch.compile 对照</h3>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>配置</th>
        <th style="text-align: right">第 1 次 tokens/s</th>
        <th style="text-align: right">第 2 次 tokens/s</th>
        <th style="text-align: right">第 3 次 tokens/s</th>
        <th style="text-align: right">中位数</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>eager + FP32</td>
        <td style="text-align: right">11001.65</td>
        <td style="text-align: right">10980.90</td>
        <td style="text-align: right">11187.75</td>
        <td style="text-align: right"><strong>11001.65</strong></td>
      </tr>
      <tr>
        <td>compile + FP32</td>
        <td style="text-align: right">11564.11</td>
        <td style="text-align: right">11801.10</td>
        <td style="text-align: right">12208.14</td>
        <td style="text-align: right"><strong>11801.10</strong></td>
      </tr>
    </tbody>
  </table>
</div>
<p>compile 中位数相对 eager 基线约提升 <strong>7.27%</strong>，是当前第一个看到明确正向收益的训练优化项。</p>
<p>但需要保留：</p>
<ul>
<li>三次结果从 11564 逐步升到 12208，波动比基线大，后续可以用更长测量继续验证；</li>
<li>warmup 排除了首次编译成本，因此这是稳态吞吐，不包含启动时间；</li>
<li><code>Not enough SMs to use max_autotune_gemm mode</code> 是当前没有足够 CUDA SM 使用对应 GEMM 自动调优的提示，不是编译失败，也不代表 MPS 获得了 CUDA 的全部优化。</li>
</ul>
<h3 id="4-activation-checkpointing-对照">4. Activation Checkpointing 对照</h3>
<p><code>tests/test_activation_checkpointing.py</code> 已通过：在同权重、同输入的小模型训练中，开启与关闭 checkpointing 的前向 logits、loss 和反向梯度一致，<code>1 passed</code>。</p>
<p>内存与吞吐对照使用<strong>单独一批带内存快照的 FP32 基线</strong>，不与其他实验批次的 FP32 数字混用：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>指标</th>
        <th style="text-align: right">不使用 checkpointing</th>
        <th style="text-align: right">使用 checkpointing</th>
        <th style="text-align: right">变化</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>训练吞吐中位数</td>
        <td style="text-align: right">11321.03 tokens/s</td>
        <td style="text-align: right">10714.24 tokens/s</td>
        <td style="text-align: right"><strong>下降约 5.36%</strong></td>
      </tr>
      <tr>
        <td>当前分配内存</td>
        <td style="text-align: right">320,780,800 bytes</td>
        <td style="text-align: right">320,780,800 bytes</td>
        <td style="text-align: right">不变</td>
      </tr>
      <tr>
        <td>驱动分配内存中位数</td>
        <td style="text-align: right">1,423,097,856 bytes</td>
        <td style="text-align: right">1,414,709,248 bytes</td>
        <td style="text-align: right"><strong>减少 8 MiB</strong></td>
      </tr>
    </tbody>
  </table>
</div>
<p>这体现了“用额外计算换显存”的代价与收益：吞吐下降，驱动分配内存小幅减少，模型权重和当前分配内存不会因此消失。</p>
<p>当前 MPS 只提供 <code>current_allocated_memory()</code> 与 <code>driver_allocated_memory()</code>，没有使用峰值显存接口，因此不写成“峰值显存降低 8 MiB”。</p>
<p>边界仍是当前 Mac/MPS、2 层小模型、batch=2、context=128；不能推广为所有模型都固定节省 8 MiB 或固定慢 5.36%。</p>
<h3 id="5-实验结论边界">5. 实验结论边界</h3>
<p>今天的对照说明：</p>
<ul>
<li>AMP、SDPA、compile 和 Activation Checkpointing 不是同一种“加速开关”；</li>
<li>它们分别改变计算精度、注意力实现、执行图优化和激活保存策略；</li>
<li>性能收益必须与正确性、内存和额外代价一起评估；</li>
<li>当前结果只适用于已经列明的硬件、模型和测量配置。</li>
</ul>
<p>最终相关回归已于 2026-11-10 执行：<strong>16 passed in 33.02s</strong>。覆盖 Qwen 专项、SDPA 对照、Activation Checkpointing 的 logits/梯度对照、Markdown 清洗、token store 与 memmap Dataset，不调用外部评估 API。它证明当前改动通过了已有相关回归，但不等于所有性能验收项都已完成。</p>
<p>Windows + RTX 4070 Ti 的 CUDA 番外仍是后续计划，尚未产生实测结果。</p>
<p>经确认，I2 主线于 2026-11-10 按当前 Mac/MPS 实验范围收官；MFU、峰值显存与经典 GPT-2 / model_v3 训练吞吐对照移至 Windows + RTX 4070 Ti 番外，不把未测指标写成已完成。</p>
]]></content:encoded>
    </item>
  </channel>
</rss>
