<?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>Torch.compile on 吕炘嵘的博客</title>
    <link>https://blog.lvxinrong.com/tags/torch.compile/</link>
    <description>Recent content in Torch.compile 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/torch.compile/</link>
    </image>
    <generator>Hugo</generator>
    <language>zh-CN</language>
    <lastBuildDate>Wed, 11 Nov 2026 10:57:55 +0800</lastBuildDate>
    <atom:link href="https://blog.lvxinrong.com/tags/torch.compile/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>手搓 LLM 笔记 20：CUDA 对照</title>
      <link>https://blog.lvxinrong.com/llm/llm-20-i2-windows-cuda/</link>
      <pubDate>Wed, 11 Nov 2026 10:57:55 +0800</pubDate>
      <guid>https://blog.lvxinrong.com/llm/llm-20-i2-windows-cuda/</guid>
      <description>搭建 Windows + WSL2 + RTX 4070 Ti 环境，定位 torch.compile 的 typing 依赖根因，并在统一测量口径下完成 AMP、SDPA、compile、checkpointing 的 CUDA 三轮对照及 MPS 横向观察。</description>
      <content:encoded><![CDATA[<p>这次最直观的感受是：<strong>RTX 4070 Ti + CUDA 确实猛</strong>。一张 2023 年左右花六千多元买的 RTX 4070 Ti，和一台 2025 年年中花两万一千元买的 MacBook M4 Pro（48 GB），购买时间相隔约两三年，价格相差三倍多。我原本以为，更晚、更贵的设备至少不会在训练任务上吃亏；真正跑完对照才发现，在当前这套手搓模型的训练实验中，4070 Ti 的 FP32 吞吐已接近 Mac / MPS 的两倍，在 BF16、FP16 和 compile 等配置下甚至超过两倍。这个结果确实出乎我的意料。</p>
<p>当然，这不是一场严格的同台比价：显卡和 Mac 整机的定位不同，4070 Ti 的 12 GB 显存也会限制可训练的模型规模，MacBook 的 48 GB 统一内存则有另一方面的优势。真正让我有触动的，也不只是“N 卡更快”这个结论，而是我终于用同一套代码、同一份数据和自己跑出来的指标，把过去听别人说的“训练更适合 N 卡”，变成了亲手验证过的事实。</p>
<blockquote>
<p>今天的主线原本只是“在 Windows 上复跑 I2 实验”。过程中不仅搭建了一套以后可以反复使用的 GPU 环境、完成了一次典型的依赖排障，也得到了六组 CUDA 正式结果和一份保留边界的 MPS / CUDA 对照。</p>
</blockquote>
<h2 id="一为什么需要这套环境">一、为什么需要这套环境？</h2>
<p>昨天的 I2 实验都在 Mac/MPS 上完成。它能验证模型逻辑和当前设备上的性能，但不能代表 CUDA、大显存和 NVIDIA 优化生态。</p>
<p>Windows 台式机里有一张 RTX 4070 Ti，显存约 12 GB。I2 番外要在同一套代码、同一份 token 数据、同一组训练配置下，复跑：</p>
<ul>
<li>FP32 / FP16 / BF16（AMP）；</li>
<li>eager / SDPA；</li>
<li>torch.compile；</li>
<li>Activation Checkpointing。</li>
</ul>
<p>目标不是推翻 Mac 结果，而是得到一组可以并列比较的 CUDA 对照。</p>
<h2 id="二从-mac-远程操作-windows">二、从 Mac 远程操作 Windows</h2>
<p>为了避免在 Mac 和 Windows 两套键盘、两个终端之间来回切换，这次使用 SSH。</p>
<p>Windows 上安装并启动 OpenSSH Server：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-powershell" data-lang="powershell"><span class="line"><span class="cl"><span class="nb">Add-WindowsCapability</span> <span class="n">-Online</span> <span class="n">-Name</span> <span class="n">OpenSSH</span><span class="p">.</span><span class="n">Server</span><span class="p">~~~~</span><span class="mf">0.0</span><span class="p">.</span><span class="py">1</span><span class="p">.</span><span class="py">0</span>
</span></span><span class="line"><span class="cl"><span class="nb">Start-Service</span> <span class="n">sshd</span>
</span></span><span class="line"><span class="cl"><span class="nb">Set-Service</span> <span class="n">-Name</span> <span class="n">sshd</span> <span class="n">-StartupType</span> <span class="n">Automatic</span>
</span></span></code></pre></div><p>安装过程中一度出现进度条不更新、<code>NotPresent</code> 和后台服务仍在运行的情况。检查后发现 BITS 处于停止状态，启动：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-powershell" data-lang="powershell"><span class="line"><span class="cl"><span class="nb">Start-Service</span> <span class="n">BITS</span>
</span></span></code></pre></div><p>随后组件状态变为 <code>Installed</code>。</p>
<p>防火墙中已有 <code>OpenSSH-Server-In-TCP</code>，无需重复创建。规则状态为：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Enabled = True
</span></span><span class="line"><span class="cl">Direction = Inbound
</span></span><span class="line"><span class="cl">Action = Allow
</span></span><span class="line"><span class="cl">Profile = Private
</span></span></code></pre></div><p>然后使用 Windows 的以太网 IPv4 地址 <code>192.168.3.8</code>，从 Mac 登录：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">ssh lv@192.168.3.8
</span></span></code></pre></div><p>登录成功后进入 Ubuntu：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-powershell" data-lang="powershell"><span class="line"><span class="cl"><span class="n">wsl</span> <span class="n">-d</span> <span class="n">Ubuntu</span><span class="p">-</span><span class="mf">24.04</span>
</span></span></code></pre></div><p>这样，后续命令就可以统一在 Mac 终端中执行，不再需要两套键盘和两套操作习惯。</p>
<p>这条链路是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Mac
</span></span><span class="line"><span class="cl">→ SSH
</span></span><span class="line"><span class="cl">→ Windows
</span></span><span class="line"><span class="cl">→ WSL2 / Ubuntu 24.04
</span></span><span class="line"><span class="cl">→ RTX 4070 Ti
</span></span></code></pre></div><p>不需要额外引入 KVM 或维护另一套独立虚拟机。</p>
<h2 id="三统一运行环境">三、统一运行环境</h2>
<p>进入 Ubuntu 后，确认：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Git 2.43.0
</span></span><span class="line"><span class="cl">Python 3.12.3（Ubuntu 系统初始版本）
</span></span></code></pre></div><p>随后安装 uv，并让项目使用与 Mac 一致的 Python 3.12.12：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">curl -LsSf https://astral.sh/uv/install.sh <span class="p">|</span> sh
</span></span><span class="line"><span class="cl"><span class="nb">source</span> <span class="s2">&#34;</span><span class="nv">$HOME</span><span class="s2">/.local/bin/env&#34;</span>
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl">uv python install 3.12.12
</span></span><span class="line"><span class="cl">uv sync --python 3.12.12
</span></span></code></pre></div><p>项目的 <code>requires-python = &quot;&gt;=3.12&quot;</code> 只规定最低版本，并不会自动选择 Mac 的 3.12.12，因此这里显式指定版本。</p>
<p>代码克隆后锁定到与 Mac 相同的提交：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">git switch --detach 5fcd3c2958e935dae805f051f8a628baa9e8ef59
</span></span></code></pre></div><p><code>detached HEAD</code> 在这里是为了固定对照实验版本，不是要修改历史。</p>
<p>GPU 在 WSL 中已经可见：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">NVIDIA GeForce RTX 4070 Ti
</span></span><span class="line"><span class="cl">显存：12282 MiB
</span></span><span class="line"><span class="cl">CUDA UMD Version：13.3
</span></span></code></pre></div><p>PyTorch 检查结果：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">torch = 2.14.1+cu130
</span></span><span class="line"><span class="cl">cuda_available = True
</span></span><span class="line"><span class="cl">gpu = NVIDIA GeForce RTX 4070 Ti
</span></span><span class="line"><span class="cl">torch_cuda = 13.0
</span></span></code></pre></div><h2 id="四同步同一份-token-数据">四、同步同一份 token 数据</h2>
<p>由于 <code>data/</code> 不进入 Git，Windows 需要单独获得 token store。</p>
<p>从 Mac 通过 SCP 复制到 Windows 用户目录，再进入 WSL 项目：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">scp -r /Users/lv/lv_repo/squid-llms/data/token_store <span class="se">\
</span></span></span><span class="line"><span class="cl">  lv@192.168.3.8:token_store
</span></span></code></pre></div><p>Ubuntu 中：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">mkdir -p ~/lv_repo/squid-llms/data/token_store
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl">cp -r /mnt/c/Users/lv/token_store/. <span class="se">\
</span></span></span><span class="line"><span class="cl">  ~/lv_repo/squid-llms/data/token_store/
</span></span></code></pre></div><p>最终文件：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">train.uint32.bin    约 461 KiB
</span></span><span class="line"><span class="cl">heldout.uint32.bin  约 22 KiB
</span></span><span class="line"><span class="cl">metadata.json       约 17 KiB
</span></span></code></pre></div><p>文件大小也与 token 数一致：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">train：117890 × 4 = 471560 bytes
</span></span><span class="line"><span class="cl">heldout：5485 × 4 = 21940 bytes
</span></span></code></pre></div><p>这样，Mac 与 Windows 使用的就是同一份代码、同一套 Python/依赖版本和同一份 token 数据。</p>
<h2 id="五第一次-compile-失败缺少-c-编译器">五、第一次 compile 失败：缺少 C 编译器</h2>
<p>环境探针中，FP16、BF16、autocast 和 SDPA 都通过，只有 <code>torch.compile</code> 报错：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Failed to find C compiler
</span></span></code></pre></div><p>这说明 <code>torch.compile</code> 在当前 Linux 环境中需要调用系统编译器，而 Ubuntu 初始环境没有完整开发工具链。</p>
<p>安装：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">sudo apt update
</span></span><span class="line"><span class="cl">sudo apt install -y build-essential
</span></span></code></pre></div><p>安装后确认：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">gcc (Ubuntu 13.3.0-6ubuntu2~24.04.1) 13.3.0
</span></span></code></pre></div><p>但再次运行时，错误变成了：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">SubprocPool unclean exit
</span></span><span class="line"><span class="cl">Attempting to use a closed pool
</span></span></code></pre></div><p>这说明问题已经从“找不到编译器”变成了“编译 worker 进程池崩溃”。</p>
<h2 id="六先绕过再抓真正的子进程错误">六、先绕过，再抓真正的子进程错误</h2>
<p>为了判断编译器和 CUDA 是否可用，先使用单线程编译：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl"><span class="nv">TORCHINDUCTOR_COMPILE_THREADS</span><span class="o">=</span><span class="m">1</span> uv run python - <span class="s">&lt;&lt;&#39;PY&#39;
</span></span></span><span class="line"><span class="cl"><span class="s">import torch
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">def function(x):
</span></span></span><span class="line"><span class="cl"><span class="s">    return x * 2 + 1
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">compiled = torch.compile(function)
</span></span></span><span class="line"><span class="cl"><span class="s">result = compiled(torch.tensor([1.0, 2.0], device=&#34;cuda&#34;))
</span></span></span><span class="line"><span class="cl"><span class="s">print(result)
</span></span></span><span class="line"><span class="cl"><span class="s">PY</span>
</span></span></code></pre></div><p>结果：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">tensor([3., 5.], device=&#39;cuda:0&#39;)
</span></span></code></pre></div><p>这证明：</p>
<ul>
<li><code>torch.compile</code> 本身可用；</li>
<li>GCC 可以参与编译；</li>
<li>生成的 kernel 能在 CUDA 上正确执行；</li>
<li>问题主要集中在并行编译 worker，而不是模型代码或基本 CUDA 计算。</li>
</ul>
<p>但这只是 workaround，不是根因修复。</p>
<h3 id="打开-worker-日志">打开 worker 日志</h3>
<p>随后不关闭并行编译，而是打开 worker 日志：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl"><span class="nv">TORCHINDUCTOR_WORKER_SUPPRESS_LOGGING</span><span class="o">=</span><span class="m">0</span> <span class="se">\
</span></span></span><span class="line"><span class="cl"><span class="nv">TORCHINDUCTOR_WORKER_LOGPATH</span><span class="o">=</span>/tmp/inductor-worker.log <span class="se">\
</span></span></span><span class="line"><span class="cl">uv run python - <span class="s">&lt;&lt;&#39;PY&#39;
</span></span></span><span class="line"><span class="cl"><span class="s">import torch
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">def function(x):
</span></span></span><span class="line"><span class="cl"><span class="s">    return x * 2 + 1
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">
</span></span></span><span class="line"><span class="cl"><span class="s">compiled = torch.compile(function)
</span></span></span><span class="line"><span class="cl"><span class="s">result = compiled(torch.tensor([1.0, 2.0], device=&#34;cuda&#34;))
</span></span></span><span class="line"><span class="cl"><span class="s">print(result)
</span></span></span><span class="line"><span class="cl"><span class="s">PY</span>
</span></span></code></pre></div><p>主进程仍然只显示 <code>closed pool</code>，但 worker 日志终于暴露了第一现场：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">File &#34;.../.venv/lib/python3.12/site-packages/typing.py&#34;
</span></span><span class="line"><span class="cl">AttributeError: type object &#39;Callable&#39; has no attribute &#39;_abc_registry&#39;
</span></span></code></pre></div><p>也就是说，编译 worker 不是死在了 CUDA 或模型计算上，而是<strong>在启动后导入 <code>typing</code> 时就崩溃了</strong>。</p>
<h2 id="七真正根因旧-typing-包遮蔽了标准库">七、真正根因：旧 typing 包遮蔽了标准库</h2>
<p>Python 3.12 自带标准库 <code>typing</code>，但虚拟环境中还存在：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">.venv/lib/python3.12/site-packages/typing.py
</span></span></code></pre></div><p>这是额外安装的旧版 <code>typing 3.10.0.0</code>，与当前 Python 标准库不兼容。</p>
<p>主进程里检查：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">uv pip show typing
</span></span></code></pre></div><p>输出：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">Name: typing
</span></span><span class="line"><span class="cl">Version: 3.10.0.0
</span></span><span class="line"><span class="cl">Required-by: pyloco
</span></span></code></pre></div><p>继续沿 lockfile 追踪，得到完整依赖链：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">squid-llms
</span></span><span class="line"><span class="cl">→ matplot
</span></span><span class="line"><span class="cl">→ pyloco
</span></span><span class="line"><span class="cl">→ typing 3.10.0.0
</span></span></code></pre></div><p>而项目中实际使用的是 <code>matplotlib</code>，没有代码直接 import <code>matplot</code>。</p>
<p>因此正确修复不是单独删掉 <code>typing</code>，而是：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">uv add matplotlib
</span></span><span class="line"><span class="cl">uv remove matplot
</span></span></code></pre></div><p>这样：</p>
<ul>
<li>把真正使用的 <code>matplotlib</code> 提升为直接依赖；</li>
<li>移除不需要的 <code>matplot</code>；</li>
<li>同时移除 <code>pyloco</code> 和旧 <code>typing</code> 这条依赖链；</li>
<li><code>pyproject.toml</code> 与 <code>uv.lock</code> 同步更新，避免下次 <code>uv sync</code> 又装回来。</li>
</ul>
<p>修复后：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">uv pip show typing
</span></span><span class="line"><span class="cl">→ Package(s) not found for: typing
</span></span></code></pre></div><p>再次运行正常并行编译，不再设置 <code>TORCHINDUCTOR_COMPILE_THREADS=1</code>：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">tensor([3., 5.], device=&#39;cuda:0&#39;)
</span></span></code></pre></div><p>这次才真正解决了根因。</p>
<h2 id="八今天学到的不只是安装环境">八、今天学到的不只是安装环境</h2>
<p>这次排障有几个值得长期保留的经验：</p>
<h3 id="1-主进程错误不一定是真正根因">1. 主进程错误不一定是真正根因</h3>
<p><code>closed pool</code> 只说明池关闭了，<code>SubprocPool unclean exit</code> 只说明子进程异常退出。真正原因需要打开 worker 日志。</p>
<h3 id="2-不要第一时间把问题归因于-cuda-版本">2. 不要第一时间把问题归因于 CUDA 版本</h3>
<p>单线程编译和 CUDA 执行已经成功，说明基本计算链路可用。继续沿子进程启动、导入和依赖路径排查，比盲目更换 CUDA 更有效。</p>
<h3 id="3-多余依赖也可能破坏运行时">3. 多余依赖也可能破坏运行时</h3>
<p>这次不是缺依赖，而是<strong>多了一个旧依赖</strong>。它遮蔽了 Python 标准库，导致完全不相关的编译 worker 启动失败。</p>
<h3 id="4-修复要落到依赖清单">4. 修复要落到依赖清单</h3>
<p>只在当前环境里卸载一个包还不够。需要更新 <code>pyproject.toml</code> 和 <code>uv.lock</code>，否则下一次同步环境时问题会重新出现。</p>
<h3 id="5-这套环境是后续主线的基础设施">5. 这套环境是后续主线的基础设施</h3>
<p>它不仅服务今天的 I2 番外，也会服务：</p>
<ul>
<li>CUDA 下的 AMP / SDPA / compile / checkpointing 对照；</li>
<li>I3 的推理、量化与 Serving；</li>
<li>第三阶段的 GPU、算子、分布式和 DeepInfer 学习。</li>
</ul>
<h2 id="九统一-cuda-的计时与显存口径">九、统一 CUDA 的计时与显存口径</h2>
<p>正式实验前，补齐了 CUDA 的同步计时和显存记录。GPU 操作是异步提交的，只记录 Python 调用的返回时间，可能并没有包含实际计算时间；因此正式测量前后需要同步设备，并在正式测量前重置峰值显存统计。</p>
<p>各训练脚本现在通过公共设备逻辑记录：</p>
<ul>
<li><code>current_allocated</code>：当前仍由张量占用的显存；</li>
<li><code>peak_allocated</code>：测量期间张量实际分配显存的峰值；</li>
<li><code>current_reserved</code>：当前 PyTorch 缓存分配器向 CUDA 预留的显存；</li>
<li><code>peak_reserved</code>：测量期间缓存分配器预留显存的峰值。</li>
</ul>
<p><code>allocated</code> 更接近实际张量占用，<code>reserved</code> 还包含缓存分配器为复用而保留的空间。两者不能混为一谈。本次表格保留原始 bytes，同时用 <code>bytes ÷ 1,048,576</code> 换算为 MiB，便于阅读。</p>
<h2 id="十正式-cuda-对照结果">十、正式 CUDA 对照结果</h2>
<h3 id="测量条件">测量条件</h3>
<ul>
<li>硬件：RTX 4070 Ti，约 12 GB 显存；</li>
<li>软件：Windows + WSL2 / Ubuntu 24.04，Python 3.12.12，PyTorch 2.14.1+cu130；</li>
<li>模型：2 层，<code>emb_dim=64</code>，<code>ffn_dim=256</code>，4 个 Q heads、2 个 KV heads，词表 151936；</li>
<li>数据与配置：与 Mac 使用同一份 token store，<code>batch_size=2</code>，<code>context_length=128</code>；</li>
<li>计时：2 步 warmup，随后 10 步正式测量，共处理 2560 个 token；</li>
<li>每个实验独立运行 3 次，吞吐取中位数；</li>
<li>compile 的首次图捕获、代码生成和编译发生在 warmup 中，不计入下面的稳态吞吐。</li>
</ul>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>实验</th>
        <th style="text-align: right">吞吐中位数（tokens/s）</th>
        <th style="text-align: right">峰值分配</th>
        <th style="text-align: right">峰值预留</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>FP32 / eager</td>
        <td style="text-align: right">21614.87</td>
        <td style="text-align: right">691.67 MiB</td>
        <td style="text-align: right">854 MiB</td>
      </tr>
      <tr>
        <td>BF16 / AMP</td>
        <td style="text-align: right">22002.51</td>
        <td style="text-align: right">635.55 MiB</td>
        <td style="text-align: right">876 MiB</td>
      </tr>
      <tr>
        <td>FP16 / AMP</td>
        <td style="text-align: right">20954.75</td>
        <td style="text-align: right">635.55 MiB</td>
        <td style="text-align: right">876 MiB</td>
      </tr>
      <tr>
        <td>SDPA + FP32</td>
        <td style="text-align: right">21588.02</td>
        <td style="text-align: right">690.81 MiB</td>
        <td style="text-align: right">852 MiB</td>
      </tr>
      <tr>
        <td>compile + FP32</td>
        <td style="text-align: right">25346.90</td>
        <td style="text-align: right">690.85 MiB</td>
        <td style="text-align: right">首轮 778 MiB，后两轮 852 MiB</td>
      </tr>
      <tr>
        <td>checkpointing + FP32</td>
        <td style="text-align: right">17140.50</td>
        <td style="text-align: right">687.53 MiB</td>
        <td style="text-align: right">852 MiB</td>
      </tr>
    </tbody>
  </table>
</div>
<p>这里的显存数字取三轮正式测量后报告中的峰值。compile 的峰值预留首轮为 <code>815792128 bytes</code>（778 MiB），后两轮为 <code>893386752 bytes</code>（852 MiB），因此保留波动，不选其中一个数字冒充固定结果。</p>
<h3 id="1-bf16小幅提速但两种显存指标方向不同">1. BF16：小幅提速，但两种显存指标方向不同</h3>
<p>相对 FP32 / eager：</p>
<ul>
<li>吞吐中位数提高约 <strong>1.79%</strong>；</li>
<li>峰值分配减少 <strong>56.12 MiB</strong>，约 <strong>8.11%</strong>；</li>
<li>峰值预留却增加 <strong>22 MiB</strong>，约 <strong>2.58%</strong>。</li>
</ul>
<p>所以准确结论是：当前配置下 BF16 有小幅吞吐收益，实际张量峰值分配有所下降，但缓存分配器的峰值预留没有同步下降。不能笼统写成“全面节省显存”。</p>
<p>FP16 的吞吐中位数比 FP32 低约 3.05%，比 BF16 低约 4.76%。这组结果只代表当前小模型、短序列和测量配置，不代表其他 GPU 或大模型上 FP16 一定慢于 BF16。</p>
<h3 id="2-sdpa本次基本持平">2. SDPA：本次基本持平</h3>
<p>SDPA + FP32 相对 eager + FP32：</p>
<ul>
<li>吞吐变化约 <strong>-0.12%</strong>，基本持平；</li>
<li>峰值分配减少约 <strong>0.87 MiB</strong>；</li>
<li>峰值预留减少 <strong>2 MiB</strong>。</li>
</ul>
<p>这只能说明当前模型和上下文长度下，替换注意力实现没有带来明显差异。这里只验证了代码调用 SDPA，<strong>没有确认实际落入 FlashAttention kernel</strong>，也不能据此推断长序列下的收益。</p>
<h3 id="3-compile当前最明显的吞吐收益">3. compile：当前最明显的吞吐收益</h3>
<p>compile + FP32 相对 eager + FP32：</p>
<ul>
<li>三轮吞吐为 25369.12 / 25346.90 / 24348.93 tokens/s；</li>
<li>中位数提高约 <strong>17.27%</strong>；</li>
<li>峰值分配约 690.85 MiB，与 FP32 的 691.67 MiB 基本持平。</li>
</ul>
<p>因此当前收益应写成<strong>吞吐提升</strong>，不能附带宣称 compile 节省了显存。预热后三轮的峰值预留存在 778 / 852 MiB 的波动，也提醒我们不能只看某一轮。</p>
<p>首轮出现的 <code>Not enough SMs to use max_autotune_gemm mode</code> 表示当前设备未启用相应的 GEMM 自动调优路径，不是编译失败；实际编译和后续 CUDA 执行均已成功。</p>
<h3 id="4-checkpointing降速明显当前显存收益很小">4. checkpointing：降速明显，当前显存收益很小</h3>
<p>checkpointing + FP32 相对 FP32 / eager：</p>
<ul>
<li>三轮吞吐为 19454.24 / 17140.50 / 17051.76 tokens/s；</li>
<li>中位数从 21614.87 降至 17140.50，下降约 <strong>20.70%</strong>；</li>
<li>峰值分配从 691.67 MiB 降至 687.53 MiB，只减少 <strong>4.14 MiB / 0.60%</strong>；</li>
<li>峰值预留两边均为 852 MiB。</li>
</ul>
<p>首轮吞吐较高，因此这里用三轮中位数而不是只取最好的一次。当前小模型上，额外重算带来了明显吞吐损失，却只换来很小的峰值分配下降。</p>
<p>这不否定 checkpointing 的价值。它本来就是用额外计算换取激活显存，只是当前小模型并没有显存瓶颈，交易不划算。是否值得开启，要在更大模型、更长上下文或接近 OOM 的配置下重新测量。</p>
<h2 id="十一mac--mps-与-windows--cuda-并列观察">十一、Mac / MPS 与 Windows / CUDA 并列观察</h2>
<p>下表只并列两边已有的三轮吞吐中位数，不把跨硬件差异归因于某一个单独优化：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>实验</th>
        <th style="text-align: right">Mac / MPS（tokens/s）</th>
        <th style="text-align: right">Windows / CUDA（tokens/s）</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>FP32 / eager</td>
        <td style="text-align: right">11001.65</td>
        <td style="text-align: right">21614.87</td>
      </tr>
      <tr>
        <td>BF16 / AMP</td>
        <td style="text-align: right">9942.47</td>
        <td style="text-align: right">22002.51</td>
      </tr>
      <tr>
        <td>FP16 / AMP</td>
        <td style="text-align: right">9892.09</td>
        <td style="text-align: right">20954.75</td>
      </tr>
      <tr>
        <td>SDPA + FP32</td>
        <td style="text-align: right">10613.57</td>
        <td style="text-align: right">21588.02</td>
      </tr>
      <tr>
        <td>compile + FP32</td>
        <td style="text-align: right">11801.10</td>
        <td style="text-align: right">25346.90</td>
      </tr>
      <tr>
        <td>checkpointing + FP32</td>
        <td style="text-align: right">10714.24</td>
        <td style="text-align: right">17140.50</td>
      </tr>
    </tbody>
  </table>
</div>
<p>两个值得带走的观察：</p>
<ul>
<li>compile 在 Mac / MPS 上相对 FP32 提高约 <strong>7.27%</strong>，在本次 CUDA 上提高约 <strong>17.27%</strong>。两种设备上都观察到了稳态吞吐收益，但幅度不同。</li>
<li>checkpointing 在两种设备上的收益都不显著。Mac 当时使用同批次、带内存记录的 FP32 基线 11321.03 tokens/s 对照，不能把其他批次的 FP32 中位数混入计算；当时也没有与本次 CUDA 完全相同的峰值显存接口，因此不伪造跨设备的峰值显存对照。</li>
</ul>
<p>这些数字不是硬件排行榜。两台机器的模型规模都很小，测量只有 10 个正式 step，编译成本也没有摊入稳态吞吐。它们回答的是“同一学习项目在当前两台设备上观察到了什么”，不是普遍性能定律。</p>
<h2 id="十二最终验收与边界">十二、最终验收与边界</h2>
<p>已经真实完成：</p>
<ul>
<li>Mac 通过 SSH 操作 Windows，Windows + WSL2 / Ubuntu 环境可用；</li>
<li>RTX 4070 Ti 在 Ubuntu 和 PyTorch CUDA 中可见；</li>
<li>代码、Python 3.12.12、依赖与 token 数据已同步；</li>
<li><code>torch.compile</code> 从缺编译器到 worker 崩溃再到依赖根因修复；</li>
<li>修复后的环境探针通过，FP16 / BF16、autocast、SDPA 和 compile 均可用；</li>
<li>正常并行 compile 不再依赖单线程 workaround；</li>
<li>FP32 / FP16 / BF16 / SDPA / compile / checkpointing 的 CUDA 三轮对照已完成；</li>
<li>CUDA 同步计时和显存记录已补齐，Mac 上绘图验证正常。</li>
</ul>
<p>尚未覆盖：</p>
<ul>
<li>其他 GPU、更大模型、更长上下文或更大 batch；</li>
<li>SDPA 实际选择的具体 attention backend；</li>
<li>把 compile 的首次编译成本摊入完整训练任务后的收益；</li>
<li>MFU，以及 GPT-2 / model_v3 的额外吞吐对照；</li>
<li>接近显存上限时 checkpointing 能否避免 OOM。</li>
</ul>
<p>所以这篇番外最终交付的是：<strong>一套可复用的 Windows / CUDA 环境、一次有明确根因的依赖排障，以及一组保留测量边界的 MPS / CUDA 对照结果。</strong></p>
]]></content:encoded>
    </item>
    <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>
