AMD ile Intel, x86 işlemcilerde yapay zekâ yazılımı geliştirme sürecini kolaylaştırmak üzere PyTorch optimizasyonlarını oneDNN çatısı altında birleştirecek. Şirketlerin hedefi, geliştiricilerin iki işlemci üreticisi için ayrı yazılım yolları oluşturup yönetme gereksinimini azaltmak.
Bu adım, x86 Ecosystem Advisory Group’un önerisi doğrultusunda atılıyor. AMD, ZenDNN optimizasyonlarını oneDNN’e entegre ederken UXL Foundation’a yönlendirici üye olarak katılıyor. Böylece işlemciye özgü iyileştirmeler ortak bir açık kaynak geliştirme ortamında ele alınacak.
Ortak yazılım tabanı, donanım farklarını ortadan kaldırmıyor
PyTorch kullanan ekipler için planlanan yaklaşım; uygulama geliştirme, bakım ve farklı x86 sunuculara dağıtım süreçlerini sadeleştirmeyi amaçlıyor. Ancak bu, bütün işlemcilerin aynı performansı sunacağı anlamına gelmiyor. Sonuçlar, işlemcinin desteklediği komutlara ve uygulamanın gerçekleştirdiği iş yüküne bağlı olmaya devam edecek.
Şirketler ayrıca gelecekteki AI Compute Extensions desteğini oneDNN güncellemeleri aracılığıyla PyTorch’a taşımayı planlıyor. Yapay zekâ işlerinde sık kullanılan matris çarpımını hızlandırmaya yönelik bu uzantılar için yapılan açıklama, desteğin mevcut tüm işlemcilere bir yazılım güncellemesiyle ekleneceğini belirtmiyor.
oneDNN, işlemci özelliklerine göre hesaplama çekirdeği seçiyor
oneDNN; matris çarpımı, evrişim, dikkat mekanizmaları ve normalleştirme gibi yapay zekâ modellerinde tekrarlanan temel işlemleri hızlandırıyor. Kütüphane PyTorch’un yanı sıra TensorFlow ve OpenVINO gibi yazılım çerçevelerinde de kullanılıyor.
Çalışma sırasında işlemcinin özelliklerini algılayabilen oneDNN, uygun hesaplama çekirdeklerini oluşturabiliyor. Komut kümesi, çekirdek sayısı ve önbellek gibi donanım unsurları seçimde rol oynuyor. Ortak yazılım arayüzü, bu farklılıkları yok saymak yerine aynı katmanda değerlendirmeye imkân veriyor.
oneDNN’in kapsamı yalnızca x86 işlemcilerle sınırlı değil; proje farklı işlemci mimarilerini ve Intel grafik donanımlarını da destekliyor. AMD ile Intel’in duyurusu ise özellikle PyTorch’un x86 işlemci hızlandırma yolunun ortaklaştırılmasına odaklanıyor. Geliştiricilerin hedeflenen kazanımı, iki üreticinin sistemlerinde aynı yapay zekâ uygulamasını daha tutarlı bir yazılım tabanıyla yönetebilmek.
Kütüphane farklı sayısal hassasiyet seçenekleri de sunuyor. Bu seçenekler, modelin bellek ve hesaplama gereksinimlerinin donanım olanaklarıyla birlikte değerlendirilmesine yardımcı oluyor. Ortak geliştirme zemini, bu teknik tercihlerin uygulama çerçevelerine aktarılmasında da rol üstlenecek.
