Pré-entraînement avec Primus
Pré-entraînez le modèle Qwen2.5-7B avec ROCm sur des GPU AMD à l'aide de Primus.
Hub développeurs ROCm™ AI : IA en centre de données et dans le cloud
Optimisez l'entraînement et l'inférence à grande échelle sur les GPU AMD Instinct™
Testez AMD ROCm™ pour la programmation GPU open source avec PyTorch et d'autres frameworks majeurs. Trouvez des exemples de notebooks, des tutoriels, des projets open source, de la documentation et plus encore.
Exécutez des exemples de charges de travail d'IA
Essayez la pile software ROCm pour les cas d'usage d'IA en centre de données et dans le cloud.
Charges de travail mises en avant
Accédez aux GPU AMD
Vous souhaitez tester instantanément ROCm sur les GPU AMD Instinct ?
Rejoignez le programme pour développeurs IA AMD et bénéficiez de 100 $ de crédits gratuits sur AMD Developer Cloud, une plateforme de calcul performante équipée de GPU AMD Instinct, avec des conteneurs Docker préinstallés et sans configuration requise.
Ressources d'apprentissage
Explorez d'autres sujets pour trouver des ressources d'apprentissage pertinentes qui vous aideront à rester informé des dernières avancées technologiques d'AMD.
Communauté et support
Autres forums
Foire aux questions
ROCm prend en charge plus d'une douzaine de distributions Linux pour les charges de travail de calcul sur certains GPU AMD Instinct et AMD Radeon. Les distributions Linux actuellement prises en charge pour ROCm sont répertoriées dans le document relatif à la configuration système requise.
Les versions successives de ROCm ont connu des progrès considérables en termes de performances. Consultez la page des résultats de performances pour obtenir un point de référence permettant d'évaluer les performances des GPU AMD Instinct avec le software ROCm lors de l'exécution de modèles d'IA populaires pour l'inférence (par exemple : vLLM, xDiT) et l'entraînement (par exemple : PyTorch, Megatron-LM et JAX MaxText).
AMD publie régulièrement des images Docker ROCm PyTorch officielles, en parallèle des nouvelles versions de ROCm. Ces images sont soumises à des tests AMD complets. Consultez également le Document de compatibilité PyTorch pour obtenir une vue d'ensemble des modules pris en charge et des principales bibliothèques compatibles. Les instructions d'installation ainsi que les téléchargements des images Docker ou des packages wheels sont disponibles dans le Guide d'installation de PyTorch sur ROCm.
Vous pouvez optimiser votre système en ajustant les GPU AMD pour votre charge de travail, afin d'exploiter pleinement leurs capacités.
Vous pouvez également utiliser les outils ROCm pour améliorer les performances des modèles d'IA et accélérer la phase d'inférence lors de l'exécution de charges de travail d'IA. La quantification et l'élagage des modèles pré-entraînés, l'optimisation des noyaux de calcul et l'utilisation de bibliothèques accélérées font partie des principales méthodes permettant d'optimiser l'inférence. Pour commencer, consultez la documentation consacrée à l'optimisation de l'inférence avec ROCm.
Rejoignez le programme pour développeurs IA
Accédez à des crédits AMD Developer Cloud gratuits, à des formations exclusives, à des tirages au sort mensuels de GPU AMD et à une assistance de la communauté visant à soutenir votre travail de développement IA.
S'abonner aux actualités ROCm
Abonnez-vous à la newsletter dédiée à ROCm pour rester informé des dernières versions et obtenir des conseils.