Фреймворк для машинного обучения и математики на Go: обучение с ускорением XLA, бэкенд на чистом Go и загрузка моделей HuggingFace.
google-pytorch/torch_tpu
Бэкенд PyTorch, позволяющий запускать модели и операции PyTorch на Tensor Processing Units (TPU) от Google.
- Звёзды
- 590
- Форки
- 33
- Открытые issues
- 282
- Последний коммит
- 2 часа назад
Что это?
TorchTPU предоставляет бэкенд PyTorch для TPU от Google, позволяя запускать существующий код PyTorch на устройствах TPU. В проект входят собственные ядра ATen для ряда операций PyTorch, а также кэш компиляции, который повторно использует скомпилированные вычисления XLA и ускоряет повторные запуски.
Проект поддерживает распределённое обучение с параллелизмом по данным и тензорам, интеграцию с torch.compile() для выполнения в графовом режиме, а также утилиты для отладки и бенчмаркинга. Среди примеров кода — модели Llama, Qwen, ResNet, DLRM, minGPT и UNet; также доступно руководство пользователя с интерактивными блокнотами Marimo. Блокноты рассчитаны на запуск на TPU VM.
Установить проект можно через pip (пакет torch_tpu в PyPI) или собрав wheel из исходного кода с помощью Bazel. Поддерживается Python 3.11 и новее.
Ключевые возможности
- 01Собственные реализации ядер ATen для TPU.
- 02Кэш компиляции для повторного использования скомпилированных вычислений XLA.
- 03Параллелизм по данным и тензорам для распределённого обучения.
- 04Интеграция с torch.compile() для выполнения в графовом режиме.
- 05Примеры кода для моделей, в том числе Llama, Qwen, ResNet и UNet.
- 06Утилиты для отладки и бенчмаркинга.
Сценарии использования
- Запуск существующего кода обучения PyTorch на TPU в Google Cloud.
- Распределённое обучение больших моделей на нескольких устройствах TPU.
- Запуск инференса моделей PyTorch на оборудовании TPU.
- Изучение примеров реализации распространённых моделей для TPU.
Быстрый старт
- 1
Создайте виртуальное окружение Python
python -m venv .venv - 2
Установите последнюю публичную версию из PyPI, используя индекс PyTorch для CPU
pip install torch_tpu==0.2.0 --extra-index-url https://download.pytorch.org/whl/cpu
Что важно знать
- Проект предназначен для оборудования Google TPU, поэтому полезен только при наличии доступа к TPU, например к TPU VM.
- Требуется Python 3.11 или новее.
- Для сборки из исходного кода нужен Bazel, а для полной сборки wheel — учётные данные Remote Build Execution или флаг no_rbe.
- В метаданных лицензия указана как NOASSERTION, хотя в README указана Apache 2.0.
Темы
Частые вопросы
- Что такое torch_tpu?
- Бэкенд PyTorch, позволяющий запускать модели и операции PyTorch на Tensor Processing Units (TPU) от Google. TorchTPU предоставляет бэкенд PyTorch для TPU от Google, позволяя запускать существующий код PyTorch на устройствах TPU. В проект входят собственные ядра ATen для ряда операций PyTorch, а также кэш компиляции, который повторно использует скомпилированные вычисления XLA и ускоряет повторные запуски.
- torch_tpu можно использовать бесплатно? Какая у него лицензия?
- torch_tpu распространяется с открытым исходным кодом под лицензией Other. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- torch_tpu всё ещё поддерживается?
- Активно поддерживается. Последний коммит в torch_tpu — 22 окт. 2026 г..
- Для чего можно использовать torch_tpu?
- Запуск существующего кода обучения PyTorch на TPU в Google Cloud. Распределённое обучение больших моделей на нескольких устройствах TPU. Запуск инференса моделей PyTorch на оборудовании TPU. Изучение примеров реализации распространённых моделей для TPU.
- Как установить torch_tpu?
- Создайте виртуальное окружение Python: python -m venv .venv Установите последнюю публичную версию из PyPI, используя индекс PyTorch для CPU: pip install torch_tpu==0.2.0 --extra-index-url https://download.pytorch.org/whl/cpu
- Где скачать torch_tpu?
- Исходный код и инструкции по установке — на GitHub: https://github.com/google-pytorch/torch_tpu
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Ray — единый фреймворк для масштабирования приложений на Python и ИИ: от ноутбука до кластера, с распределённой средой выполнения и библиотеками для ИИ.
Библиотека LLM с открытым исходным кодом на базе JAX и эталонная реализация для pre-training и post-training больших моделей на TPU и GPU в Google Cloud.
Библиотека для оптимизации глубокого обучения, упрощающая и ускоряющая распределённое обучение и инференс больших моделей.
Система на базе PyTorch для распределённого обучения и инференса крупных AI-моделей с поддержкой параллелизма, оптимизации памяти и гетерогенного обучения.
Библиотека PyTorch с архитектурами моделей для обработки изображений, предобученными весами и скриптами обучения, валидации и экспорта для задач компьютерного зрения.