概述
张量核心是现代 NVIDIA GPU 内的专用硬件单元，可以极快地执行矩阵乘法和累加运算。它们是单个 GPU 训练和运行大型神经网络的速度比通用计算快几个数量级的主要原因。
Tensor Core 是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
Tensor Core 于 2017 年随 Volta 架构一起推出，是一种专用电路，可在单个运算中计算小型矩阵乘法加加法 (D = A x B + C)，而不是在标准 CUDA 内核上一次执行一个乘法。因为几乎神经网络的每一层都简化为矩阵乘法，这符合人工智能实际需要的数学。每一代 GPU 都扩展了它们处理的功能：Volta 提供了 4x4 FP16 块，而后来的 Ampere、Hopper 和 Blackwell 架构则添加了较低精度的格式，如 TF32、BF16、INT8、FP8 和 FP4。较低的精度意味着每个时钟处理更多的数字，从而显着提高训练和推理的吞吐量，同时保持可接受的精度。
技术洞察
张量核心将两个小矩阵相乘，并在一个融合步骤中累加结果，利用相同的输入值在许多输出元素之间重复使用这一事实。它通常以降低的精度（FP16、BF16 或 FP8）读取输入，但以更高的精度（通常为 FP32）累积运行总和以限制舍入误差。 cuBLAS 和 cuDNN 等软件库以及 PyTorch 等框架会自动将大矩阵平铺到这些小块中，因此模型无需手动编码即可获得加速。
掌握张量核心
张量核心是现代 NVIDIA GPU 内的专用硬件单元，可以极快地执行矩阵乘法和累加运算。它们是单个 GPU 训练和运行大型神经网络的速度比通用计算快几个数量级的主要原因。 Tensor Core 是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 Tensor Core 视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Tensor Core 的强大团队根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
训练大型语言模型，例如 GPT 式 Transformer，其中每步在 BF16 或 FP8 中的 Tensor Core 上运行数十亿次矩阵乘法。
为聊天机器人和图像生成器运行实时推理，使用 INT8 或 FP8 量化为每个 GPU 服务更多用户。
加速视频游戏中的 NVIDIA DLSS，神经网络在每帧中使用 Tensor Core 来升级低分辨率帧。
加速科学计算，例如蛋白质折叠 (AlphaFold) 和天气模型，这些模型已被重新表述为矩阵繁重的神经工作负载。
实施模式
张量核心的实践
训练大型语言模型，例如 GPT 式 Transformer，其中每步在 BF16 或 FP8 中的 Tensor Core 上运行数十亿次矩阵乘法。
训练大型语言模型（例如 GPT 式 Transformer），其中每步在 BF16 或 FP8 的 Tensor Core 上运行数十亿次矩阵乘法。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
张量核心的实践
为聊天机器人和图像生成器运行实时推理，使用 INT8 或 FP8 量化为每个 GPU 服务更多用户。
为聊天机器人和图像生成器运行实时推理，使用 INT8 或 FP8 量化为每个 GPU 的更多用户提供服务 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
张量核心的实践
加速视频游戏中的 NVIDIA DLSS，神经网络在每帧中使用 Tensor Core 来升级低分辨率帧。
加速视频游戏中的 NVIDIA DLSS，神经网络在每帧中使用 Tensor Core 来升级低分辨率帧。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
张量核心的实践
加速科学计算，例如蛋白质折叠 (AlphaFold) 和天气模型，这些模型已被重新表述为矩阵繁重的神经工作负载。
加速科学计算，例如蛋白质折叠 (AlphaFold) 和天气模型，这些模型已被重新表述为矩阵繁重的神经工作负载。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。