PyTorch 2.9 : Prise en charge d'AMD ROCm, d'Intel XPU et Améliorations Arm Publiées

Introduction

PyTorch 2.9 améliore la prise en charge matérielle pour AMD ROCm, Intel XPU et Arm, améliorant le déploiement des modèles d'IA dans divers écosystèmes.

Compatibilité matérielle améliorée

PyTorch 2.9 introduit la prise en charge des wheels pour AMD ROCm, Intel XPU et NVIDIA CUDA 13, avec une ABI stable pour les extensions et une mémoire symétrique pour la programmation multi-GPU. Les développeurs bénéficient de l'intégration des API et SDK d'IA.

Fonctionnalités de performance et d'optimisation

FlexAttention prend en charge les GPU Intel, le décodage flash optimise les backends CPU, et torch.compile offre une meilleure gestion des erreurs. Utile pour les flux de travail de profilage de performance.

Avantages et inconvénients

Avantages

• Prise en charge matérielle étendue pour les plateformes AMD, Intel et NVIDIA
• Programmation multi-GPU améliorée avec la mémoire symétrique
• Performance améliorée des processeurs Arm et couverture de test accrue
• Meilleure gestion des erreurs dans les opérations torch.compile
• Performance cohérente de FlexAttention sur tous les types de GPU
• Optimisation du décodage flash pour le backend CPU
• ABI stable pour la compatibilité des extensions tierces

Inconvénients

• Courbe d'apprentissage potentielle pour les nouvelles plateformes matérielles
• Complexité accrue dans les configurations multi-GPU
• Variations de performance possibles entre différents GPU

Conclusion

PyTorch 2.9 démocratise le matériel pour le ML avec le support d'AMD ROCm, Intel XPU et Arm, améliorant l'hébergement de modèles d'IA et la flexibilité du déploiement.