Introduction à la programmation Triton : Un tutoriel pratique
Un tutoriel scientifique complet conçu pour offrir un parcours d'apprentissage complet sur Triton, un langage basé sur Python et un compilateur permettant d'écrire des noyaux GPU personnalisés. Le cours couvre les modèles de programmation, la sémantique du langage, le comportement numérique et l'optimisation des performances, en passant du traitement vectoriel de base à des opérateurs fusionnés et structurés par tuiles utilisés dans les systèmes modernes d'apprentissage profond.
Aperçu du cours
📚 Résumé du contenu
Un tutoriel scientifique complet conçu pour offrir une trajectoire d'apprentissage complète sur Triton, un langage et un compilateur basés sur Python permettant d'écrire des noyaux GPU personnalisés. Ce cours couvre les modèles de programmation, la sémantique du langage, le comportement numérique et l'optimisation des performances, en passant du calcul vectoriel élémentaire à des opérateurs fusionnés et segmentés utilisés dans les systèmes modernes d'apprentissage profond.
Maîtrisez l'art de l'ingénierie de noyaux GPU haute performance depuis les fondamentaux.
Auteur : EvoClass
Remerciements : Documentation Triton et dépôt GitHub Triton.
🎯 Objectifs d'apprentissage
- Définir Triton et son rôle dans la pile logicielle d'apprentissage profond.
- Différencier Triton de CUDA, du code eager PyTorch et de l'assemblage GPU de bas niveau.
- Identifier les charges de travail adaptées à Triton et comprendre l'importance de la fusion de noyaux et des goulets d'étranglement.
- Effectuer une installation propre de l'environnement Triton et vérifier la pile logicielle.
- Implémenter un noyau de copie vectorielle de base pour valider la logique de l'environnement par rapport à celle du noyau.
- Identifier et catégoriser les goulets d'étranglement GPU afin de justifier l'utilisation de la fusion d'opérateurs PyTorch.
- Définir une instance de programme et calculer les dimensions d'une grille d'exécution 1D à l'aide de
cdiv. - Effectuer des opérations arithmétiques sur les pointeurs pour mapper des ID de programme spécifiques (
pid) aux décalages mémoire. - Distinction entre les tenseurs PyTorch (méta-données côté hôte) et les tenseurs Triton (blocs au niveau du compilateur).
- Calculer la correspondance entre un ID de programme (
pid) et des décalages mémoire spécifiques en utilisanttl.arange.
Leçons 共 10 课时 · 预计 30.0h
Leçons
Lesson
This lesson introduces Triton as a bridge between high-level Python productivity and low-level CUDA performance, focusing on its tile-centric programming model. Students will learn how Triton automates complex hardware tasks like memory management and synchronization to enable the development of high-performance custom kernels.
This lesson introduces Triton as a high-performance, block-based programming model that bridges the gap between high-level PyTorch and low-level CUDA. Students will learn to configure a GPU development environment and utilize Triton to overcome memory bottlenecks by fusing operations and optimizing data movement within the GPU's SRAM.
AI023: The Triton Programming Model: Grids and Pointers (Lesson 3) introduces the block-based parallel paradigm, contrasting Triton’s efficient tile-level processing with the overhead of PyTorch’s eager execution. Students will learn to manage memory through pointer arithmetic and coordinate systems, enabling them to optimize GPU performance by minimizing global memory round-trips.
This lesson introduces the Triton programming model, focusing on the transition from scalar CUDA threads to vectorized program instances that operate on data blocks. Students will learn how to utilize program IDs (pid) for SPMD execution, manage memory offsets, and implement masking to handle data boundaries effectively.
This lesson introduces the parallel execution model for GPU programming, focusing on how to implement a vector addition kernel using block-based execution. Students will learn to identify performance bottlenecks—specifically memory-bound versus compute-bound operations—and optimize hardware utilization by managing occupancy and block size.
This lesson explores the Performance Paradox in Triton programming, explaining how fixed GPU launch overheads can make functionally correct code inefficient for small workloads. Students will learn to distinguish between latency-bound and throughput-bound operations, identify the importance of asynchronous execution in benchmarking, and apply strategies like workload batching to minimize the impact of the launch tax.
AI023: Introduction to Triton Programming — Beyond 1D: Why 2D Layout Awareness Matters (Lesson 7) This lesson explores how transitioning from 1D elementwise processing to 2D tiled grids allows Triton kernels to maximize spatial locality and hardware efficiency. Students learn to implement layout-aware kernels by utilizing strides and broadcasting to process data blocks, which is essential for high-performance operations like matrix multiplication.
This lesson explores reduction operations in Triton, focusing on how to collapse multi-dimensional tensors while managing memory layouts and hardware-level data dependencies. Students will also learn to implement numerically stable Softmax functions by addressing common floating-point issues like overflow and underflow.
This lesson explores the transition from memory-bound elementwise operations to compute-bound tiled matrix multiplication (GEMM) in Triton. Students will learn to optimize LLM performance by implementing 2D tiling, managing tensor strides to avoid memory access errors, and applying operator fusion to reduce global memory overhead.
This lesson explores the systematic optimization lifecycle for Triton kernels, focusing on the transition from functional correctness to hardware-aware performance. Students will learn to utilize debugging tools like the Triton interpreter, establish strong performance baselines, and implement autotuning strategies to maximize hardware utilization.