forked from ccf-ai-infra/GPUCodeForces
tomato
Gitee
commit
e8b1d40625
149
README.md
149
README.md
|
|
@ -1,103 +1,80 @@
|
|||
# GPUCodeForces
|
||||
# 评测数据集生成挑战赛（GPUCodeForces）
|
||||
|
||||
1. 评测数据集生成挑战赛项目
|
||||
欢迎参加 **评测数据集生成挑战赛** 📊！
|
||||
本比赛旨在构建一个标准化、可用于 GPU 性能测试的评测数据集，帮助开发者更高效地比较不同硬件和框架的性能表现。
|
||||
|
||||
- **目标：** 建立一个专门用来测试GPU性能的数据集。数据集里的内容（即“样本”）可以从流行的工具和模型库中获取：PyTorch, PaddlePaddle, TensorFlow, Jax, MMCV, Transformers 等。
|
||||
- **评估规则：** 进入评价数据集数量最多的前 12 名
|
||||
-**评测资源：**MXC500单卡
|
||||
- **项目价值：** 形成标准的 GPU 评测数据集和评价方法
|
||||
- **参赛资格：**
|
||||
只要你至少成功贡献了1个样本（即你的提交经过审核后并被选入“GPU CodeForces”数据集），就可以参赛。
|
||||
---
|
||||
|
||||
#### 📤 提交要求及评分规则
|
||||
## 🧠 比赛背景简介
|
||||
|
||||
- 每位选手按一个数据集（JSON 格式）提交，一个完整的GPU CUDA数据集需要包含以下几个部分：
|
||||
1. 数据集样本描述: 清晰地阐述问题背景、输入、输出和预期功能。
|
||||
2. 输入数据生成函数: 用于生成各种规模和特性的输入数据的代码。
|
||||
3. 标准GT输出生函数 : 用于生成给定输入数据的正确输出，通常是Numpy-CPU实现，或原torch/paddle/tensorflow实现。
|
||||
4. 性能评估指标: 明确评估CUDA解决方案性能的标准（执行时间、吞吐量、内存带宽）
|
||||
-数据集样本示例：
|
||||
1.样本描述
|
||||
● 题目名称: 矩阵乘法
|
||||
● 背景: 矩阵乘法是科学计算、机器学习和图形学中的基本操作。优化其在GPU上的性能是CUDA编程中的一个核心挑战。
|
||||
● 任务: 给定两个矩阵A和B，计算它们的乘积C = A * B。
|
||||
2.输入数据生成函数
|
||||
编写一个脚本，根据给定的 M,K,N 参数，生成两个随机填充的浮点数矩阵A和B
|
||||
import numpy as np
|
||||
在 AI 模型开发和部署中，**GPU 性能评测**是一个非常重要的环节。
|
||||
不同 GPU、不同深度学习框架（如 PyTorch、TensorFlow、PaddlePaddle 等）在运行相同任务时，速度、吞吐量、内存占用等表现差异很大。
|
||||
本次挑战赛希望通过社区的力量，**构建一个标准化、带权重的评测数据集**，让 GPU 性能比较更加科学、公正。
|
||||
|
||||
def generate_matrix_multiplication_data(M, K, N):
|
||||
"""
|
||||
生成矩阵乘法问题的输入数据。
|
||||
Args:
|
||||
M, K, N: 矩阵A (M x K) 和矩阵B (K x N) 的维度。
|
||||
Returns:
|
||||
tuple: (matrix_a, matrix_b)
|
||||
"""
|
||||
matrix_a = np.random.uniform(-100.0, 100.0, (M, K)).astype(np.float32)
|
||||
matrix_b = np.random.uniform(-100.0, 100.0, (K, N)).astype(np.float32)
|
||||
return matrix_a, matrix_b
|
||||
---
|
||||
|
||||
# 示例用法
|
||||
# M, K, N = 1024, 512, 256
|
||||
# A, B = generate_matrix_multiplication_data(M, K, N)
|
||||
# print(f"Matrix A shape: {A.shape}")
|
||||
# print(f"Matrix B shape: {B.shape}")
|
||||
## 🎯 比赛目标
|
||||
|
||||
3.输入数据生成函数
|
||||
编写一个函数，接收输入的矩阵A和B，使用CPU计算出它们的乘积C
|
||||
import numpy as np
|
||||
- 从 **PyTorch、PaddlePaddle、TensorFlow、Jax、MMCV、Transformers** 等框架中收集并生成评测样本。
|
||||
- 为每个样本提供**标准输出**和**性能指标**，确保结果可复现。
|
||||
- 最终形成 **GPU CodeForces** 数据集和评价方法。
|
||||
|
||||
def cpu_matrix_multiplication(matrix_a, matrix_b):
|
||||
"""
|
||||
使用CPU计算矩阵乘法。
|
||||
Args:
|
||||
matrix_a: 矩阵A (M x K)
|
||||
matrix_b: 矩阵B (K x N)
|
||||
Returns:
|
||||
numpy.ndarray: 矩阵C (M x N)
|
||||
"""
|
||||
return np.dot(matrix_a, matrix_b)
|
||||
---
|
||||
|
||||
# 示例用法
|
||||
# A, B = generate_matrix_multiplication_data(1024, 512, 256)
|
||||
# C_ref = cpu_matrix_multiplication(A, B)
|
||||
# print(f"Reference C shape: {C_ref.shape}")
|
||||
## 📥 如何参与提交？
|
||||
|
||||
4. 输入数据生成函数
|
||||
● 主要指标: GPU执行时间 (CUDA Kernel Execution Time)。
|
||||
● 次要指标: 内存带宽利用率、TFLOPS (如果适用)。
|
||||
● 评判标准:
|
||||
● 正确性: CUDA解决方案的输出与标准输出的误差应在可接受的浮点误差范围内（例如，np.allclose 容忍度）。
|
||||
● 性能: 相同输入规模下，CUDA解决方案的执行时间越短越好。我们将提供基准测试环境和计时工具。
|
||||
● 计时示例 (伪代码/说明):在CUDA代码中，使用 cudaEvent_t 进行精确计时：
|
||||
cudaEvent_t start, stop;
|
||||
cudaEventCreate(&start);
|
||||
cudaEventCreate(&stop);
|
||||
### ✅ 参赛资格
|
||||
- 你提交的样本中，**至少有 1 个样本被评审通过并正式整合到“GPU CodeForces” 数据集**，即可算作有效参赛。
|
||||
|
||||
cudaEventRecord(start, 0);
|
||||
// Call your CUDA kernel here
|
||||
my_cuda_kernel<<<blocks, threads>>>(d_A, d_B, d_C, M, K, N);
|
||||
cudaEventRecord(stop, 0);
|
||||
cudaEventSynchronize(stop);
|
||||
### 📦 提交内容
|
||||
- **一个 JSON 格式的数据集文件**（详细格式请参考《评测数据集生成挑战赛样本和要求说明》）。
|
||||
- 每个数据集需包含：
|
||||
1. **测试样本**（代码或数据）
|
||||
2. **标准 GT（Ground Truth）输出生成函数**（基于 CPU/Numpy 或原始框架）
|
||||
3. **CUDA 性能评估指标**（执行时间、吞吐量、内存带宽）
|
||||
|
||||
float milliseconds = 0;
|
||||
cudaEventElapsedTime(&milliseconds, start, stop);
|
||||
---
|
||||
|
||||
*若仍有疑问，请详见《评测数据集生成挑战赛样本和要求说明》。
|
||||
- **接受数量：**提交经过审核后并被选入数据集的样本总数
|
||||
- **评分方式：**
|
||||
- 标准 GT 输出生成函数（Numpy-CPU / 原始框架实现）：+2 分
|
||||
- CUDA 性能评估指标：
|
||||
- 执行时间（GPU跑完整个任务的耗时）：+5 分
|
||||
- 吞吐量（GPU单位时间内处理数据的量）：+4 分
|
||||
- 内存带宽（GPU读写的速度）：+3 分
|
||||
- （加分项）提供提示语（prompt）让大模型（LLM）生成对应 CUDA 代码，并且这份生成的代码也能提供上述的性能指标，则该提交样本也能得到对应分数。
|
||||
## 📈 评分规则
|
||||
|
||||
#### 🏆 排名机制
|
||||
### 📊 基础得分
|
||||
| 内容 | 分值 |
|
||||
|------|------|
|
||||
| 提供标准 GT 输出生成函数（Numpy-CPU / 原始框架实现） | +2 分 |
|
||||
| CUDA 执行时间评估 | +5 分 |
|
||||
| CUDA 吞吐量评估 | +4 分 |
|
||||
| CUDA 内存带宽评估 | +3 分 |
|
||||
|
||||
1. 按“被选入样本的总数”从高到低排序
|
||||
### ✨ 加分项
|
||||
| 内容 | 分值 |
|
||||
|------|------|
|
||||
| 提供 Prompt 让 LLM 生成对应的 CUDA 代码，并同样进行性能评价 | 额外加分 |
|
||||
|
||||
> **接受数量** = 提交并被评审通过的样本总数
|
||||
|
||||
---
|
||||
|
||||
## 🏅 排名机制
|
||||
|
||||
1. **优先按接受数量从高到低排序**
|
||||
2. 若数量相同：
|
||||
- 比较所有样本的总分数之和，总分数高者优先
|
||||
- 若仍相同，比加分项分数高者优先
|
||||
- 比较总评分高者优先
|
||||
- 若仍相同，比加分项得分高者优先
|
||||
|
||||
---
|
||||
---
|
||||
|
||||
## 📚 术语解释
|
||||
|
||||
- **评测数据集**：用来测试 GPU 性能的一组标准化样本，包括代码、输入数据和预期结果。
|
||||
- **GT（Ground Truth）**：标准参考答案或结果，用来验证程序运行是否正确。
|
||||
- **吞吐量（Throughput）**：每秒钟能处理的数据量，越高表示 GPU 处理能力越强。
|
||||
- **内存带宽（Memory Bandwidth）**：单位时间内 GPU 内存与计算核心之间的数据传输速度。
|
||||
- **Prompt**：引导大语言模型（LLM）生成代码或内容的提示词。
|
||||
- **LLM**：Large Language Model，大语言模型，如 ChatGPT、LLaMA 等。
|
||||
|
||||
---
|
||||
|
||||
## 📬 联系与帮助
|
||||
|
||||
如需更多信息或格式说明，请查看官方文档或在本仓库提交 Issue 进行讨论。
|
||||
祝你挑战成功，贡献出高质量的 GPU 评测数据集！🚀
|
||||
|
|
|
|||
Loading…
Reference in New Issue