From 5b75943190b90cf4e5881243efd6324cc6fdae9a Mon Sep 17 00:00:00 2001
From: broad-sea-life <1457653356@qq.com>
Date: Wed, 29 Oct 2025 10:21:34 +0800
Subject: [PATCH] =?UTF-8?q?add=20GPUCodeForces=E8=B5=9B=E9=A2=98=E5=85=A5?=
 =?UTF-8?q?=E9=97=A8?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 ...�解读.md => GPUCodeForces代码解读.md |  0
 GPUCodeForces赛题入门.md                  | 88 +++++++++++++++++++
 2 files changed, 88 insertions(+)
 rename GPUCodeForces赛题解读.md => GPUCodeForces代码解读.md (100%)
 create mode 100644 GPUCodeForces赛题入门.md

diff --git a/GPUCodeForces赛题解读.md b/GPUCodeForces代码解读.md
similarity index 100%
rename from GPUCodeForces赛题解读.md
rename to GPUCodeForces代码解读.md
diff --git a/GPUCodeForces赛题入门.md b/GPUCodeForces赛题入门.md
new file mode 100644
index 0000000..f3e40ce
--- /dev/null
+++ b/GPUCodeForces赛题入门.md
@@ -0,0 +1,88 @@
+# GPUCodeForces赛题入门
+
+## 🚀 一、背景介绍
+在 AI 模型训练与推理的世界里，“性能”就是生产力。
+不同品牌、架构的 GPU，在不同深度学习框架中运行同样的任务时，往往会出现令人惊讶的差异：
+- 有的显卡在 TensorFlow 上快如闪电，在 PyTorch 上却慢半拍；
+-  有的框架吞吐惊人，但显存消耗巨大；
+- 有的 GPU 一旦切换精度或 batch size，性能瞬间翻倍。
+
+这些性能差异长期存在，却缺乏一个「公正、标准、可复现」的评测体系。
+于是，我们发起了这场挑战赛：
+用社区的力量，一起构建一个开放的 GPU 性能评测数据集，让每块 GPU、每个框架都能有真实可对比的「成绩单」。
+
+## 🎯 二、赛题目标
+本次挑战的目标是：
+
+1. 收集并生成评测样本 —— 从主流框架（PyTorch、PaddlePaddle、TensorFlow、JAX、MMCV、Transformers 等）中提取典型任务（如分类、检测、生成、NLP 推理等）；
+2. 为每个样本生成标准输出与性能指标 —— 包括运行时间、精度对齐结果、加速比（实际评估指标远不止这些，此为本次比赛评测范围）；
+3. 形成可复现的 GPU CodeForces 数据集 —— 用统一格式记录代码、框架、显卡型号与性能结果，让 GPU 性能比较更科学、更透明。 
+
+## ⚙️ 三、为什么要做这件事？
+    •💬 统一标准：不同平台、不同框架的性能指标不再“各说各话”；
+    •🔍 科学对比：用户可以真正知道哪种框架组合最适合自己的硬件；
+    •🧩 数据复现：所有样本都能被社区成员在相同条件下复现；
+    •🏆 公开榜单：最终形成一个持续更新的 GPU 性能排行榜。
+
+## 🧩 四、选手的任务内容
+参赛者需要：
+
+1. 从指定或自选框架中挑选典型任务（如图像分类、Transformer 推理等）；
+2. 编写或复用性能测试脚本，确保能在不同 GPU 上运行；
+3. 收集运行结果（速度、显存占用、吞吐量等），并输出统一格式的数据样本；
+4. 将样本上传至平台，形成标准化的「GPU CodeForces 数据集」。
+
+简单来说：你的任务就是让「GPU 跑起来、测出来、比起来」。
+
+## 🧮 五、第一步怎么开始
+### 别慌，你不需要搭一个复杂的AI实验室。
+
+你可能会想“要有一块能跑深度学习的GPU，再装好一个主流框架才能开始”，但实际上这一步也能为你省去。这里[模力方舟](https://ai.gitee.com/compute)，就有已经配置好所需环境且带有强劲GPU的云算力服务器，本次比赛「免费使用」。
+
+### 代码也不需要从零开始写
+
+在仓库中我们提供了几个基础脚本，自己看或者让AI帮你分析都可以~你只需要改一改，跑一跑，就能提交结果。
+
+启动比赛提供的云算力平台后，在终端中输入以下指令：
+
+```
+git clone https://gitlink.org.cn/ccf-ai-infra/GPUCodeForces.git
+cd example/001-example
+python run_code.py
+```
+这段代码会自动跑一个小模型并输出结果：
+```
+Loading extension module relu...
+-------------------- 精度对齐验证 --------------------
+✅ 精度对齐：两个模型的输出结果非常接近。
+
+-------------------- 性能加速比测试 --------------------
+PyTorch torch.relu 平均执行时间: 0.000006 秒
+自定义 CUDA 内核 平均执行时间: 0.000017 秒
+加速比 (Speedup): 0.35x
+```
+恭喜🎊这就代表你已经跑了你的第一个性能样本。后续，无论你是「调参、改算法」，只要能跑出来并测试通过，那么就算一次成功的提交！
+
+### 想进阶？你可以这样玩
+如果你足够熟悉Python，可以进一步：
+
+- 修改batch size、模型结构、输入分辨率等等，看性能变化；
+- 换用不同框架（如TensorFlow、Paddle），对比结果；
+- 充分规划你代码内各子任务（计算任务）资源使用，将GPU性能最大化发挥
+
+👉你不需要像写论文那样创一个新模型，也不用理解优化的底层逻辑，只要能跑就能贡献数据。
+
+👉你也可以完全有自己的想法，认为有一些模型在你的思路下可以更优化，那么可以放到评测体系中，看看结果到底怎么样，同样能跑通就能贡献数据。
+
+无论你选择哪种方式，我们都有相对公平的评分规则，你可以尽情跑、尽情想，怎样都行得通，这就是这个挑战的魅力所在。
+
+## 📧加入社区，边学边玩
+加入官方交流群[下方二维码](https://www.gitlink.org.cn/zone/Infra/newdetail/1075)或者在对应赛道下的Issue板块与我们积极交流
+
+- 问题有人答
+- 每周都有榜单更新
+- 还能看到别人分享的“加速黑科技”
+
+我们希望这场挑战不仅是测评，更是一次：
+
+🔧「全民GPU训练营」——让每个人都能轻松了解性能优化的乐趣。
\ No newline at end of file