GCC 中的 whole-archive 参数解析
本文由 AI 加提示词大纲生成 提示词如下： 帮我写一篇博客，介绍 gcc 中的 whole-archive 这个参数，顺序如下： 背景：使用全局变量动态注册类到 RegisterFactory 中的时候，发现这个库打包为静态库时，可执行文件去链接这个静态库，会出现未注册成功的情况 表现：1、保存注册结果的 map 大小为 0；2、文件非常小，仅有十几KB，看起来并不包含整个静态库；3、访问空指针时会导致段错误；4、使用动态链接库时没有问题 原因：当全局参数被注册在静态库中时，如果这个静态库被链接，会导致静态库中的全局参数被优化掉了，也就没有注册成功 解决方案：使用 -Wl,--whole-archive lib -Wl,--no-whole-archive 使得链接器在链接时不要优化掉全局参数 在使用全局变量动态注册类到 RegisterFactory 时，常常会遇到这样一个问题：当库打包为静态库后，最终生成的可执行文件链接这个静态库，却无法正常注册。这篇文章将详细介绍这一问题的背景、表现、原因以及解决方案。 1. 背景在很多项目中，我们会在全局作用域中注册类到工厂（R...
科目二考试 - 00
科目二考试有关科目二的一些信息和内容分享。 一般来说，科目二教练在开始练习时让学员最先做的两件事就是：调整座椅和后视镜。这两件事其实都是为了点位这个概念服务的。 至于为什么需要【点位】？原因还是科目二考试需要一次性倒车入库成功，中间不可以换挡，例如从倒车档换成前进档，如果发生换挡，这次考试就挂了。为了方便教学，总结出了点位这个概念。 在座椅确定之后，空间位置就确定了。在这种情况下，记住在何时倒车、何时回正方向盘，就可以一把实现倒车入库了。所以，点位其实就是时间点在车辆空间中的位置。 座椅 座椅的调整是为了确定 3D 空间中的位置，用 3 个距离来描述我们的坐姿，从而在考试的时候复现这个位置。3 个距离如下： 大拇指：手臂水平伸直，大拇指的根部位于仪表盘罩上 头顶：头顶距离车顶 4 指高（一拳） 膝盖：距离前方 3 指宽 后视镜点位上面的两点都是为了【点位】这个概念服务的。
记一个关于 RMSNorm 实现上的细节
背景在 RMSNorm 的实现中，都会强制把输入转为 float32 再进行计算，主要为了避免在计算过程中出现溢出的情况，特别是 float16。 bfloat16 由于动态范围更大，通常不会出现溢出问题，但在一些特定的计算场景下，仍然可能会遇到精度问题。因此，在实现 RMSNorm 时，强制转换为 float32 是一个通用的做法。 RMSNorm123456789101112131415import torchimport torch.nn as nnclass RMSNorm(nn.Module): def __init__(self, dim, eps=1e-8): super(RMSNorm, self).__init__() self.weight = nn.Parameter(torch.ones(dim)) self.eps = eps def forward(self, x): # 强制转换为 float32 x = x.to(torch.float32) # 计算 ...
Qwen2.5-VL 中视觉模型的窗口注意力机制
背景在算能的 LLM-TPU 里有对 Qwen2.5-VL 视觉模型的导出，但是并没有增加对窗口注意力的支持，因此跟 Qwen2.5-VL 原生相比，性能下降较大。 UPDATE: 算能官方已经支持 qwen2.5-vl 的窗口注意力，具体实现参考 tpu-mlir/llm。 qwen2.5-vl 视觉编码器的注意力机制qwen2.5-vl 中有两种不同的注意力机制： 全局注意力：用于处理全图特征，但是计算量较大，计算量增长随着图像尺寸的增加而呈平方增长，因此只在 4 个特殊的 layer 使用。 窗口注意力：只计算局部区域的注意力，计算量较小，适用于大多数层。 qwen2.5-vl 的视觉编码器注意力计算如下： 1234567891011121314151617181920212223class Qwen2_5_VLVisionFlashAttention2(nn.Module): ... def forward( self, hidden_states: torch.Tensor, cu_seqlens: t...
论文总结 | Next Token Prediction Towards Multimodal Intelligence A Comprehensive Survey
背景文章介绍了截至 2024 年，多模态大模型的进展。文章从词元化（tokenization）、骨干网络（backbone）、训练方式（training）、数据集（dataset）四个方向进行总结，并给出了多模态模型的未来发展方向及挑战。这对于我们了解和部署多模态大模型非常有帮助。 同时，本文主要是梳理相关基础内容，暂不对论文中给出的所有参考文献做详细解析，仅对关键点进行总结。 模型流水线组成 这张图主要分为三个部分： Tokenization是将输入数据转换为模型可以处理的形式的过程。图中展示了两种类型的词元化： Discrete Tokens：输入图像通过Encoder转换为特征表示，这些特征表示通过Vector Quantization过程转换为离散的词元（如数字7、2、9等）。为了确保词元的生成质量，离散词元在训练阶段还需要通过Decoder转换回图像。 Continuous Tokens：输入图像同样通过编码器转换为特征表示。这些特征表示通过Projector转换为连续的词元。 Modeling部分展示了Transformer模型的内部结构及其工作原理： De...
Self-Attention 算法简介
MHA MQA GQA 对比MHA Multi-Head Attention，MQA Multi-Query Attention，GQA Group-Query Attention。在 transformers 中，主要体现在 config.json 里的 num_key_value_heads 设置上。 QKV shape 如下： Query: $[B, L, D_{\text{model}}]$ -> $[B, L, N_\text{heads}, D_\text{head}]$ -> $[B, N_\text{heads}, L, D_\text{heads}]$ Key & Value: $[B, L, D_\text{kv}]$ -> $[B, N_\text{kv}, L, D_\text{head}]$ 其中，$B$ 表示 batch size，$L$ 表示 sequence length，$D_\text{model}$ 为 hidden size，$N_\text{heads}$ 为 num heads，即多头注意力里的头数。 re...
Kokoro 模型结构分析&部署
出发点kokoro 是一个 82M 的 TTS 模型，在 TTSArena 上排名第二。基于之前在 MiniCPM-O-2_6 模型结构介绍 上的基础，我们分析一下 kokoro 模型结构，尝试完成 Feature Request: Add support for Kokoro TTS | llama.cpp 这个 issue。 注意到，sherpa-onnx for Kokoro 已经提供了 ONNX 实现，我们可以基于这个模型文件对模型结构进行观察。
ONNX 静态图转换为动态图
模型转换ONNX 模型从动态图变为静态图是非常容易的，使用 onnxsim --overwrite-input-shape input_name:dim0,dim1,dim2 model.onnx 即可，onnxsim 内部会将动态维度转为静态维度，同时执行图优化。 但是如果只有静态图，想要变回动态图，则比较困难。一般来说，Batch 维度是最容易改变的，修改 Batch 维度可以一次推理 N 个输入，提高吞吐量。 使用 onnx2torch 可以解决这个问题。首先将 ONNX 模型转为 pytorch 模型，然后重新使用 torch.onnx.export 导出一个有动态维度的模型即可。代码如下： 1234567891011121314151617181920import onnximport torchfrom onnx2torch import convert# onnx -> torchonnx_model_path = "/some/path/mobile_net_v2.onnx"torch_model_1 = convert(onnx_mod...
CPU 忙等的死锁案例
一个死锁案例代码部分逻辑： 1234567for (int i = tid; i < work_size; i += thread_num) { while (is_work_ready[i] == 0) { // spin lock } // do work foo(work[i]);} 下面这段代码看起来是合理的，线程执行的状态依赖于 is_work_ready[i]，通过这个变量实现主线程和子线程之间通信。但是实际上由于 CPU 会陷入忙等（busy-waiting），导致当主线程更新 flag 之后，子线程不会读取这个变量，陷入死锁。即「如果 is_work_ready 为 1，正常执行」，但是「is_work_ready 为 0 时，陷入死锁，无法恢复」。 有关多线程编程的方式： 如果代码涉及到主线程与子线程的通信，最好使用同步 API，不要使用简单的 dead loop 。比如 ChatGPT 建议使用 std::mutex + std::conditional_variable 通信。 dead lo...
MiniCPM-O-2_6 模型结构介绍
目的介绍一下有关 VLM/MLLM 的模型结构，从模型结构上指导模型部署，了解各个模块的作用。 MiniCPM-O-2_6 简介O 代表了 Omni，含义是全能。MiniCPM-O-2_6 是一个基于 MiniCPM-2 的多模态模型，在之前的 MiniCPM-V-2_6 的基础上增加了额外的多模态能力，包括【语音识别】、【语音生成】的功能。由于语音作为文本嵌入到了 LLM 的输入之中，还可以实现【语音提问图片内容，语音回复】的功能。OpenBMB 官方博客见 MiniCPM-o 2.6: A GPT-4o Level MLLM for Vision, Speech, and Multimodal Live Streaming on Your Phone。 为了实现上面的功能，MiniCPM-O-2_6 一共有四个模块： SigLip-400M 视觉编码器：用于提取视觉特征，并映射到 LLM 嵌入空间 Whisper-medium-300M 语音编码器：用于提取语音特征，也映射到 LLM 嵌入空间 LLM：基于 Qwen2.5-7B 模型，能够支持多模态输入，但是受限...
