Przygotuj pełną migrację programową
Sporządź listę komponentów wykonujących obliczenia GPU: PyTorch, biblioteki attention, kwantyzację i ewentualne własne operatory. Przenośny skrypt Pythona może zależeć od rozszerzenia wyłącznie CUDA. Zweryfikuj każdy komponent na wybranej wersji ROCm przed rozpoczęciem dużej kampanii.
W PyTorch dla ROCm interfejsy torch.cuda są nadal używane do wskazania GPU. Nie zamieniaj więc mechanicznie wszystkich wystąpień na „hip”: ustal zainstalowany backend i przetestuj niewielkie rzeczywiste obliczenie.
Wykorzystaj 192 GB w reprezentatywnym teście
Ta pojemność daje miejsce na duże modele, aktywacje lub pamięci podręczne. Sama w sobie nie pozwala wywnioskować maksymalnego rozmiaru modelu: precyzja, długość danych wejściowych, metoda adaptacji i przestrzenie tymczasowe zmieniają całkowite zapotrzebowanie.
Przygotuj przypadek obejmujący najdłuższe dane wejściowe i pełną kopię zapasową. Porównaj wyniki liczbowe migracji z tolerancją zdefiniowaną dla swojego zadania, zamiast zakładać milcząco identyczne pliki między platformami.
Kiedy zachować ścieżkę NVIDIA
Jeśli kluczowe rozszerzenie nie ma użytecznej ścieżki ROCm, H200 SXM z 141 GB może uprościć projekt, pozostając w CUDA. W przypadku oprogramowania już przenośnego, ale mniejszego obciążenia, porównaj też rzeczywiste zapotrzebowanie z kartą 80 GB. Dodatkowa pamięć musi rozwiązywać zidentyfikowany problem, a nie tylko zastępować diagnozę.
Podziel wynajem na etapy walidacji
Wykorzystaj 3 dni na instalację, testy i odnotowanie rozbieżności; 7 dni na ustabilizowanie zależności i porównanie wyników; 30 dni na kampanię, której ścieżka ROCm została zwalidowana. Zapisz dystrybucję systemu i wersje bibliotek w manifeście.
Wybierz MI300X, czas trwania, partie i przygotowanie dostosowane do swojego stosu ROCm. Imię, nazwisko i email pozostają danymi zamówienia; żaden dokument tożsamości KYC nie jest wymagany. Następnie wybierz metodę krypto i zgłoś przelew przyciskiem „Zapłaciłem”.